AlphaEval：面向公式化 Alpha 挖掘的全面高效评估框架

公式化 Alpha 挖掘，即从金融数据中生成预测信号，对量化投资至关重要。尽管遗传编程、强化学习和大语言模型等多种算法方法显著扩展了 Alpha 发现的能力，但系统化评估仍是一项关键挑战。现有的评估指标主要包括回测和基于相关性的度量。回测计算密集、本质上是顺序执行的，且对特定策略参数敏感。基于相关性的度量虽然高效，但仅评估预测能力，忽略了其他关键属性，如时间稳定性、鲁棒性、多样性和可解释性。此外，大多数现有 Alpha 挖掘模型的闭源性质阻碍了可复现性，并减缓了该领域的进展。为解决这些问题，我们提出了 AlphaEval，一个统一的、可并行化且无需回测的自动化 Alpha 挖掘模型评估框架。AlphaEval 沿着五个互补维度评估生成 Alpha 的整体质量：预测能力、稳定性、对市场扰动的鲁棒性、金融逻辑和多样性。跨代表性 Alpha 挖掘算法的广泛实验表明，AlphaEval 实现了与全面回测相当的评估一致性，同时提供了更全面的洞察和更高的效率。此外，与传统的单一指标筛选方法相比，AlphaEval 能有效识别更优的 Alpha。所有实现和评估工具均已开源，以促进可复现性和社区参与。