分类
AlphaForge通过DCGAN和预测器结合构建连续可导的生成框架，利用梯度下降直接优化逆波兰表达式因子挖掘，解决传统方法优化无方向性和过拟合问题。
关键结论
最终合成因子IC均值13.85%，多头年化超额17.33%。中证1000指增策略表现最优，年化超额14.28%，信息比率2.27。
核心要点
- 生成器由DCGAN与Masker组成，保证生成的逆波兰表达式合法且可导，预测器评估因子表达式掩码与IC的对应关系。
- 训练时固定预测器优化生成器，损失函数结合预测IC最大化与不同随机噪声生成因子的相关性惩罚。
- 每年滚动挖掘100个单因子，使用LGBM和等权合成，构建沪深300、中证500、中证1000指增策略。
核心内容
本文提出基于AlphaForge框架的因子挖掘方案，通过将公式化因子表达为逆波兰表达式，利用DCGAN生成器输出因子动作的独热编码矩阵，经Masker过滤非法表达式，实现端到端的连续可导优化。预测器学习因子结构与IC的关系，生成器以最大化预测IC并最小化因子间相关性为目标，从而有方向性地挖掘低相关、高收益的Alpha因子。
经济逻辑
市场股票收益率存在可被量价特征提取的截面差异。通过复杂的非线性公式组合高开低收成交量等基础量价数据，能够刻画微观市场结构和交易行为特征。AlphaForge通过深度学习直接优化公式组合，克服了人工经验的局限和无方向遍历的随机性，提取出具有持续预测能力的价量Alpha信号。
超额收益逻辑
超额收益来源于深度学习框架挖掘出的非线性量价公式因子，这些因子能够有效预测未来一段时间的股票截面收益率差异。通过LGBM和等权合成进一步降噪和放大信号，并在指数增强策略中结合指数成分股约束构建多头组合，获取相对于基准的超额收益。
构造细节 [model]
1. 生成器：基于DCGAN结构。输入为正态分布随机噪声矩阵。经过线性层扩充维度，再通过多层逆卷积(Deconv)和卷积层降低通道数，输出张量形状为(Batch_size, Seq_len, Action_size)。随后接入Masker模块，根据数学逻辑掩码非法动作，结合Gumbel-Softmax保证可导并输出合法的离散动作独热编码。2. 预测器：使用卷积神经网络(CNN)叠加线性层。输入为因子动作的独热编码，输出该因子的预测IC得分。
生成器输出：合法因子表达式动作序列(逆波兰表达式)；预测器输出：因子的预测IC得分。
滚动训练，每年一次。训练流程为交替优化：首先通过历史随机生成的因子及其真实IC监督训练预测器；随后固定预测器，使用结合预测IC最大化和因子间相关性惩罚的损失函数，对生成器进行梯度下降优化。
分别使用LGBM和等权合成每年的100个因子，再将两个合成因子等权合成得到最终因子。
绩效
AlphaForge通过生成器和预测器结合的深度学习框架实现连续可导的因子挖掘，避免了传统方法过拟合和优化无方向性的问题。单因子在样本外IC均值达4.24%；通过LGBM和等权合成后的因子IC均值达13.85%。构建的沪深300、中证500和中证1000指增策略均取得了显著的超额收益和信息比率，其中中证1000指增年化超额达14.28%，信息比率2.27。
收益归因
研报未对策略超额收益进行风格或行业归因分析。
稳健性
框架通过结构设计(如Masker)和损失函数设计(相关性惩罚)保证生成因子的有效性和低相关性，滚动训练机制提升了样本外表现的稳定性。
数据依赖
数据要求为基础日频量价数据，较易获取。模型架构(DCGAN+Masker+卷积预测器)和训练流程描述清晰，但部分关键超参数(如seq_len, latent_size, 具体算子集合)未完全公开，复现需要一定调参和推敲工作。
相关研究
新颖性评估 [新方法]
创新性地将DCGAN和Masker结合，利用Gumbel-Softmax技巧将离散的因子公式生成过程转化为连续可导的过程，从而能够利用梯度下降直接有方向性地优化因子挖掘。
不足与缺陷
- 研报未披露具体的网络超参数值（如seq_len, latent_size, 具体网络层数等），模型细节不足以达到即插即用的复现级别。
- 未对最终策略的超额收益进行Barra风格或行业归因分析，难以确认Alpha来源的纯度，可能存在隐含的风格暴露。
- Masker虽然保证表达式合法，但基于Gumbel-Softmax的离散采样在长公式生成中可能仍存在偏差或模式坍塌风险。
- 8年训练集滚动每年挖掘100个因子，真实计算成本依然较高，且未讨论算力耗时和内存瓶颈。
可复用元素
- 利用Masker和Gumbel-Softmax将离散的因子公式生成转化为可导过程的思路。
- 生成器损失函数中引入两组不同随机噪声生成因子的相关性惩罚，在生成阶段直接促使因子库多样化、低冗余。
- 将LGBM合成结果与等权合成结果再次等权组合的融合策略，结合了模型学习与非参数分散的优点。
启发
- 离散空间的组合优化问题可通过Mask+Softmax技巧转化为连续优化，适用于其他非欧空间的量化寻优场景。
- 因子挖掘不应仅关注单因子表现的绝对值，需在生成模型的目标函数中直接注入因子正交性约束，提升整体因子库的信息容量。
改进方向
使用Transformer架构替换DCGAN作为生成器，并结合Tree-LSTM或递归神经网络解析逆波兰表达式的树形结构进行预测器建模，以更好地捕捉算子与特征间的层级与长距离依赖关系。
复现计划
1. 数据准备：获取全A日频OHLCV和VWAP数据，做复权处理。2. 动作空间定义：定义常见一元、二元、截面、时序算子，时序参数设为[5,10,20,40,60]，确定Action_size。3. 模型搭建：使用PyTorch构建DCGAN生成器(Linear+Deconv)、Masker模块(规则掩码+Gumbel-Softmax)和CNN预测器。4. 训练流程：随机采样生成因子并计算真实IC作为预测器训练集；交替训练预测器和生成器，生成器损失包含预测IC最大化和相关性惩罚。5. 策略回测：滚动8年训练集生成因子，LGBM与等权合成因子，构建300/500/1000指增策略验证超额收益与IR。