AlphaPROBE：通过原则性检索与图上偏置演化进行Alpha挖掘
人工智能
2026-02-13 v1
摘要
通过Alpha因子挖掘提取信号是量化金融中的一个基本挑战。现有的自动化方法主要遵循两种范式：解耦因子生成（将因子发现视为孤立事件）和迭代因子演化（专注于局部父子关系优化）。然而，这两种范式都缺乏全局结构视角，通常将因子池视为无结构集合或碎片化链条，导致搜索冗余且多样性受限。为解决这些局限性，我们提出了AlphaPROBE（通过原则性检索与图上偏置演化进行Alpha挖掘），该框架将Alpha挖掘重新定义为对有向无环图（DAG）的策略性导航。通过将因子建模为节点、演化链接建模为边，AlphaPROBE将因子池视为一个动态、互联的生态系统。该框架包含两个核心组件：一个贝叶斯因子检索器，通过后验概率模型平衡利用与探索来识别高潜力种子；以及一个DAG感知因子生成器，利用因子的完整祖先轨迹来产生上下文感知、无冗余的优化。在三个主要中国股票市场数据集上，与8个竞争基线的广泛实验表明，AlphaPROBE在预测准确性、收益稳定性和训练效率方面均取得了显著提升。我们的结果证实，利用全局演化拓扑对于高效且稳健的自动化Alpha发现至关重要。我们已在https://github.com/gta0804/AlphaPROBE开源了我们的实现。
引用
@article{arxiv.2602.11917,
title = {AlphaPROBE: Alpha Mining via Principled Retrieval and On-graph biased evolution},
author = {Taian Guo and Haiyang Shen and Junyu Luo and Binqi Chen and Hongjun Ding and Jinsheng Huang and Luchen Liu and Yun Ma and Ming Zhang},
journal= {arXiv preprint arXiv:2602.11917},
year = {2026}
}