論文の概要: AlphaPROBE: Alpha Mining via Principled Retrieval and On-graph biased evolution

• arxiv url: http://arxiv.org/abs/2602.11917v1
• Date: Thu, 12 Feb 2026 13:14:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.826095
• Title: AlphaPROBE: Alpha Mining via Principled Retrieval and On-graph biased evolution
• Title（参考訳）: AlphaPROBE: 原則的検索とオングラフバイアスによるアルファマイニング
• Authors: Taian Guo, Haiyang Shen, Junyu Luo, Binqi Chen, Hongjun Ding, Jinsheng Huang, Luchen Liu, Yun Ma, Ming Zhang,
• Abstract要約: DAG(Directed Acyclic Graph)の戦略的ナビゲーションとしてアルファマイニングを再構成するフレームワークであるAlphaPROBEを紹介する。 要素をノードとして、進化リンクをエッジとしてモデル化することで、AlphaPROBEはファクタプールを動的に相互接続されたエコシステムとして扱う。 その結果,グローバルな進化的トポロジを活用することは,効率的かつ堅牢な自動アルファ発見に不可欠であることが確認された。
• 参考スコア（独自算出の注目度）: 11.490182876149062
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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.
• Abstract（参考訳）: アルファ・ファクター・マイニングによる信号の抽出は、量的金融の基本的な課題である。 既存の自動手法は主に2つのパラダイムに従う: 因子発見を独立したイベントとして扱う分離因子生成と、局所的な親子改良に焦点を当てた反復因子進化である。 しかし、両方のパラダイムはグローバルな構造的視点を欠き、しばしば要素プールを非構造的コレクションや断片的連鎖として扱い、冗長な探索と限定的な多様性をもたらす。 これらの制限に対処するため、我々はAlphaPROBE (Alpha Mining via Principled Retrieval and On-graph Biased Evolution)を導入した。 要素をノードとして、進化リンクをエッジとしてモデル化することで、AlphaPROBEはファクタプールを動的に相互接続されたエコシステムとして扱う。 このフレームワークは、2つのコアコンポーネントで構成されている。ベイズ因子検索装置は、後続確率モデルによる利用と探索のバランスをとることで、高ポテンシャル種子を識別する。 競争力のある8つのベースラインに対する3つの中国株式市場データセットの大規模な実験により、AlphaPROBEは予測精度、リターン安定性、トレーニング効率が大幅に向上することが示された。 その結果,グローバルな進化的トポロジを活用することは,効率的かつ堅牢な自動アルファ発見に不可欠であることが確認された。 我々は実装をhttps://github.com/gta0804/AlphaPROBE.comでオープンソース化しました。

