一、引言

在参加《量变学院》第五期线下课程后，我首次接触到AlphaGen这一基于强化学习的公式化Alpha因子挖掘框架。其核心思想是通过策略梯度方法（如PPO算法）自动生成具有协同作用的Alpha因子集合，从而提升量化投资策略的性能。为深入理解《Generating Synergistic Formulaic Alpha Collections via Reinforcement Learning》这篇论文，我需要补充强化学习的基础知识，重点学习基础知识和经典算法PPO（Proximal Policy Optimization）及其在AlphaGen中的扩展版本MaskablePPO。

目前，我对强化学习的理解尚不足，阅读论文中关于PPO、LSTM设计及AlphaGen因子生成原理的内容时，感到有些吃力。因此，我计划从强化学习的基础概念入手，构建知识框架。这不仅是为了突破当前的认知瓶颈，也是为了掌握算法核心思路，奠定扎实的基础。

二、强化学习

强化学习（Reinforcement Learning）是行为主义心理学中的一个重要概念。人类或动物为了实现特定目标，会在所处环境中采取特定行为。当这些行为带来的反应或后果对其有利时，行为会受到正向强化，从而在未来重复出现。相反，若行为导致不利结果，则会受到负向强化，行为自然减弱或消失。
以训练小狗为例，小狗是Agent（智能体），训练员和周围环境构成其环境。小狗需要根据训练员的命令或提示观察环境并采取行动以获得奖励。通过持续的训练，小狗的策略逐渐调整，能够正确响应每个提示，从而最大化奖励。最终，小狗能根据其内部策略，准确观察主人并采取适当行动。

动物如此，人类亦然。这也解释了为何在深度学习之后，强化学习日益受到重视的原因。强化学习能够模拟人类和动物的行为，通过与环境的反复交互收集数据并自主学习，无需监督，展现出更高的智能。无论是自动驾驶、AlphaGo的围棋对弈、AlphaStar的游戏控制，还是广受关注的ChatGPT，以及众多机器人控制场景，强化学习技术都得到了广泛应用。

（一）、强化学习的基本概念

强化学习（Reinforcement Learning, RL）是机器学习的重要分支，与监督学习和无监督学习并列。监督学习和无监督学习通常需要预先收集大量数据，其中监督学习还需标注数据，通过正确标签和损失函数不断优化预测。相比之下，强化学习无需静态数据集，而是在动态环境中运行，通过与环境的交互收集经验进行学习。这种方式减少了训练前的数据收集、预处理和标注需求，能够自主学习，无需人类监督，仅需设计合理的激励机制即可。

要理解强化学习，必须先掌握其核心术语和概念。下面我们就快速进入强化学习的基本概念部分。
强化学习系统主要包含环境（environment）、智能体（agent） 及规则三大核心，具体涉及以下关键概念：

• 观测（observation）：智能体从环境中获取的信息；
• 状态（state）：环境或智能体所处的具体情形；
• 动作/决策（action/decision）：智能体在特定状态下采取的行为；
• 奖励（reward）：环境对智能体动作的反馈（衡量动作好坏的指标）。
• 状态转移（State Transition）：Agent在状态s下采取动作a后转移到状态s’的概率p(s’|s, a)，如s1采取a2转移到s2。
• 策略（Policy, π）：指导Agent选择动作的概率分布π(a|s)，可为确定性（如π(a2|s1)=1）或随机性（如π(a2|s1)=0.5）。
• 轨迹（Trajectory）与回合（Episode）：轨迹是状态-动作-奖励序列，回合是有限步轨迹，通常以终止状态结束。
• 返回（Return）与折扣返回（Discounted Return）：返回是轨迹中奖励的累加，折扣返回引入折扣率γ（0<γ<1）避免无限轨迹发散，控制Agent的短期或长期视野。
• 马尔可夫决策过程（MDP）：强化学习的数学框架，包含状态空间、动作空间、奖励集合、状态转移概率、奖励概率和策略，具备马尔可夫性质（与历史无关）。

智能体通过“试错迭代”寻找最优策略：

1. 智能体执行动作，依据环境反馈的奖励判断动作效果；
2. 若动作带来最大回报，智能体将重复该动作；若效果不佳，则调整动作继续尝试；
3. 上述试错过程持续进行，直至智能体找到能稳定获得最优奖励的策略。

