一千多个候选因子里，很多其实在讲相近的故事。像从一群口径相似的证人中挑出最有用的几位：逐个筛容易漏掉必须搭配才有效的信息，全部组合又算不过来。这篇论文把因子选择改写成蒙特卡洛树搜索——反复试探“选或不选”的分支，再优先探索表现更好的路线。
它追求的是 L0 特征选择，也就是直接限制最终留下多少个变量，而不是像 Lasso（用连续惩罚把部分系数压到零）那样同时缩小保留变量的系数。搜索时，作者用样本外验证表现给候选组合打分，还可同时考虑组合规模和多重共线性——变量彼此高度相关、导致估计不稳的问题。
在用 1,072 个市场、宏观和因子特征解释 NASDAQ-100 周收益的任务上，作者报告样本外解释度为 0.6961，高于优化后的 Lasso 基线 0.6313。要注意，这些变量与目标收益同期观测，论文检验的是“解释当周发生了什么”，不是预测未来收益；结果也只来自这一数据集。