在量化回测中，Alpha 搜索不仅仅是一个算力问题，更是一个资源分配问题。传统的 RANSAC（随机采样一致性）在面对海量 Datafields 时效率极低，而 PROSAC 提供了一种渐进式（Progressive）的思考框架。
1. Alpha 搜索的三个核心难点
在尝试自动化挖掘 Alpha 时，我们面临的挑战远比几何模型拟合复杂：
- 搜索范围极广 (Dimensionality Curse)：Datafields 数量庞大，加上算子组合、参数空间，理论搜索空间呈指数级爆炸。
- 有效 Alpha 极稀疏 (Sparse Signals)：在数亿种组合中，真正能通过过拟合测试、具有预测能力的信号寥寥无几。(尾部识别)
- 协同效应与相关性 (Synergy & Correlation)：单一字段的优劣并不代表全部。Alpha 的最终效果往往取决于字段间的组合正交性，而单纯的线性排序无法捕捉这种“1+1>2”的化学反应。
2. PROSAC 的策略关键：$T_n$ 的本质
PROSAC 引入 $T_n$（增长函数）的核心目的不是为了“等待”，而是为了在有限预算内建立先验知识与随机探索的桥梁。
\[T_n = T_{max} \frac{\binom{n}{m}}{\binom{N}{m}}\]其关键点在于：
- 模拟进度：$T_n$ 模拟了如果使用完全随机搜索，此时你应该触达的“高质量子集”深度。
- 确定性覆盖：它保证了即使先验排序完全错误，算法在 $T_{max}$ 结束时也能退化为全空间扫描，不留盲区。
- 非线性偏置：对于组合搜索 ($m>1$)，$T_n$ 强制算法在早期极度聚焦于高潜力字段的深度挖掘。
3. Progressive 策略在 Alpha 领域真的有意义吗？
直白地说，死板的“线性披露”在 Alpha 搜索中可能有害。因为 Alpha 空间的非凸性意味着最好的信号可能隐藏在排名第 1 和第 5000 字段的正交组合中。
如果只是简单地按顺序“解锁”字段，我们会陷入“集体偏见”：优先浪费算力在那些已经被众人压榨干净的高频字段（High use_count）上。
4. 进化版：多样性与信息引导下的采样
为了克服这些局限，我们需要对传统的 PROSAC 进行“量化适配”：
A. 正交化动态排序 (Orthogonal Ranking)
不再使用静态分值。每当发现一个有效 Alpha，立即对剩余 Datafield 进行相关性惩罚。
- 逻辑：如果字段 A 已入选，则大幅调低所有与 A 相关（相似）字段的采样优先级。
- 目的：迫使 Progressive 过程向“正交、多样”的方向偏移。
B. 分层集群采样 (Stratified Cluster Sampling)
将 Datafields 按逻辑归类（如价量、基本面、情感分）。
- 逻辑：不是按 1, 2, 3 解锁，而是每个类别内部维护一个 PROSAC 进度。
- 目的：保证无论搜索处于什么阶段，采样集永远是全集的一个“多样化缩影”，避免在单一类别里钻牛角尖。
C. 成功触发的局部爆发 (Success-triggered Local Burst)
- 逻辑：平时维持全局的渐进式探索。一旦某个 Datafield 产生了高 Sharpe 信号，立即挂起全局 $T_n$ 增长，转而以该字段为中心，开启高强度的“邻域搜索”（利用相关字段或互补算子进行局部压榨）。
5. 总结
在 Alpha 搜索中，Progressive 的真谛不应是“延迟披露”，而应是“采样分布的动态演化”。
我们利用 PROSAC 的 $T_n$ 逻辑来保证底层的搜索覆盖率，同时通过动态正交化和集群采样来解决相关性和空间过大的问题。最终的目标是：在搜索的第一分钟，我们能测到最公认的因子；而在搜索的第十小时，我们已经根据已有的反馈，进化出了一套避开冗余、直击正交信号的精准导航图。