理解了这些基本概念后，我们还需要认识下面这些与之相关的概念。

• 策略函数（Policy Function）：智能体的“行动指南”，定义在某个状态下选择不同动作的概率（如“在‘股价上涨5%’的状态下，60%概率卖出、40%概率持仓”）。
• 价值函数（Value Function）：智能体的“收益评估工具”，分为两种：
  • 状态价值函数(v(s))：评估“处于状态(s)时，未来能获得的期望总奖励”；
  • 动作价值函数(q(s,a))：评估“在状态(s)下做动作(a)，未来能获得的期望总奖励”。
• 贝尔曼公式：价值函数的“递推关系”——当前状态的价值 = 即时奖励 + 未来状态的折扣价值（如“今天持仓的价值 = 今天的收益 + 明天持仓价值×折扣系数”）。
• 贝尔曼最优公式：寻找“最优价值”的递推关系——当前状态的最优价值 = 选择“能带来最大即时奖励+未来折扣价值”的动作（如“今天最优选择是卖出，因为卖出的即时收益+未来价值比持仓更高”）。

基于贝尔曼公式可衍生出动态规划（Dynamic Programming, DP） 方法，其在强化学习领域的核心应用包括价值迭代与策略迭代两种算法。

动态规划本质是一种算法设计与优化思想，而非具体的编程实现流程。在强化学习中，它不仅是重要的理论基石，更提供了通过价值函数迭代求解最优策略的核心方法论。

需注意的是，传统动态规划方法存在一个关键前提：假设环境模型完全已知，即必须明确状态转移概率（如“做动作(a)后从状态(s)转移到(s’)的概率”）与奖励函数（如“在状态(s)做动作(a)能获得的即时奖励”）。

从发展逻辑来看，强化学习可视为动态规划在不确定环境决策问题中的延伸与突破：二者虽均以贝尔曼方程和价值函数为核心工具，但强化学习的关键创新在于解决“无模型环境”的决策难题——尤其是在无模型强化学习中，智能体无需预先掌握环境的具体模型，仅通过与环境交互产生的经验数据，就能逐步学习并优化策略。

（二）、强化学习的分类

理解强化学习分类之前， 需要理解强化学习的大类分类。首先分为基于模型的分类和无模型分类。然后重点的大类算法有几个种，是动态规划、蒙特卡洛法、时序差分法和策略梯度算法。

强化学习 Reinforcement Learning  
├─ 有模型 model-based  
│  └─ 动态规划 dynamic programming（策略迭代、价值迭代）  
└─ 无模型 model-free  
   ├─ 基于价值 value-based  
   │  ├─ 同轨策略 on-policy → Sarsa  
   │  └─ 离轨策略 off-policy → Q-learning、DQN  
   └─ 基于策略 policy-based  
      ├─ 纯策略梯度（同轨） → REINFORCE  
      └─ actor-critic（混合架构）  
         ├─ 同轨 on-policy → A3C、PPO  
         └─ 离轨 off-policy → DDPG、TD3

我们再换一个视角比较不同方法：将它们按“更新的广度”和“更新的深度”放在二维坐标系中。横轴代表广度（越往右广度越大），纵轴代表深度（越往下深度越大）：

• 时序差分（temporal difference learning）的搜索范围最小；
• 蒙特卡罗（Monte Carlo）在深度上更深，但广度与时序差分一致（均为单一路径）；
• 动态规划在广度上进行了扩展，但深度上均为单步操作；
• 坐标系右下角的穷举搜索（exhaustive search）则既广又深，但效率最低。

动态规划与强化学习在决策优化领域联系紧密却又各有侧重。传统动态规划方法的核心前提是 “环境模型已知”，即必须明确状态转移概率与奖励函数，在此基础上依托贝尔曼方程和价值函数的迭代来求解最优策略。而从发展脉络来看，强化学习可视为动态规划在不确定环境中的延伸 —— 尽管二者共享贝尔曼方程与价值函数这一核心工具，但强化学习的关键目标是突破 “模型已知” 的限制，尤其在无模型强化学习中，智能体无需预先掌握环境的具体模型，仅通过与环境交互产生的数据就能逐步学习最优策略。

