聚焦Alpha掘金系列之二十四:基于GFlowNet和AlphaEval的分钟频因子挖掘筛选框架。基于 GFlowNet 和 AlphaEval 的分钟频因子挖掘筛选框架GFlowNet 原理回顾与日频数据挖掘GFlowNet 是由深度学习先驱 Yoshua Bengio 团队于 2023 年在计算机顶刊 JMLR 上发表的新型生成模型,其核心思想是将对象的生成过程建模为图网络中的"水流"过程。基于分钟频特征共筛选出符合条件32的因个,子 IC 均值中位数达 3.19%,多头年化超额中位数为 4.21%。其它角度中,PPS 预测能力筛选和金融逻辑性筛选在收益端没有明显提升,但 RRE 秩稳定性筛选可有效降低因子换手率。
聚焦Alpha掘金系列之二十四:基于GFlowNet和AlphaEval的分钟频因子挖掘筛选框架。基于 GFlowNet 和 AlphaEval 的分钟频因子挖掘筛选框架GFlowNet 原理回顾与日频数据挖掘GFlowNet 是由深度学习先驱 Yoshua Bengio 团队于 2023 年在计算机顶刊 JMLR 上发表的新型生成模型,其核心思想是将对象的生成过程建模为图网络中的"水流"过程。基于分钟频特征共筛选出符合条件32的因个,子 IC 均值中位数达 3.19%,多头年化超额中位数为 4.21%。其它角度中,PPS 预测能力筛选和金融逻辑性筛选在收益端没有明显提升,但 RRE 秩稳定性筛选可有效降低因子换手率。
聚焦Alpha掘金系列之二十四:基于GFlowNet和AlphaEval的分钟频因子挖掘筛选框架。基于 GFlowNet 和 AlphaEval 的分钟频因子挖掘筛选框架GFlowNet 原理回顾与日频数据挖掘GFlowNet 是由深度学习先驱 Yoshua Bengio 团队于 2023 年在计算机顶刊 JMLR 上发表的新型生成模型,其核心思想是将对象的生成过程建模为图网络中的"水流"过程。基于分钟频特征共筛选出符合条件32的因个,子 IC 均值中位数达 3.19%,多头年化超额中位数为 4.21%。其它角度中,PPS 预测能力筛选和金融逻辑性筛选在收益端没有明显提升,但 RRE 秩稳定性筛选可有效降低因子换手率。核心数据:基于分钟频特征共筛选出符合条件32的因个,子 IC 均值中位数达 3.19%,多头年化超额中位数为 4.21%;在日频数据挖掘中,基于原始日频 K 线共筛选出符合条件的因子 99 个,IC 均值中位数达 4.43%,多头年化超额中位数为 5.23%。
本报告由国金证券发布,发布于 2026 年。
覆盖 2026 年。
本报告为付费报告,可在资料宝站内下单后获取完整内容。
重点分析了Alpha掘金系列之二十四等议题。