遗传规划自动挖因子：从公式进化到可解释Alpha策略

简介：基于遗传编程的阿尔法因子生成算法Python代码包，面向量化投资研究人员、因子策略开发者和金融工程学习者。该工具可有效缓解传统阿尔法因子被广泛使用后逐渐失效的问题，适用于多因子选股、行业轮动及个股收益预测等场景。其核心是通过符号回归自动搜索与证券收益显著相关的因子表达式，以证券收益为因变量、用户自定义特征为自变量，并采用股票代码与时间序列构成的二维数据框输入，贴近实际投资逻辑。压缩包共8个文件，7个Python脚本和1个Markdown说明文档，涵盖遗传算法核心、函数构建、适应度评估、工具函数及演示模块，整体仅28KB，模块化清晰，便于定位逻辑和二次扩展。配合演示脚本可跑通因子进化全流程，也支持替换自有数据生成个性化阿尔法因子；已有700人浏览学习，适合从手工因子转向自动化挖掘的实践者参考和复现。

1. 遗传规划挖因子：把找因子从拍脑袋变成自动化搜索

做过多因子策略的人都有体会：估值、动量、反转这些显式因子早被研究透了，上线没几个月 alpha 就衰减得不成样子。这个项目解决的正是这个问题——用遗传规划（Genetic Programming）自动搜索新的阿尔法因子。它不是让你手动挑因子，而是构造一组随机公式当作初始种群，用适应度函数告诉算法哪些公式和证券收益的关联更强，再通过交叉与变异一代代进化，最后输出一个可读的数学表达式。和传统遗传规划不同，它直接消费时间序列数据，自变量可以是你能想到的任何和收益相关的变量，因变量就是证券收益。适合两类人：想做因子补充的量化研究者，以及想找一个能落地到 DataFrame 上的完整 Python 实现的开发者。解压之后按 demo 跑一遍，很快能看到第一批自动生成的因子长什么样。

2. 架构拆解：从 genetic.py 到 fitness.py 的因子进化链路

2.1 目录结构：八个文件的职责分配

解压后是一个标准的 Python 包结构，文件不多，但每个模块的边界划得很清楚。我第一次打开的时候大概花了十分钟就把整个流程读通了，因为它的依赖方向是单向的：genetic.py 调 fitness.py 和 _program.py，demo.py 调 genetic.py，utils.py 只负责数据。

依赖关系很简洁，没有外部数据库，没有网络调用，整个项目是一个纯内存运算的离线脚本集合。这也意味着你拿到手之后，跑起来几乎不需要额外适配，只要把数据喂对就行。

2.2 主流程：一次完整的因子进化

整个算法的主循环是标准的遗传规划流程：初始化种群、评估适应度、选择父代、交叉变异生成子代、精英保留，然后重复。以我对这类实现的经验，核心骨架基本长这样：

# 简化后的主循环骨架（细节以解压后的源码为准） for gen in range(max_generations): scores = fitness.evaluate(population, panel_df, target) # 给每个个体打分 elites = keep_best(population, scores, n_elite=2) # 精英保留 parents = tournament_select(population, scores, k=3) # 锦标赛选择 children = [] for p1, p2 in zip(parents[::2], parents[1::2]): c1 = crossover(p1, p2, max_depth=max_depth) # 子树交换 c1 = mutate(c1, func_set, max_depth=max_depth) # 随机变异 children.append(c1) population = elites + children[: pop_size - len(elites)] best_program = population[scores.argmax()]

这里每一步都值得展开说。锦标赛选择是每轮随机抽 k 个个体、留下适应度最高的那个当父代，k 越大选择压力越大，但也越容易早熟；crossover 交换两颗树的子树，让新个体继承旧个体的有效结构而不是完全从零开始；mutate 会随机替换树中的某个节点或者整棵子树，保证种群的探索性。精英保留的意义在于防止当前最好的公式在交叉变异中被破坏，我一般把 n_elite 控制在 2 到 4 个，太少保不住最优解，太多则种群多样性下降。

参数层面的默认配置，常见的取值范围大致是种群 200 到 500 个个体，进化 20 到 50 代，树深度限制在 4 到 6。这几个参数直接决定运行时间：种群翻倍，单代评估时间近似翻倍；深度加深，单棵树的运算量指数级增长。做因子挖掘并不是树越深越好，金融数据里深度超过 7 的表达式基本就开始过拟合了，出来的公式在样本外往往跑不动。

