AlphaPROBE: 원칙적 검색과 그래프 기반 편향 진화를 통한 알파 마이닝

AlphaPROBE: Alpha Mining via Principled Retrieval and On-graph biased evolution

알파 팩터 마이닝을 통한 신호 추출은 퀀트 금융의 근본적인 과제입니다. 기존의 자동화된 방법론들은 주로 두 가지 패러다임을 따릅니다. 팩터 발견을 고립된 사건으로 취급하는 '분리된 팩터 생성(Decoupled Factor Generation)'과 국소적인 부모-자식 관계의 개선에 초점을 맞춘 '반복적 팩터 진화(Iterative Factor Evolution)'가 그것입니다. 그러나 두 패러다임 모두 전역적인 구조적 관점이 결여되어 있어, 종종 팩터 풀을 비구조화된 집합이나 파편화된 사슬로 취급하며, 이는 중복된 탐색과 제한된 다양성으로 이어집니다. 이러한 한계를 해결하기 위해, 우리는 알파 마이닝을 방향성 비순환 그래프(DAG) 상의 전략적 탐색으로 재정의하는 프레임워크인 AlphaPROBE(원칙적 검색과 그래프 기반 편향 진화를 통한 알파 마이닝)를 소개합니다. 팩터를 노드로, 진화적 연결을 엣지로 모델링함으로써, AlphaPROBE는 팩터 풀을 동적이고 상호 연결된 생태계로 취급합니다. 이 프레임워크는 두 가지 핵심 구성 요소로 이루어져 있습니다. 사후 확률 모델을 통해 활용(exploitation)과 탐색(exploration)의 균형을 맞춰 잠재력이 높은 시드를 식별하는 '베이지안 팩터 검색기'와, 팩터의 전체 조상 계보를 활용하여 문맥을 인식하고 중복되지 않는 최적화를 수행하는 'DAG 인식 팩터 생성기'입니다. 3개의 주요 중국 주식 시장 데이터셋에서 8개의 경쟁 베이스라인 모델과 비교한 광범위한 실험 결과, AlphaPROBE는 예측 정확도, 수익 안정성 및 훈련 효율성 측면에서 성능이 크게 향상되었음을 입증했습니다. 우리의 결과는 효율적이고 견고한 자동화된 알파 발굴을 위해서는 전역적인 진화 위상(topology)을 활용하는 것이 필수적임을 확인시켜 줍니다. 구현 코드는 https://github.com/gta0804/AlphaPROBE 에 오픈 소스로 공개되어 있습니다.

Extracting signals through alpha factor mining is a fundamental challenge in quantitative finance. Existing automated methods primarily follow two paradigms: Decoupled Factor Generation, which treats factor discovery as isolated events, and Iterative Factor Evolution, which focuses on local parent-child refinements. However, both paradigms lack a global structural view, often treating factor pools as unstructured collections or fragmented chains, which leads to redundant search and limited diversity. To address these limitations, we introduce AlphaPROBE (Alpha Mining via Principled Retrieval and On-graph Biased Evolution), a framework that reframes alpha mining as the strategic navigation of a Directed Acyclic Graph (DAG). By modeling factors as nodes and evolutionary links as edges, AlphaPROBE treats the factor pool as a dynamic, interconnected ecosystem. The framework consists of two core components: a Bayesian Factor Retriever that identifies high-potential seeds by balancing exploitation and exploration through a posterior probability model, and a DAG-aware Factor Generator that leverages the full ancestral trace of factors to produce context-aware, nonredundant optimizations. Extensive experiments on three major Chinese stock market datasets against 8 competitive baselines demonstrate that AlphaPROBE significantly gains enhanced performance in predictive accuracy, return stability and training efficiency. Our results confirm that leveraging global evolutionary topology is essential for efficient and robust automated alpha discovery. We have open-sourced our implementation at https://github.com/gta0804/AlphaPROBE.