无模型强化学习的核心算法可分为基于表格（Tabular）和基于函数逼近两大类。其中，蒙特卡洛方法与时序差分（TD）算法均属于表格表示范畴：蒙特卡洛方法不直接依赖贝尔曼方程，而是通过采样完整回合（episode）的轨迹数据，依据大数定律用样本均值逼近期望价值，不过它需要等待回合结束才能更新，更适用于有终止状态的任务；TD 算法则包含 TD、SARSA、Q-learning 等具体形式，SARSA 属于 on-policy 算法，Q-learning 则开创性地采用 off-policy 思路，二者均通过时序差分误差实现表格中价值的实时更新。

随着问题复杂度提升，表格表示的局限性逐渐显现，函数逼近方法应运而生，Deep Q-learning（DQN）便是典型代表。作为 Q-learning 的扩展，DQN 用神经网络替代表格存储价值，同时引入经验回放（Replay Buffer）和目标网络（Target Network）两大机制，既遵循贝尔曼最优方程，又有效提升了学习的稳定性，标志着强化学习从 “表格时代” 迈向 “深度时代”。

除了基于价值的算法，强化学习中还有直接优化策略的策略梯度法，而 Actor-Critic 算法则实现了二者的融合：Actor 作为策略网络负责动作选择，Critic 作为价值网络评估 Actor 的动作价值，并用自身梯度指导 Actor 更新。这种架构兼具价值方法 “低方差” 和策略方法 “直接优化” 的优势，在效率与稳定性之间取得了更好的平衡，成为复杂决策场景中的重要选择。

了解了上述基础算法后，我们接下来聚焦 AlphaGen 中实际采用的 PPO 算法。

近端策略优化（Proximal Policy Optimization, PPO）是强化学习中最广泛使用的算法之一。它旨在提升早期策略梯度方法的稳定性和性能。可以将，这就是为什么它被广泛应用于从机器人技术到视频游戏等各个领域。

现在，让我们深入探讨 PPO 架构是如何实现这一目标的。

第一个关键概念：PPO 的核心部分

1. 策略函数：策略函数就像智能体的“大脑”。它根据当前状态决定采取什么行动。最终目标是训练这个大脑，以最大化长期累积奖励。
2. 优势函数：这个函数帮助我们评估特定行动相对于平均行动的好坏程度。就像在问：“鉴于这种情况，这个行动是不是个好主意？”优势函数指导我们对策略进行的更新。
3. 代理目标函数：PPO 并不直接优化实际目标，而是使用一个代理目标（surrogate objective），这是一个更容易处理的近似值。这使我们在同一批数据上高效地进行多次更新。

第二个部分：PPO 的工作原理

PPO 的工作分为两个主要步骤：

1. 数据收集：智能体通过使用当前策略与环境交互来收集数据。这会生成一系列经验，像是状态、动作和奖励的日记。
2. 策略更新：使用这些数据，PPO 更新策略。然而，它会谨慎进行，确保更新保持在信任区域内以保持稳定性。这就像微调，而不是完全重写策略。

第三个部分：裁剪机制 Clipping Mechanism

PPO 的关键特性之一是其裁剪机制。以下是它为何重要：

• 在更新策略时，我们比较新策略下某个动作的概率与旧策略下的概率。这个比率称为 $r_t$ ，公式如下：
  $r_t = \frac{\pi_{\text{新}}(a|s)}{\pi_{\text{旧}}(a|s)}$
• 如果这个比率超出安全范围，裁剪机制就会介入。它防止更新带来剧烈变化，从而可能破坏训练的稳定性。裁剪后的目标函数如下：

$L^{\text{CLIP}} = \min\left(r_t \cdot A_t, \text{clip}(r_t, 1 - \epsilon, 1 + \epsilon) \cdot A_t\right)$

其中， $A_t$ 是优势估计值， $\epsilon$ 是一个超参数，通常为 0.1 或 0.2。这个机制确保更新保持保守，防止策略出现大幅跳跃。

第四个部分：实现步骤

要实现 PPO，请遵循以下步骤：

1. 初始化策略和价值函数的神经网络。
2. 使用当前策略(概率函数)从环境中收集轨迹。
3. 计算优势估计值，通常使**用广义优势估计（GAE）**等方法。
4. 使用小批量随机梯度下降和代理目标函数更新策略和价值网络。
5. 重复此过程，直到达到良好的性能水平。

总之，PPO 的设计确保了鲁棒的性能，同时易于适应各种任务和环境。其谨慎的更新策略，结合像裁剪这样的实用特性，使其成为现代强化学习中的首选方法。现在，让我们深入探讨近端策略优化中的裁剪机制，这对于维持策略更新的稳定性和效率至关重要。

