[論文レビュー] AutoAlpha: an Efficient Hierarchical Evolutionary Algorithm for Mining Alpha Factors in Quantitative Investment

Tianping Zhang, Yuanqi Li+2 more|arXiv (Cornell University)|Feb 8, 2020

Stock Market Forecasting Methods被引用数 11

ひとこと要約

AutoAlpha は、PCA に基づく品質多様性アプローチ、ウォームスタート、リプレース戦略を用いて、大規模な株式データセットから多様で高パフォーマンスな数式的アルファ要因を自動で抽出する階層的進化的アルゴリズムである。中国A株市場におけるバックテストにおいて、3.39 のシャープレシオ（h=1 時）を達成し、ベースラインを上回る優れたリスク調整後リターンを実現した。

ABSTRACT

The multi-factor model is a widely used model in quantitative investment. The success of a multi-factor model is largely determined by the effectiveness of the alpha factors used in the model. This paper proposes a new evolutionary algorithm called AutoAlpha to automatically generate effective formulaic alphas from massive stock datasets. Specifically, first we discover an inherent pattern of the formulaic alphas and propose a hierarchical structure to quickly locate the promising part of space for search. Then we propose a new Quality Diversity search based on the Principal Component Analysis (PCA-QD) to guide the search away from the well-explored space for more desirable results. Next, we utilize the warm start method and the replacement method to prevent the premature convergence problem. Based on the formulaic alphas we discover, we propose an ensemble learning-to-rank model for generating the portfolio. The backtests in the Chinese stock market and the comparisons with several baselines further demonstrate the effectiveness of AutoAlpha in mining formulaic alphas for quantitative trading.

研究の動機と目的

• 定量的投資における有効なアルファ要因を手作業で設計する課題に対処すること。これは時間と専門知識を要する。
• 進化的計算を用いて、大規模な株式データから多様で高パフォーマンスな数式的アルファ要因を自動で発見すること。
• 従来の遺伝的アルゴリズムの限界、例えば収束が遅いことや早期収束することを、アルファ要因抽出の文脈で克服すること。
• 中小企業や個人投資家が競争力のあるアルファ戦略を生成できるスケーラブルで効率的なフレームワークを開発すること。

提案手法

• 数式的アルファに内在するパターンに基づく階層的探索構造を提案し、膨大な探索空間の中で有望な領域を素早く特定する。
• 探索が既にカバーした領域を避けるために、主成分分析（PCA）に基づく品質多様性（PCA-QD）を導入し、多様性とパフォーマンスの両方を向上させる。
• 初期集団を高品質な解で初期化するウォームスタート法を採用し、収束を加速する。
• ステディステート遺伝的アルゴリズムにインspiredされた親子置換戦略を用いて、集団の多様性を維持し、早期収束を防ぐ。
• 上位パフォーマンスを示すアルファを統合するためのアンサンブル学習-ランキングモデルを適用し、最終的なポートフォリオ戦略を構築する。
• CSI 800指数を対象に、層別バックテストとベースラインとの比較を通じて、手法の有効性を検証した。

実験結果

リサーチクエスチョン

• RQ1 全探索を避けながら、数式的アルファ要因の膨大な探索空間において、どのようにして有望な領域を効率的に特定できるか？
• RQ2 進化的探索が、同じ局所最適解に収束することを避けて、多様で高パフォーマンスなアルファを発見するにはどのようなメカニズムが必要か？
• RQ3 金融時系列データからアルファ要因を抽出する際、遺伝的アルゴリズムにおける早期収束をどのように回避できるか？
• RQ4 自動化された進化的アプローチが、人為的に設計された手法やベースライン手法に比べて、どれほど優れた収益性のあるアルファ要因を生成できるか？
• RQ5 階層的で品質多様性を重視する進化的フレームワークは、異なる市場環境下でも一貫して多様で情報係数の高いアルファを生成できるか？

主な発見

• AutoAlpha は、保有期間 h=1 の場合、90.0% の年間リターン（市場比）と 3.39 のシャープレシオを達成し、市場とベースラインを著しく上回った。
• 本手法は、平均情報係数（IC）が 0.078 の 50 種類の多様な数式的アルファを生成し、強い予測力の閾値である 0.05 を上回った。
• バックテストにおいて、AutoAlpha の戦略は、h=1 時に市場指数（S&P 500 に類似）と比較して相対リターンで 98.2% 、h=5 時に 34.0% の優位性を示した。
• PCA-QD 構成要素は、未探索で高パフォーマンスな領域に探索を誘導し、相関が低い多様なアルファの発見に貢献した。
• ウォームスタートおよび親子置換法は、早期収束を効果的に抑制し、集団の多様性とパフォーマンスの安定性を維持した。
• AutoAlpha の出力をもとに構築したアンサンブル学習-ランキングモデルは、複数の保有期間で優れた性能を示し、強固さとスケーラビリティを実証した。