FactorBench：面向投资组合的自动化因子挖掘基准

arXiv:2610.06947v1 公告类型：交叉收录 摘要：因子挖掘旨在从金融数据中发现能够预测未来资产收益并指导投资组合构建的信号。如今，自动化因子挖掘已涵盖遗传编程、强化学习、生成模型和大语言模型智能体。然而，这些范式的进展能否产生泛化能力更强、差异性更大且更具经济价值的金融信号，仍不明确。我们提出 FactorBench，这是一个面向投资组合的基准，用于比较九种自动化挖掘方法在五个股票市场中挖掘出的约五千个因子。统一的数据与评估规范同时支持符号表达式和可执行的 Python 因子，将异构发现算法接入通用的信号组合与投资组合构建流程。FactorBench 从三个层面追踪挖掘系统的输出：因子有效性、时间泛化能力，以及超出已测量风险与风格暴露所能解释范围的预测能力；同一方法内部及不同方法之间的因子池差异性，包括与基准 Alpha101 的相似度；以及复合信号质量和扣除成本后的纯多头及多空投资组合表现。在系统评估因子挖掘的进展能否转化为信号质量与投资组合表现的提升后，FactorBench 发现，没有任何一种范式始终占据优势。