AlphaGPT Improved
离线研究工具 · 合成数据演示
从合法公式生成到隔离盲测，把符号 Alpha 研究做成可检查的离线流程。基于 AlphaGPT 改造数据处理、公式约束和含成本评估。
一个公式的表现，有多少来自它不该提前知道的信息？
我基于 AlphaGPT 整理符号公式研究流程，重点检查模型在每个时点能看到什么数据、公式是否有效，以及选模之后怎样评估。改造把特征处理、合法公式生成、训练与验证、固定公式后的盲测连起来，并把换手成本纳入结果。合成面板提供了一个可重复运行的入口，方便检查整个流程。
我做了什么
- 基于公开上游重构逐时点预处理、训练/验证/盲测切分与 walk-forward 流程。
- 实现 RPN 公式约束、actor-only Transformer 和统一回测指标。
做出的成果
- 提供可重复的合成面板演示，将公式生成、选模与含成本评估串成离线流程。
- 通过时间隔离与公式约束等 32 项离线测试，保留上游来源及改造说明。
实现过程
- 逐时点整理特征
- 生成合法 RPN 公式
- 训练与验证选模
- 固定公式后盲测
- 计入换手成本并复盘
设计取舍与收获
研究工具需要守住信息可用时间。我把未来数据变更、公式合法性和交易成本写成可以执行的检查。