基于图网络的量化因子自动挖掘方法 — 深度技术调研报告

调研日期: 2026-05-16 所属领域: quant + agent 报告版本: v1.0

目录

1. 第一部分：概念剖析
2. 第二部分：行业情报
3. 第三部分：方案对比
4. 第四部分：精华整合

第一部分：概念剖析

1.1 定义澄清

通行定义

基于图网络的量化因子自动挖掘是指将股票、因子等金融实体建模为图结构（节点表示股票或因子，边表示它们之间的相关性、因果关系或进化关系），利用图神经网络（GNN）、超图卷积网络（HyperGCN）等深度学习模型，从市场数据中自动发现具有预测能力的 Alpha 因子的方法论体系。其核心目标是在高噪声、低信噪比的金融数据中，通过结构化的关系建模提升因子发现的效率和鲁棒性。

常见误解

边界辨析

与传统遗传规划（GP）因子挖掘的核心区别：GP 在符号表达式空间中进行随机搜索和杂交变异，将每个因子视为独立的数学表达式；而图网络方法将因子置于关系拓扑中，利用消息传递机制让因子之间"互相学习"——因子 A 的进化路径可以指导因子 B 的生成。与LLM 因子挖掘的区别：LLM 依赖大模型的语义理解和代码生成能力，而图网络方法依赖结构化关系推理和拓扑优化，二者正在走向融合（如 AlphaSAGE 中 RGCN 作为 LLM 的编码器）。

1.2 核心架构

┌──────────────────────────────────────────────────────────┐
│              基于图网络的量化因子挖掘系统架构              │
├──────────────────────────────────────────────────────────┤
│                                                          │
│  [数据层]                                                │
│  原始行情 + 基本面 + 另类数据                             │
│      ↓                                                   │
│  [因子计算层]                                            │
│  基础因子池(Alpha158/360/101) — 作为图节点初始特征         │
│      ↓                                                   │
│  [图构建层]                        [辅助组件]             │
│  ┌─────────────────┐            ┌──────────────────┐     │
│  │ 股票-股票关系图   │            │ 贝叶斯因子检索器  │     │
│  │ 因子-因子进化图   │            │ (AlphaPROBE)      │     │
│  │ 股票-因子超图     │            │ 多样性惩罚机制     │     │
│  │ 时序因果图       │            │ AST执行沙箱       │     │
│  └───────┬─────────┘            └──────────────────┘     │
│          ↓                                                │
│  [图神经网络处理层]                                        │
│  ┌──────────────────────────────────────────────┐        │
│  │ RGCN / HyperGCN / GAT / GFlowNet 等          │        │
│  │ 消息传递 → 节点更新 → 拓扑感知编码            │        │
│  └──────────────────────┬───────────────────────┘        │
│          ↓                                                │
│  [因子生成/优化层]                                        │
│  ┌──────────────────────────────────────────────┐        │
│  │ DAG感知因子生成器 / VQ离散因子 / MCTS搜索    │        │
│  │ 从图拓扑中生成新因子表达式                     │        │
│  └──────────────────────┬───────────────────────┘        │
│          ↓                                                │
│  [评估层]                                                │
│  IC / RankIC / ICIR / 回测收益 / Sharpe / MaxDD           │
│          ↓                                                │
│  [输出层]                                                │
│  精选因子组合 + 动态权重 + 可解释性报告                    │
│                                                          │
└──────────────────────────────────────────────────────────┘

各层职责说明：

• 数据层：采集和处理行情、基本面、另类数据，为因子计算提供原始输入
• 因子计算层：计算基础因子库（如 Alpha158 的 158 个特征），作为图网络的初始节点特征
• 图构建层：根据金融先验（行业分类、相关性、时序因果等）构建多类型图结构
• 图神经网络处理层：执行消息传递和节点状态更新，提取拓扑结构中的高阶模式
• 因子生成/优化层：基于图拓扑信息生成新的因子表达式或调整因子载荷
• 评估层：使用多种量化指标对生成因子进行筛选和质量控制

