基于GFlowNet和AlphaEval的分钟频因子挖掘筛选框架
创建于 更新于
摘要
本报告提出以GFlowNet与AlphaEval为核心的分钟频因子挖掘筛选框架，结合日频数据文法及分钟频快速计算架构，形成日频+分钟频的多维度因子池。GFlowNet通过流量守恒与Trajectory Balance目标，在日频数据上筛选出高IC的因子群；随后引入MemMap分布式计算和并行框架实现分钟频特征的快速挖掘：日内block与日频tree分解并行计算，LRU缓存及溢写机制提升效率[page::0][page::1][page::4]。AlphaEval从多样性、预测能力、秩稳定性、金融逻辑性与扰动鲁棒性五维进行综合筛选，在1134个候选因子中通过DPP初筛，得到800个因子，随后用LGBM合成并在沪深300、中证500和中证1000等宽基上实现稳定的正超额收益[page::14][page::15]。将筛选后的因子与现有AI模型融合，形成指数增强策略，通过对比沪深300、中证500与中证1000的回测数据，展示了显著的超额收益与可控的波动性[page::15][page::16]。同时报告也明确风险提示，包括模型时效性与交易成本变化带来的收益波动风险[page::6]。[page::19]
