基于GFlowNet生成流网络的低相关性量价因子挖掘策略

国金高智威 2026-05-13 置信度: high

综合质量 5 /5

新颖性 4 /5

可复现性 4 /5

核心内容

本报告提出基于生成流网络(GFlowNet)的自动化量价因子挖掘框架。通过将因子表达式构造过程建模为有向无环图(DAG)的水流过程，使用Trajectory Balance(TB)目标进行训练，使生成因子的概率与其市值中性化后的abs(IC)奖励成正比。对比PPO强化学习，GFlowNet生成的因子具有极低的相关性(中位数<0.04)，有效解决了模式崩溃问题。在日频和分钟频数据上挖掘出的因子在样本外(2018-2025)均表现出良好的预测能力和多头超额收益。

经济逻辑

资产收益由多种风格和alpha因子驱动，多因子模型需要大量低相关性的Alpha因子以分散风险并提高组合夏普比率。传统GP盲目搜索效率低，RL易陷入单一最优解导致因子高度同质化。GFlowNet通过流匹配机制，天然倾向于按比例生成所有高奖励的多样化样本，契合了多因子模型对低相关性、高多样性因子池的根本诉求。

超额收益逻辑

GFlowNet生成的因子在样本外表现出显著的选股能力，尤其是基于相对特征和分钟频特征的因子，IC均值中位数超5.8%。其收益来源在于模型能够系统探索非线性和复合量价结构，且通过低相关性筛选和等权合成，有效分散了单一因子的特异性风险。此外，将这些因子融入深度学习模型(Mamba/GRU)，提供了传统模型未捕捉的价量微观结构信息，从而产生增量超额收益。

构造细节 [model]

模型架构

策略网络基于Transformer编码动作历史序列，并拼接3个手工状态特征(当前深度、已用算子比例、已用节点比例)。表达式以ExprNode树结构组织，并在每一步执行“语法合法+不超复杂度上限”的动作限制(初始步强制选op，等待窗口时只能选window)。包含交换律排序、双重neg折叠等表达式简化方法。

输入

动作历史序列(operator/window/feature组合)当前深度已用算子比例已用节点比例

输出

下一步动作(operator, window, 或 feature)的概率分布，最终输出完整的因子表达式树

训练

采用Trajectory Balance (TB)目标。训练集为2005-01-01至2017-12-31。具体步骤：1. 用当前前向策略P_F采样一条轨迹s_0→s_1→⋯→x；2. 计算R(x)（评估因子市值中性化后的abs(IC)）；3. 计算TB Loss: (log(Z * ∏P_F / (R(x) * ∏P_B)))^2，其中Z为可学习的总流量标量，P_B为后向策略；4. 反向传播更新P_F和Z。

数据输入

: (日频): (日频): (日频(由分钟频生成))

组合方式

筛选条件：入选因子与已入选因子spearman相关性低于0.4；合成方式：等权合成。深度学习模型提升：在Mamba和GRU基础上添加150个GFlowNet挖掘出的因子。

绩效

4.54%

IC均值中位数(日频原始OHLCV)

8.56%

IC均值最大值(日频原始OHLCV)

3.47%

多头超额中位数(日频原始OHLCV)

6.17%

IC均值中位数(日频相对特征)

9.40%

IC均值最大值(日频相对特征)

5.83%

IC均值中位数(分钟频特征)

9.46%

IC均值最大值(分钟频特征)

7.43%

多头超额收益中位数(分钟频特征)

基准: 全A市场

回测期: 2018-01-01至2025-12-31

GFlowNet在因子挖掘中表现出显著的多样性优势，batch内相关性中位数不到0.04（PPO强化学习为1）。日频因子IC均值中位数达4.54%-6.17%，分钟频因子IC均值中位数达5.83%，多头超额收益中位数达7.43%。引入GFlowNet挖掘的因子后，Mamba和GRU模型指标均有提升。

收益归因

对因子进行了市值中性化处理，并分析了风险暴露（小市值、低波、价值风格），但未做基于风险模型的系统性收益归因分解。

缺口: 未进行基于风险模型的详细收益归因分解

稳健性

子样本稳定性: 在2018-2025年的长周期样本外测试中，因子表现稳定，未见明显的短期失效现象。

风格偏差: 合成因子存在小市值和低波风格暴露；多头暴露中中小市值明显，且等权合成因子具有明显的价值风格暴露。使用相对特征挖掘的因子小市值暴露较低。

因子整体在长周期样本外表现稳健，但存在一定的小市值和低波风格暴露，需在组合优化时予以控制。

数据依赖

所需数据: 后复权日频OHLCV数据，日内分钟频数据

可复现性: medium

数据基础为常规量价数据，较易获取。但GFlowNet模型训练需自建算子体系、语法树及Transformer策略网络，复现具有一定工程难度。

新颖性评估 [新方法]

首次将GFlowNet及Trajectory Balance目标应用于A股量价因子挖掘，有效解决了强化学习因子挖掘中的多样性缺失和模式崩溃问题。

不足与缺陷

虽然进行了市值中性化，但合成因子仍有明显的小市值和低波风格暴露，可能带来尾部风险。
分钟频数据仅提取40个日频指标，未能充分利用分钟频的高频信息，损失了日内动态特征。
表达式简化规则仅提到交换律和双重neg折叠，对于更复杂的等价表达式归一化能力有限。

可复用元素

TB目标的公式及训练流程
结合Transformer编码和手工特征的状态表示设计
市值中性化后的abs(IC)作为reward的设计
ExprNode树及其简化规则
相关性低于0.4的等权合成方法

启发

生成模型不仅能用于单步预测，还能用于结构化对象(如因子表达式)的生成，且天然具备多样性优势。
将高频数据降频为特征再输入挖掘框架，是一种平衡计算成本和信息保留的有效方法。
通过奖励函数的设计(如市值中性化)可以直接控制生成因子的风格暴露。

改进方向

相似逻辑+不同构造：使用扩散模型进行因子生成。将因子表达式序列化，通过自回归扩散模型生成因子token序列。

基于: GFlowNet生成序列化因子表达式的逻辑预期收益: 扩散模型在生成多样性样本方面表现优异，可能进一步提升因子池的丰富度和探索效率，同时具有可控的生成过程。

复现计划

1. 构建日频OHLCV及相对特征数据集(2005-2025)；2. 实现51个算子及5个窗口的ExprNode树结构及简化逻辑；3. 搭建Transformer策略网络，结合手工状态特征；4. 实现市值中性化后的abs(IC)计算函数；5. 按TB目标公式编写损失函数并训练GFlowNet；6. 在2018-2025测试集上评估单因子IC及多头超额，按Spearman相关性<0.4筛选等权合成。