1.3 数学形式化

公式 1：因子图的消息传递（以 RGCN 为例）

其中 $h_v^{(l)}$ 是节点 $v$（表示一个因子或股票）在第 $l$ 层的隐状态，$\mathcal{R}$ 是关系类型集合（如同行业、同风格、因果关系），$\mathcal{N}_r(v)$ 是关系 $r$ 下的邻居集合。该公式描述了因子如何在关系图中聚合邻域信息。这是 AlphaSAGE 中 RGCN 编码器的核心机制。

公式 2：超图因子分解模型（FactorGCL）

其中 $r_t$ 为 t 时刻的股票收益率向量，$f_t$ 为人类设计的先验因子，$g_t$ 为超图卷积网络挖掘的隐因子，$\beta_t$ 为因子载荷，$\epsilon_t$ 为个股特异性的残差收益。该公式将收益率分解为三个层次，对应"行业→风格→个股"的投资逻辑。

公式 3：信息相关系数（IC）与 ICIR

IC 衡量因子预测值与实际收益的截面相关性，ICIR 则衡量 IC 的时间序列稳定性。这是所有因子挖掘方法的核心评价指标。AlphaPROBE、FactorGCL、GRU-PFG 等均以此为主要优化目标。

公式 4：GFlowNet 的轨迹平衡损失（AlphaSAGE）

其中 $\tau$ 表示一个因子生成轨迹，$P_F$ 为前向策略（逐步构建因子表达式），$P_B$ 为后向策略，$R(\tau)$ 为因子 $\tau$ 的奖励（如 IC² 惩罚缺失率），$Z_\theta$ 为配分函数。该损失确保 GFlowNet 采样出的因子分布与奖励成正比，从而实现多样性因子发现。

公式 5：DAG 优化中的贝叶斯因子检索（AlphaPROBE）

其中 $s(v_i)$ 为因子 $v_i$ 的预测性能评分，$d(v_i)$ 为 DAG 拓扑中心性得分，$\gamma$ 控制探索-利用平衡。该公式将因子选择建模为 DAG 上的带偏随机游走。

1.4 实现逻辑（Python 伪代码）

import torch
import torch.nn as nn
import dgl  # Deep Graph Library

class GraphFactorMiningSystem(nn.Module):
    """
    基于图网络的因子自动挖掘系统核心抽象
    体现"图构建→图编码→因子生成→评估"的完整闭环
    """
    def __init__(self, config):
        super().__init__()
        # 组件A: 图构建器 — 根据金融先验构建多关系图
        self.graph_builder = FactorRelationGraphBuilder(
            relation_types=['industry', 'style', 'correlation', 'causal'],
            top_k_neighbors=config.top_k
        )
        # 组件B: 关系图编码器 — 使用RGCN提取图拓扑特征
        self.graph_encoder = RelationalGraphConvEncoder(
            num_relations=4,
            hidden_dim=config.hidden_dim,
            num_layers=config.num_layers
        )
        # 组件C: 因子生成器 — 基于图拓扑生成新因子表达式
        self.factor_generator = DAGawareFactorGenerator(
            operator_set=['add', 'sub', 'mul', 'div', 'rank', 'zscore'],
            max_expression_length=config.max_length
        )
        # 组件D: 因子评估器 — 计算IC/ICIR等指标
        self.factor_evaluator = FactorEvaluator(
            metrics=['IC', 'RankIC', 'ICIR', 'Sharpe']
        )

    def forward(self, market_data, prior_factors):
        """
        一次完整的图因子挖掘迭代
        Args:
            market_data: 市场行情数据 [T, N, F]
            prior_factors: 先验因子库 [T, N, K]
        Returns:
            新发现的因子及其性能评估
        """
        # Step 1: 构建动态股票-股票/因子-因子关系图
        graph = self.graph_builder.build(
            market_data=market_data,
            factor_values=prior_factors
        )
        # Step 2: 使用RGCN编码图拓扑 → 获取节点嵌入
        node_embeddings = self.graph_encoder(
            graph=graph,
            node_features=torch.cat([market_data[-1], prior_factors[-1]], dim=-1)
        )
        # Step 3: 基于图拓扑生成候选因子表达式
        candidate_formulas = self.factor_generator.generate(
            embeddings=node_embeddings,
            n_candidates=100,
            diversity_penalty=0.3
        )
        # Step 4: 计算候选因子并评估
        factor_values = self._compute_factors(market_data, candidate_formulas)
        evaluation_results = self.factor_evaluator.evaluate(
            factor_values=factor_values,
            forward_returns=market_data['future_return']
        )
        # Step 5: 更新DAG — 将表现优良的因子及其关系加入图中
        self.graph_builder.update_dag(
            new_factors=candidate_formulas,
            scores=evaluation_results['IC']
        )
        return evaluation_results

