QuantFactor REINFORCE

CORE IDEA

指出 PPO 在 alpha mining 上 unstable（variance 大 + reward 稀疏），改用 REINFORCE with variance bound。

CONCRETE EXAMPLE

同样 candidate budget 下 REINFORCE-based search 比 PPO 找到 alpha 多 2x。

L-ANCHOR · 为什么在这一层重要

RL 路线的 PPO 替代