RiskMiner: Entdeckung formelbasierter Alphas durch risikosuchende Monte Carlo Baum-Suche

Die formelbasierenden Alphas sind mathematische Formeln, die Rohaktiendaten in indikierte Signale umwandeln. In der Branche wird eine Sammlung von formelbasierenden Alphas kombiniert, um die Modellierungsgenauigkeit zu verbessern. Bestehendes Alpha-Mining verwendet nur den neuronalen Netzwerk-Agenten, der nicht in der Lage ist, die strukturellen Informationen des Lösungsraums zu nutzen. Darüber hinaus wurde die Korrelation zwischen den Alphas in der Sammlung nicht berücksichtigt, was die synergistische Leistung einschränkt. Um diese Probleme zu lösen, schlagen wir ein neuartiges Alpha-Mining-Rahmenwerk vor, das die Alpha-Mining-Probleme als belohnungsdichten Markov-Entscheidungsprozess (MDP) formuliert und das MDP durch die risikosuchende Monte Carlo Baum-Suche (MCTS) löst. Der MCTS-basierte Agent nutzt die strukturellen Informationen des diskreten Lösungsraums voll aus, und die risikosuchende Politik optimiert ausdrücklich die Bestfallleistung anstelle von Durchschnittsergebnissen. Umfassende Experimente werden durchgeführt, um die Effizienz unseres Rahmens zu demonstrieren. Unsere Methode übertrifft alle aktuellen Benchmarks auf zwei realen Aktien-Sets unter verschiedenen Metriken. Backtesting-Experimente zeigen, dass unsere Alphas unter realistischen Handelsbedingungen die profitabelsten Ergebnisse erzielen.