（三）、强化学习的发展史

为更系统地把握前文所述强化学习的核心逻辑与技术应用，下面将从历史维度出发，梳理强化学习从理论萌芽到工程落地的关键节点。

早期阶段（1950-1980年）

强化学习（Reinforcement Learning, RL）的早期阶段奠定了其理论基础，主要通过数学和计算方法的形式化研究。这一阶段的核心贡献集中在马尔可夫决策过程（Markov Decision Process, MDP）和动态规划（Dynamic Programming, DP）的建立。

1953年，美国数学家理查德·贝尔曼（Richard Bellman）提出了马尔可夫决策过程的概念，正式定义了状态、动作、奖励和转移概率的框架，为强化学习问题提供了数学表述。同年，贝尔曼提出了贝尔曼方程，这是动态规划的核心，用于递归计算状态价值函数和最优策略。他的专著《Dynamic Programming》（1957年）进一步系统化了价值迭代和策略迭代算法，为解决MDP问题提供了理论工具。这些方法虽然理论完备，但在实际应用中受限于计算复杂度和对环境模型的已知性要求。

这一阶段还见证了早期试错学习系统的探索。例如，1961年，**唐纳德·米基（Donald Michie）**开发了MENACE（Matchbox Educable Noughts and Crosses Engine），一个通过试错学习玩井字棋的系统，使用火柴盒模拟强化学习的基本思想。此外，**亚瑟·塞缪尔（Arthur Samuel）**在1959年开发的跳棋程序通过自我对弈实现了简单的强化学习策略，展示了“通过实践学习”的潜力。

尽管这一阶段的强化学习研究主要停留在理论层面，贝尔曼的MDP和动态规划为后续算法奠定了坚实基础，标志着强化学习的起点。

表格方法阶段（1980-1990年代）

1980年代末至1990年代，强化学习进入表格方法阶段，研究者开始将理论应用于小规模离散状态和动作空间的问题，通过表格形式存储和更新价值函数或策略。这一阶段的算法奠定了现代强化学习的基础。

1988年，**理查德·萨顿（Richard Sutton）**提出了时序差分学习（Temporal Difference Learning, TD），特别是TD(λ)算法，结合了蒙特卡罗方法和动态规划的优点，通过增量式更新估计价值函数，无需完整的环境模型。1989年，**克里斯·沃特金斯（Chris Watkins）**在其博士论文中提出了Q-Learning算法，这是一种无模型的异策略（off-policy）方法，通过迭代更新动作价值函数（Q值）寻找最优策略。同期，SARSA算法作为同策略（on-policy）方法被提出，强调在当前策略下更新Q值。

1992年，**杰拉尔德·特索罗（Gerald Tesauro）**开发的TD-Gammon程序将TD学习与浅层神经网络结合，在双陆棋游戏中达到了接近人类顶尖水平，展示了强化学习在复杂任务中的潜力。此外，**蒙特卡洛方法（Monte Carlo）**被引入强化学习，通过采样完整回合的奖励来估计价值函数，适用于无模型环境。

1998年，萨顿与**安德鲁·巴托（Andrew Barto）**合著的《Reinforcement Learning: An Introduction》出版，系统总结了这一阶段的理论和算法，成为强化学习领域的经典教材。这一阶段的表格方法虽然高效，但受限于离散空间的规模，为后续函数逼近方法铺平了道路。

函数逼近阶段（2000年以后）

进入21世纪，随着问题规模的扩大，表格方法因存储和计算限制无法处理高维或连续状态空间，研究者开始引入函数逼近方法来近似价值函数或策略。这一阶段是强化学习从理论到实际应用的过渡时期。

函数逼近方法使用参数化模型（如线性函数、径向基函数网络或浅层神经网络）来表示价值函数或策略。1992年提出的REINFORCE算法（由罗纳德·J·威廉姆斯（Ronald J. Williams）开发）是策略梯度方法的早期代表，通过直接优化策略参数来最大化期望奖励。1999年，萨顿等人进一步提出了策略梯度定理，为策略梯度方法提供了理论基础，使其在机器人控制等领域得到初步应用，如摆杆起摆和机械臂抓取任务。