1.5 性能指标

1.6 扩展性与安全性

水平扩展

• GPU并行化：多个因子生成器可以在不同 GPU 上并行搜索，通过参数服务器汇总图拓扑更新
• 分布式因子评估：候选因子的 IC 计算天然可并行，使用 Ray/Dask 实现分布式评估
• 多市场协同：同一图结构可以适配不同市场（如 CSI300 → S&P500 迁移学习）

垂直扩展

• 更大图规模：RGCN 的时间复杂度为 O(|E|·d)，全市场 5000+ 股票的全连接图不可行；采用 top-k 稀疏化或 Mini-batch 采样（如 GraphSAINT）
• 更深网络：GNN 的过平滑（oversmoothing）是主要瓶颈；GATs_ts 实验显示 K>1 时性能退化，需残差连接或 JK-Net

安全考量

• 过拟合风险：金融数据信噪比极低（约 0.01），图方法必须使用严格的时序交叉验证、正则化（VQ 信息瓶颈、DropEdge）
• 前瞻偏差：图构建中容易无意引入未来信息，需严格执行"在时间 t 只能使用 t 之前的边"
• 因子衰减：图挖掘的因子在公开后 IC 会快速衰减（Alpha 衰减），需持续迭代更新
• 可解释性：图网络的"黑箱"性质在合规审查中面临挑战；FactorGCL 的可解释隐因子提取和 AlphaLogics 的市场逻辑显式化是重要应对方向

第二部分：行业情报

2.1 GitHub 热门项目

注: Stars 数据截至 2026-05-16，小型项目可能未完全统计。

2.2 关键论文

经典高影响力论文（奠基性工作，~40%）

最新 SOTA 论文（前沿进展，~60%）

2.3 系统化技术博客

2.4 技术演进时间线

2014 ── WorldQuant 发布 101 Alpha 因子公式集，奠定公式化因子挖掘基础
2017 ── 图注意力网络(GAT)提出，成为后续股票关系建模的核心架构
2020 ── Microsoft Qlib 开源，内置 GATs_ts 图神经网络模型
2021 ── HIST 模型提出级联残差概念注意力，影响后续因子图模型方向
2022 ── 深度多因子模型(NeurIPS Workshop)首次在图注意框架中实现可解释因子提取
2023 ── Alpha-GPT 将LLM引入因子挖掘，开创Human-AI交互范式
2024 ── GRU-PFG 证明纯因子数据+GNN可超越HIST(IC 0.134 vs 0.131)
2025 ─┬─ AAAI 2025: FactorGCL(超图+对比学习)和AlphaForge(生成-预测网络)同期发表
      ├─ AlphaSAGE(RGCN+GFlowNet)被ICLR 2026接收
      ├─ QuantFactor REINFORCE 被IEEE TSP接收，RL方法理论突破
      └─ LLM驱动因子挖掘爆发：CogAlpha、AlphaLogics、FactorEngine等集中涌现
2026 ─┬─ AAAI 2026: "Navigating the Alpha Jungle"(LLM+MCTS)
      ├─ IJCAI-ECAI 2026: PRISM-VQ(向量量化离散因子)
      ├─ ICLR 2026: AlphaSAGE海报展示
      ├─ AlphaPROBE (DAG结构化因子进化) 开源
      ├─ Hubble (100%安全合规的LLM因子发现框架) 发布
      └─ 当前状态：图网络+LLM+RL三大范式加速融合，因子挖掘进入"结构感知+生成式探索"时代

