Jun, 2024

AlphaForge：一个挖掘和动态组合公式化 Alpha 因子的框架

PDF
TL;DR本研究提出了一种基于两阶段的公式化 α 因子生成框架 AlphaForge，用于 α 因子挖掘和因子组合。该框架利用生成性 - 预测性神经网络生成因子，并结合因子的时间性能进行选择和动态调整权重，实现了在量化投资领域中超越现有基准的效果。
alpha factor miningfinancial datagenetic programmingreinforcement learningneural network
发现论文，激发创造
  • 通过增强学习生成协同配方式 Alpha 集合

    本文提出了一种新的 alpha 挖掘框架，这个框架优先挖掘协同集的 alphas，并利用强化学习来探索公式 alphas 的广阔领域，实验表明这个框架的有效性和效率。

    May, 2023

  • 基于强化学习的量化交易协同式公式化 Alpha 生成

    通过扩展搜索空间和利用预训练的公式化 Alpha 集作为初始种子值以生成协同公式化 Alpha，本文提出了一种增强现有 Alpha 因子挖掘方法的方法，并以强化学习作为高效发现股票市场量化交易中已知指标（称为 Alpha 因子）的过程。我们使用信息系数（IC）和排名信息系数（Rank IC）作为模型的性能评估指标。通过使用 CSI300 市场数据进行实际投资模拟，我们观察到与现有技术相比的显著性能改善。

    Jan, 2024

  • AlphaFin: 用检索增强的股票链框架进行金融分析基准测试

    通过 AlphaFin 数据集和 Stock-Chain 方法，有效地解决了金融分析中的挑战，提供了可解释性的股票趋势预测和金融问答的综合框架。

    Mar, 2024

  • Alpha²：基于深度强化学习发现逻辑公式式 Alpha

    我们提出了一种使用深度强化学习进行 alpha 发现的新框架，通过将 alpha 发现过程形式化为程序构建。我们的代理人引导的搜索算法根据潜在 alpha 结果的价值估计在搜索空间中导航。我们的实证实验表明，我们的方法能够识别出一组多样化、逻辑正确且有效的 alpha，显著提高了最终交易策略的性能。

    Jun, 2024

  • 神经网络训练的自适应多重最优学习因子

    本文介绍了一种新颖的神经网络训练方法，通过动态地调整学习因子的数量来解决确定最佳学习因子数量的挑战，从而提高训练效率和准确性。该方法还引入了基于目标函数曲率的权重分组技术和大型 Hessian 矩阵的压缩技术。实验结果表明，与 OWO-MOLF 和 Levenberg-Marquardt 等现有方法相比，AMOLF 具有更优越的性能。

    Jun, 2024

  • 基于先验知识的 Alpha 发现神经网络

    本文提出了 Alpha Discovery Neural Network (ADNN) 用于自动构建多样化的金融技术指标。与已有的遗传编程方法不同，该方法采用预训练和模型修剪等方法构建特征，取得了比遗传编程更好的实验结果。

    Dec, 2019

  • 深度学习在资产管理中的因子择时应用

    该论文研究了回归模型（OLS 线性回归、Ridge 回归、随机森林和全连接神经网络）在 CMA（保守与激进）因子溢价预测和因子择时投资方面的表现。外样本 R 方显示更灵活的模型在解释未知时期因子溢价的方差方面具有更好的性能，回测证实基于更灵活模型的因子择时倾向于超过线性模型。然而，对于神经网络等灵活模型，其预测基于的最优权重往往不稳定，这可能导致高交易成本和市场影响。我们验证了根据历史最优再平衡方案将再平衡频率降低可以有助于减少交易成本。

    Apr, 2024

  • 自适应分解网络：学习自适应阶特征交互

    本文提出了自适应分解网络（AFN），通过对数转换层转换特征组合中每个特征的权值，从而适应性地学习数据的任意阶交叉特征，与现有方法相比，该方法表现出更优的预测性能。

    Sep, 2019

  • E2EAI：用于主动投资的端到端深度学习框架

    本研究首次提出了一种覆盖因子选择、因子组合、股票选择和投资组合构建等环节的端到端深度学习框架，通过实验证明，这种框架在积极投资中具有有效性。

    May, 2023

  • Alpha Zero 物理：使用 Alpha Zero 进行符号回归以找到物理学中的分析方法

    使用符号回归及 Alpha Zero 算法的物理分析方法研究框架，展示了其在 Floquet 系统中获得高频扩展的潜力，可能发展出物理学的新理论框架。

    Nov, 2023