这一阶段的其他进展包括基于核的方法和径向基函数（RBF）网络，用于近似复杂环境中的价值函数。强化学习在机器人和自动控制领域的应用逐渐增多，例如四足机器人运动规划和无人机导航。尽管浅层神经网络在TD-Gammon中已显示潜力，但计算能力和数据规模的限制使得函数逼近方法尚未完全发挥威力。

这一阶段为深度强化学习的兴起奠定了基础，函数逼近技术的引入标志着强化学习开始应对更复杂、现实世界的挑战。

深度强化学习阶段（2010年至今）

2010年以后，深度学习技术的突破推动强化学习进入深度强化学习阶段，成功应对高维状态空间和连续动作空间的挑战。这一阶段由DeepMind和OpenAI等机构引领，标志性成果层出不穷。

2013年，DeepMind推出了雅达利学习环境（Atari Learning Environment, ALE），为强化学习提供标准化测试平台。同年，DeepMind的**深度Q网络（DQN）将深度神经网络与Q-Learning结合，在雅达利游戏中实现了超越人类的表现。2015-2016年，Double DQN、Dueling DQN和优先经验回放（Prioritized Experience Replay）**进一步优化了DQN的性能和稳定性。

2015年，**深度确定性策略梯度（DDPG）算法（基于2014年的确定性策略梯度理论）解决了连续动作空间问题，广泛应用于机器人控制。2017年，OpenAI提出的近端策略优化（PPO）**通过限制策略更新幅度提高了训练稳定性，成为现代强化学习的标准算法。此外，**信任域策略优化（TRPO，2015年）**为PPO奠定了基础。

2016年，DeepMind的AlphaGo结合深度强化学习和蒙特卡罗树搜索，击败了围棋世界冠军李世石。2017年，AlphaZero通过自对弈从零开始学习，掌握了国际象棋、将棋和围棋，展示了通用强化学习的潜力。2019年，DeepMind的AlphaStar和OpenAI的Dota 2 AI展示了多智能体强化学习在复杂竞技环境中的应用。

现代强化学习算法进一步融入了广义优势估计（GAE，2016年）等技术，优化了Actor-Critic框架的性能。模仿学习和逆强化学习也开始与深度强化学习结合，加速了复杂任务的学习。这一阶段的进展使强化学习广泛应用于游戏、机器人、自动驾驶和自然语言处理等领域，标志着其从理论研究走向实际应用的成熟。

三、分析AlphaGen

论文《Generating Synergistic Formulaic Alpha Collections via Reinforcement Learning》提出AlphaGen框架，使用强化学习（RL）生成协同公式化alpha集合，用于股票趋势预测。核心创新是直接优化下游组合模型性能作为RL奖励，生成解释性强的alpha集合，避免传统方法（如GP）忽略协同效应的缺点。

• Algorithm 1 (Incremental Combination Model Optimization): 处理新alpha添加后的集合优化，包括计算相关性、梯度下降优化权重、移除低贡献alpha。
• Algorithm 2 (Alpha Mining Pipeline): 整体alpha挖掘流程，使用RL生成新alpha，调用Algorithm 1评估奖励，并更新RL策略。

合并后，Algorithm 1嵌入Algorithm 2的第9行（Update F, w using Algorithm 1）。整体流程从数据输入到输出优化alpha集合F和权重w，循环迭代生成协同alpha。以下是合并后的详细步骤解析，我会逐行解释算法，结合论文上下文举例说明（假设股票数据X包括close, open, volume；Y为未来回报；词汇表包括操作符+,-,/,rank,ts_rank等）。例子假设生成alpha如rank((close - open)/volume)。

合并后的详细步骤解析

整个流程是一个迭代循环：RL生成候选alpha → 优化集合 → 计算奖励 → 更新RL策略。步骤基于Algorithm 2为主线，嵌入Algorithm 1。

步骤0: 输入准备与初始化（Algorithm 2的第1-2行）

• 描述: 输入股票趋势数据集Y = {y_t}（未来回报序列）。初始化空alpha集合F = {}和权重w = {}。初始化RL策略π_θ（参数θ，使用LSTM或Transformer生成序列）和replay buffer D（存储轨迹）。
• 举例: X = [close=100, open=95, volume=1000], Y = +0.05。F = {}, w = {}。θ初始化为随机LSTM，词汇表 = {close, open, volume, -, /, rank, SEP}（SEP为序列结束符）。