第三部分：方案对比

3.1 历史发展时间线

2014-2018 ── 遗传规划(GP)时代：WorldQuant式因子搜索，符号表达式随机变异杂交
                局限：搜索效率低，缺乏对因子间关系的利用
2019-2021 ── 图神经网络引入：GATs_ts(Qlib)、HIST等模型首次将股票关系建模为图
                突破：从孤立因子搜索转向关系拓扑感知
2022-2023 ── 强化学习+图：将因子生成建模为序列决策过程(PPO/A2C)
                局限：PPO高方差，探索效率低
2024-2025 ── 多元化爆发：超图(FactorGCL)、GFlowNet(AlphaSAGE)、LLM+GP(CogAlpha)
                特点：从单一方法到混合架构，从个体搜索到生态建模
2026 ────── 融合时代：DAG因子进化(AlphaPROBE)、MCTS+LLM(Alpha Jungle)、
                安全合规(Hubble)、离散因子(PRISM-VQ)
                当前状态：图结构关系建模已是标配，竞争焦点转向"如何高效探索+保持多样性+确保合规"

3.2 六种方案横向对比

方案概述

六方案优缺点详细对比

3.3 技术细节对比

3.4 选型建议

第四部分：精华整合

4.1 The One 公式

解读：该领域的本质是"用图结构对抗噪声，用生成多样性覆盖衰减"。GNN 提供拓扑正则化，让模型在噪声中捕捉真实信号；生成式探索（GFlowNet/DAG/LLM）确保因子池多样，以应对有效因子的快速衰减。二者缺一不可，而"金融噪声"则是整个领域存在的根本原因——如果金融数据信噪比高，传统统计方法就已足够。

4.2 一句话解释

"把股票和因子之间的关系画成一张大网，让网络自己从这张网中发现新的投资信号——就像通过社交网络发现谁才是真正有影响力的人一样，只不过这里发现的是能预测股价涨跌的数学公式。"

4.3 核心架构图

行情数据 + 基础因子
    │
    ▼
┌──────────────┐     ┌───────────────┐
│   图构建器    │────▶│   股票-因子图   │
│ (行业/相关/因果)│    │ (节点+边+超边)  │
└──────────────┘     └───────┬───────┘
                            │
                            ▼
                    ┌───────────────┐
                    │  GNN 编码器    │
                    │ (RGCN/HyperGCN)│
                    └───────┬───────┘
                            │
            ┌───────────────┼───────────────┐
            │               │               │
            ▼               ▼               ▼
    ┌──────────────┐ ┌──────────────┐ ┌──────────────┐
    │ 因子生成器    │ │ 评估系统      │ │ 因子组合     │
    │(GFlowNet/DAG) │ │(IC/ICIR/Sharp)│ │(MoE动态权重) │
    └──────────────┘ └──────────────┘ └──────────────┘
            │               │               │
            └───────────────┼───────────────┘
                            │
                            ▼
                    ┌───────────────┐
                    │  精选因子池    │
                    │ (5-20个Alpha) │
                    └───────────────┘

4.4 STAR 总结

Situation（背景+痛点）

量化投资行业面临"因子荒漠化"困境——传统手工定义的 Alpha 因子（动量、价值、质量等）IC 持续衰减，全球主要市场的因子溢价日益拥挤。A 股市场尤其严峻：WorldQuant 101 因子库中超过 60% 的因子在近三年 IC 显著下降。与此同时，金融数据维度爆炸式增长（Tick 级行情、舆情、供应链数据），传统线性模型和多因子回归无法有效利用高维、非线性、结构化的数据关系。行业迫切需要一种能自动、高效、多样化地发现新因子的方法体系。

Task（核心问题）

核心问题在于：如何在极低信噪比（<0.05）的金融数据中，从巨大的候选因子空间（理论上有 10^30+ 种可能的数学表达式组合）中，高效定位少量真正具有预测能力（IC > 0.05）、经济可解释、且与其他已知因子低相关的 Alpha 信号？约束条件包括：①避免过拟合（金融数据的时间依赖性校验）；②实现因子多样性（防止同质化衰减）；③保证计算效率（数万候选的快速筛选）；④确保合规可解释（监管要求）。

