一个在量化投资中发现新阿尔法的学习框架
Alpha 是股票预测模型，可生成买入或卖出股票的触发器。在这个领域，现有的人工智能方法超越了人类创造的阿尔法。当前的方法仅利用短期特征或非常复杂。
一篇新的研究论文提出了一类新的阿尔法，它结合了现有阿尔法的优点。它们具有简单性和泛化能力，可以使用长期特征。
此外，还提出了一种新颖的 alpha 挖掘框架。它使用进化算法，其中迭代更新种群以生成更好的 alpha。提出了一种修剪冗余阿尔法的优化技术来加速阿尔法挖掘。该方法成功地生成了具有弱相关高回报的 alpha。一项使用纳斯达克股票价格数据的实验研究表明，该模型为投资者提供了一种低风险高回报投资的自动解决方案。
Alpha 是捕捉股票市场交易信号的股票预测模型。一组有效的阿尔法可以产生弱相关的高回报以分散风险。现有的 alpha 可以分为两类： 公式 alpha 是标量特征的简单代数表达式，因此可以很好地泛化并被挖掘为弱相关集。机器学习 alpha 是基于向量和矩阵特征的数据驱动模型。它们比公式 alpha 更具预测性，但太复杂而无法挖掘到弱相关集。在本文中，我们引入了一类新的 alpha 来对标量、向量和矩阵特征进行建模，这些特征具有这两个现有类的优点。新的 alpha 以高精度预测回报，并且可以挖掘到弱相关集。此外，我们提出了一种基于 AutoML 的新型 alpha 挖掘框架，称为 AlphaEvolve，以生成新的 alpha。为此，我们首先提出了用于生成新 alpha 并有选择地注入关系领域知识来建模股票之间关系的运算符。然后，我们通过提出一种冗余 alpha 修剪技术来加速 alpha 挖掘。实验表明，AlphaEvolve 可以将初始 alpha 演化为具有高回报和弱相关性的新 alpha。
标签：