步骤1: 开始训练迭代（Algorithm 2的第3行：for each iteration do）

• 描述: 进入主循环，每个迭代生成一个新alpha候选，优化集合，计算奖励，更新策略。迭代直到收敛（如IC > 阈值或固定次数）。
• 举例: 假设迭代1开始，当前F = {}。

步骤2: 生成轨迹（Algorithm 2的第4-8行：for each environment step do）

• **描述：**使用当前策略π_θ生成公式序列，直到SEP或长度超阈值。

  • 第5行: $a_t ~ π_θ(a_t | s_t)$ – 从当前状态$s_t$ 采样动作 $a_t$ （使用共享 LSTM + MLP_policy 输出概率分布）。
  • 第6行: $s_{t+1} = [s_t, a_t]$ – 更新状态序列。
  • 第7行: if $a_t = SEP$ or len(s_{t+1}) ≥ threshold then – 检查结束条件（阈值 e.g., 20）。
  • 第8行: f ← parse(s_{t+1}) – 解析序列为alpha公式f。

  f ← parse(s_{t+1})是将生成的 Token 序列转化为可计算的公式化阿尔法因子的关键步骤。

  parse(·)函数的解析过程遵循 “逆波兰表示法→中缀表达式→因子函数” 的转换规则

  语法校验：若s_{t+1}无法解析为合法表达式（如缺少操作数的[BEG, Add, SEP]），则parse(·)会返回 “无效因子”，后续会给予惩罚（奖励r_t=-1）

• 举例: s_0 = []。LSTM + MLP_policy 输出: a_1 = “close” (s_1 = [“close”], r_1=0)。a_2 = “open” (s_2 = [“close”, “open”], r_2=0)。a_3 = “-” (s_3 = [“close”, “open”, “-”], r_3=0)。a_4 = “volume” (s_4 = [“close”, “open”, “-”, “volume”], r_4=0)。a_5 = “/” (s_5 = [“close”, “open”, “-”, “volume”, “/”], r_5=0)。a_6 = “rank” (s_6 = [“close”, “open”, “-”, “volume”, “/”, “rank”], r_6=0)。a_7 = SEP (结束)。解析 f = rank(((close - open) / volume))。如果长度超阈值（如20），强制结束。

步骤3: 更新集合与权重（Algorithm 2的第9行：Update $F, w$ using Algorithm 1）

• 描述: 调用Algorithm 1，将新f添加到F，优化权重w，并移除低贡献alpha。

• 举例整体: 添加f_new后，优化w=[0.4, 0.3, 0.3]，IC提升0.02。

步骤4: 计算奖励（Algorithm 2的第10-13行）

• 描述: 计算新alpha贡献作为奖励r_t。
• 举例: r_t=+0.05，轨迹存储[s=“close open -”, a=“/”, r=0.05, s’ = “close open - /”]。

步骤5: 更新RL策略（Algorithm 2的第15-16行：for each gradient step do）

• 描述: 从 D 采样，使用 PPO 代理损失更新 θ。网络架构：共享 LSTM 处理 $s_t$ 输出 $h_t$；MLP_policy($h_t$) 输出 π_θ；MLP_value($h_t$) 输出 V_ϕ（价值）。

• 举例: 从D采样10轨迹 batch B = 64 元组，计算A_t=0.03，更新θ以增加生成“rank”概率，以生成更好 f。

步骤6: 循环结束与输出（Algorithm 2的第17行：return F, w）

• 描述: 迭代结束后，返回最优F和w。
• 举例: $F* = {rank((close - open)/volume), ts\_rank(volume, 5)},$ $w* = [0.6, 0.4]$。用于预测：组合输出 = 0.6f1(X) + 0.4f2(X)，与Y比较。

这个合并流程确保生成协同alpha，每步优化下游性能。论文实验显示，在中国股市上，AlphaGen的IC高于基线20%，投资回报提升15%。

四、总结

这段时间围绕论文理解展开的强化学习与 PPO 算法学习，让我对 AlphaGen 的运作框架有了初步把握，但也更清醒地认识到：基础理论的扎实程度、原理的通透度以及对模型参数的掌控力，才是决定能否做好模型优化、生成真正有效 Alpha 的关键。接下来，我将继续深耕学习，同时重点攻坚泛化性提升难题，推动从 “理解” 到 “实战优化” 的切实突破。