関連論文リスト

• Alpha-R1: Alpha Screening with LLM Reasoning via Reinforcement Learning [28.326583684637853]
  信号の崩壊と政権交代は、非定常市場におけるデータ駆動型投資戦略に繰り返し挑戦する。 既存の因子ベースの手法は、アルファを数値時系列に還元し、ある因子が経済的に関係しているかどうかを決定する意味論的論理を見渡すのが一般的である。 文脈認識型アルファスクリーニングのための強化学習により訓練された8Bパラメータ推論モデルであるAlpha-R1を提案する。
  論文  参考訳（メタデータ） (2025-12-29T14:50:23Z)
• ThetaEvolve: Test-time Learning on Open Problems [110.5756538358217]
  In-context LearningとReinforcement Learning(RL)の両方をテスト時に効率的にスケールするために、AlphaEvolveを単純化し拡張するオープンソースのフレームワークであるThetaEvolveを紹介します。 テスト時にRLを使用するThetaEvolveは、推論のみのベースラインよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-11-28T18:58:14Z)
• Cognitive Alpha Mining via LLM-Driven Code-Based Evolution [29.71597480304934]
  我々は,コードレベルのアルファ表現とLLMによる推論と進化的探索を組み合わせた認知的アルファマイニングフレームワーク(CogAlpha)を紹介する。 LLMを適応認知エージェントとして扱うことで、我々のフレームワークは、プロンプトや金銭的フィードバックを通じて、アルファ候補を反復的に洗練し、変異し、再結合します。 A-共有平衡の実験は、CogAlphaが既存の方法よりも優れた予測精度、堅牢性、一般化を持つアルファを一貫して発見することを示した。
  論文  参考訳（メタデータ） (2025-11-24T07:45:59Z)
• Bidirectional Representations Augmented Autoregressive Biological Sequence Generation:Application in De Novo Peptide Sequencing [51.12821379640881]
  自己回帰(AR)モデルは、全体的な双方向表現を提供するが、生成的コヒーレンスとスケーラビリティに関する課題に直面している。 非自己回帰機構からリッチなコンテキスト情報を動的に統合することにより、AR生成を向上するハイブリッドフレームワークを提案する。 新しいクロスデコーダアテンションモジュールにより、ARデコーダは、これらの双方向機能を反復的にクエリし、統合することができる。
  論文  参考訳（メタデータ） (2025-10-09T12:52:55Z)
• AlphaEval: A Comprehensive and Efficient Evaluation Framework for Formula Alpha Mining [6.167227740097627]
  金融データから予測信号を生成するフォーミュラアルファマイニングは、量的投資に不可欠である。 既存の評価指標には、主にバックテストと相関ベースの測定が含まれている。 自動アルファマイニングモデルのための統一的で並列化可能なバックテストフリー評価フレームワークであるAlphaEvalを提案する。
  論文  参考訳（メタデータ） (2025-08-10T11:19:24Z)
• Navigating the Alpha Jungle: An LLM-Powered MCTS Framework for Formulaic Factor Mining [8.53606484300001]
  本稿では,大規模言語モデル (LLM) とモンテカルロ木探索 (MCTS) を統合する新しいフレームワークを提案する。 重要な革新は、MCTS探究のガイダンスであり、各候補因子の金銭的バックテストから、豊かで定量的なフィードバックによってである。 実世界の株式市場データによる実験結果から, LLMをベースとしたフレームワークは, 予測精度と取引性能に優れたアルファをマイニングすることにより, 既存手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-05-16T11:14:17Z)
• Regulatory DNA sequence Design with Reinforcement Learning [56.20290878358356]
  本稿では,強化学習を利用して事前学習した自己回帰モデルを微調整する生成手法を提案する。 2つの酵母培地条件下でのプロモーター設計タスクの評価と,3種類のヒト細胞に対するエンハンサー設計タスクの評価を行った。
  論文  参考訳（メタデータ） (2025-03-11T02:33:33Z)
• AlphaForge: A Framework to Mine and Dynamically Combine Formulaic Alpha Factors [14.80394452270726]
  本稿では,アルファ因子マイニングと因子組み合わせのための2段階のアルファ生成フレームワークAlphaForgeを提案する。 実世界のデータセットを用いて行った実験により,我々の提案したモデルは,定式的アルファファクターマイニングにおいて,同時代のベンチマークより優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-26T14:34:37Z)
• AutoBERT-Zero: Evolving BERT Backbone from Scratch [94.89102524181986]
  そこで本稿では,提案するハイブリッドバックボーンアーキテクチャを自動検索するOP-NASアルゴリズムを提案する。 提案するOP-NASの効率を向上させるために,探索アルゴリズムと候補モデルの評価を最適化する。 実験の結果、検索されたアーキテクチャ(AutoBERT-Zero)は、様々な下流タスクにおいてBERTとそのバリエーションの異なるモデル容量を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-07-15T16:46:01Z)
• X-volution: On the unification of convolution and self-attention [52.80459687846842]
  本稿では,畳み込み操作と自己注意操作の両方からなるマルチブランチ基本モジュールを提案する。 提案したX-進化は、非常に競争力のある視覚的理解の改善を実現する。
  論文  参考訳（メタデータ） (2021-06-04T04:32:02Z)
• Phase Retrieval using Expectation Consistent Signal Recovery Algorithm based on Hypernetwork [73.94896986868146]
  位相検索は現代の計算イメージングシステムにおいて重要な要素である。 近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。 我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2021-01-12T08:36:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。