RiskMiner：通过风险寻求蒙特卡洛树搜索发现公式化阿尔法因子
计算金融
2024-03-01 v2
摘要
公式化阿尔法因子是将原始股票数据转化为指示信号的数学公式。在业界，一组公式化阿尔法因子被组合起来以提高建模精度。现有的阿尔法挖掘仅使用神经网络智能体，无法利用解空间的结构信息。此外，它们没有考虑因子集合中阿尔法因子之间的相关性，这限制了协同性能。为了解决这些问题，我们提出了一种新颖的阿尔法挖掘框架，该框架将阿尔法挖掘问题形式化为一个奖励密集的马尔可夫决策过程（MDP），并通过寻求风险的蒙特卡洛树搜索（MCTS）来解决该 MDP。基于 MCTS 的智能体充分利用了离散解空间的结构信息，而寻求风险的策略则明确优化了最佳情况下的性能，而非平均结果。我们进行了全面的实验来证明我们框架的效率。我们的方法在两个真实世界股票集上，在各种指标下都优于所有最先进的基准。回测实验表明，我们的阿尔法因子在现实的交易设置下取得了最盈利的结果。
关键词
引用
@article{arxiv.2402.07080,
title = {RiskMiner: Discovering Formulaic Alphas via Risk Seeking Monte Carlo Tree Search},
author = {Tao Ren and Ruihan Zhou and Jinyang Jiang and Jiafeng Liang and Qinghao Wang and Yijie Peng},
journal= {arXiv preprint arXiv:2402.07080},
year = {2024}
}