Synergistic Formulaic Alpha Generation for Quantitative Trading based on Reinforcement Learning

这段摘要讲述了挖掘公式化的Alpha因子的过程，这些因子是股票市场量化交易中的特定因子或指标。为了在广阔的搜索空间中高效地发现Alpha因子，通常采用强化学习（RL）。本文提出了一种方法，通过扩展搜索空间并利用预训练的公式化Alpha集作为初始种子值来生成协同的公式化Alpha，从而增强现有的Alpha因子挖掘方法。我们采用信息系数（IC）和排名信息系数（Rank IC）作为模型的性能评估指标。利用CSI300市场数据，我们进行了实际的投资模拟，并观察到与现有技术相比显著的性能改进。

提出了一种增强现有alpha因子挖掘方法的方案，以在股票市场中生成协同作用的公式化alpha因子。

利用强化学习和预训练的alpha因子集扩展搜索空间，生成更多的alpha因子。

使用信息系数（IC）和排名信息系数（Rank IC）作为性能评估指标，并在CSI300市场数据上进行了实时投资模拟，与现有技术相比观察到了显著的性能提高。

在alpha因子挖掘方面，还有一些相关的研究，如《A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem》和《A Survey on Alpha Signal Research in Finance》。