Action（主流方案）

技术演进经历了四个关键阶段：第一阶段（2014-2019）以遗传规划（GP）为主，WorldQuant 式符号搜索，但搜索效率和多样性受限；第二阶段（2020-2023）图神经网络引入量化选股，Qlib/GATs_ts/HIST 等模型将股票关系建模为图结构，实现"从孤立搜索到拓扑感知"的跃升，IC 从 0.05-0.08 提升至 0.10-0.13；第三阶段（2024-2025）超图卷积（FactorGCL，IC 12.46%）、GFlowNet（AlphaSAGE，ICLR 2026）、生成-预测网络（AlphaForge，AAAI 2025）等多条路线并行突破；第四阶段（2026）进入加速融合期——DAG 因子进化（AlphaPROBE）、LLM+MCTS（AAAI 2026）、向量量化离散因子（PRISM-VQ，IJCAI 2026）等方法各展所长，图结构建模已从"可选项"变为"必选项"。

Result（效果+建议）

当前图网络因子挖掘的 IC 上限已达 0.12-0.15，年化超额收益超 30%，显著超越传统 GP（IC 0.05-0.08）和简单 MLP/GBDT（IC 0.08-0.10）。但局限仍然明显：①计算成本高（多 GPU + LLM API 可达数万美元/月）；②因子衰减周期短（优越因子 3-6 个月需迭代）；③跨市场迁移仍存在"市场风格漂移"挑战。操作建议：小型团队优先使用 Qlib GATs_ts + AlphaPROBE 组合，兼顾性能和成本；大型机构应布局 LLM + 图 + RL 混合架构（QuantaAlpha + Hubble），建立全自动因子工厂，配合 AST 沙箱确保合规安全。

4.5 理解确认问题

问题：假设你使用 DAG 进化框架（如 AlphaPROBE）挖到了一个 IC 高达 0.18 的因子，但在样本外仅有 IC 0.02。请分析最可能的三个原因，并说明你会在 DAG 的哪一层/环节进行修复。

参考答案：

1. 过拟合（最可能）：DAG 的贝叶斯检索器过度利用了样本内的噪声模式。修复方向：在贝叶斯因子检索公式中增加图拓扑正则化项，降低高中心性但低样本外表现的因子的权重。
2. 因子同质化：生成的"新"因子实质是 DAG 中多个高绩效因子的线性组合，样本外多重共线性导致 IC 崩溃。修复方向：在 DAG 感知因子生成器中增强多样性惩罚（如树编辑距离约束），或引入 GFlowNet 式的奖励比例采样替代贪心选择。
3. 数据泄露：图构建时无意识地混入了未来信息（如使用未来收益计算股票相关性矩阵）。修复方向：在图构建层严格执行时间对齐——在每个时间切面 t，只使用 t-1 及之前的数据构建图结构，并使用时序交叉验证而非随机交叉验证进行评估。

附录：核心参考文献

1. Guo et al., "AlphaPROBE: Alpha Mining via Principled Retrieval and On-graph Biased Evolution", arXiv:2602.11917, 2026.
2. Chen et al., "AlphaSAGE: Structure-Aware Alpha Mining via GFlowNets for Robust Exploration", ICLR 2026.
3. Duan, Wang & Li, "FactorGCL: A Hypergraph-Based Factor Model with Temporal Residual Contrastive Learning", AAAI 2025.
4. Han et al., "QuantaAlpha: An Evolutionary Framework for LLM-Driven Alpha Mining", arXiv:2602.07085, 2026.
5. Shi et al., "Hubble: An LLM-Driven Agentic Framework for Safe and Diverse Alpha Factor Discovery", arXiv:2604.09601, 2026.
6. Shi, Duan & Li, "Navigating the Alpha Jungle: An LLM-Powered MCTS Framework for Formulaic Alpha Factor Mining", AAAI 2026.
7. Kim & Song, "PRISM-VQ: Vector-Quantized Discrete Latent Factors Meet Financial Priors", IJCAI-ECAI 2026.
8. Zhuang et al., "GRU-PFG: Extract Inter-Stock Correlation from Stock Factors with GNN", arXiv:2411.18997, 2024.
9. Shi et al., "AlphaForge: A Framework to Mine and Dynamically Combine Formulaic Alpha Factors", AAAI 2025.
10. Zhao et al., "QuantFactor REINFORCE: Mining Steady Formulaic Alpha Factors with Variance-bounded REINFORCE", IEEE TSP, 2025.

声明：本报告基于 2026-05-16 可公开获取的信息编制。GitHub Stars 数据为动态值，论文引用信息以最新版本为准。选型建议仅供参考，实际部署需结合机构具体情况。