2.3 数据契约：为什么输入必须是二维面板

这个项目最值得注意的设计是数据组织方式。它推翻了机器学习里习惯的 X, y 二维表，要求第一维是股票代码、第二维是时间。换句话说，自变量是一个面板数据，行为股票代码，列为交易日期：

import pandas as pd import numpy as np # 行：股票代码；列：交易日期 panel = pd.DataFrame( np.random.randn(500, 1200), index=[f"stock_{i}" for i in range(500)], columns=pd.date_range("2020-01-01", periods=1200) ) # 下一期收益作为因变量，注意 shift 必须沿列方向移动 future_return = panel.shift(-1, axis=1)

为什么这样设计？因为遗传规划生成的表达式会同时包含横截面操作（比如 rank 排名）和时间序列操作（比如过去 20 日的动量均值）。如果数据只是一列，算法只能在单一股票上做时间维度的运算，根本用不上市场的横截面信息；而因子投资里最核心的正是横截面上的相对强弱——同一时刻，哪些股票在目标特征上排名靠前。面板结构让公式树每个节点都能拿到全部股票的完整时间序列，既能在时间上滚动，又能在横截面上比较。

这里和传统遗传规划的区别也体现在数据契约上：传统符号回归的输入输出都是数值向量，这里每个自变量本身就是一张面板，因变量是下一期的收益面板。适应度函数在计算时会逐日做横截面排名，再对时间序列求平均，这个细节直接决定了后面 fitness.py 的写法。

3. 核心实现走读：公式树、遗传算子与时间序列适应度

3.1 genetic.py：种群初始化与进化主循环

genetic.py 是算法的心脏。种群里的每个个体都是一棵公式树，树的内节点是算子，叶子节点是特征名或常量。初始化种群时常见的做法是 half-and-half：一半用 full 方法生成（所有叶子深度相同），一半用 grow 方法生成（各分支深度随机）。这样初始种群既有结构规整的个体，也有形态多样的个体，避免一开始就陷入单一形状的搜索空间。

# _program.py 中公式树节点的简化实现 class Node: def __init__(self, value, arity=0, children=None): self.value = value # 算子符号、特征名或常量 self.arity = arity # 子节点数量，叶子节点为 0 self.children = children or [] def evaluate(self, panel): # 叶子节点直接取面板里对应特征列 if self.arity == 0: return panel[self.value] # 算子节点先递归算出子树结果，再套用算子 args = [c.evaluate(panel) for c in self.children] return FUNC_TABLE[self.value](*args)

这段代码的巧妙之处在于 evaluate 的输入输出都是面板：每个子节点返回一张 (股票 × 时间) 的 DataFrame，算子节点对这张表做向量化运算，所以表达式无论嵌套多深，最后得到的因子矩阵维度始终和收益面板对齐。这也是为什么整个项目只需要 numpy 和 pandas 就能跑的底层原因。

交叉操作一般发生在树的中间节点上：随机选出父代 A 的某个子树，替换成父代 B 的某个子树。替换深度会被 max_depth 卡住，超出就重新选交叉点。变异则有三种常见类型：点变异（把某个算子替换成另一个算子）、子树变异（随机生成一棵新子树替换旧子树）、hoist 变异（把子树里某个分支提升到更高的位置）。一个合格实现的遗传算子不会只做一种，因为金融数据里公式结构微小改变可能带来完全不同的因子表现。

3.2 functions.py：保护性算子和函数集设计

金融数据的一个常见麻烦是除零和取对数，价格、收益率、成交量这些字段经常出现零值或负值。原生除法和 log 会把整棵树的评估结果污染成 NaN，适应度计算直接崩掉。所以 functions.py 里一定会有保护性算子，这是我在读这种项目时会特别留意的细节。

# functions.py 中常见的保护性实现 import numpy as np def safe_div(a, b): # 当分母绝对值过小时，用 1 替代，避免结果变成无穷或 NaN return np.where(np.abs(b) < 1e-6, 1.0, a / b) def safe_log(x): # 对非正数做截断，保持输出数值稳定 return np.where(x > 1e-10, np.log(x), 0.0) def rank(x): # 横截面排名：按列操作，每列是一个交易日的截面数据 return x.rank(axis=0)

safe_div 的阈值 1e-6 不是随便定的：太小了仍然会有数值溢出的风险，太大会把正常的小分母全部扭曲掉。rank 算子在这里是把整张面板的每个时间截面分别排名，输出的是排名分位数而不是原始数值，这样能让公式对异常值和量纲不敏感——两个股票，一个价格是 5 元一个是 500 元，直接相减没有意义，排名之后才有横截面可比性。函数集里一般还会放 ts_mean、ts_delta 这类带窗口的时间序列算子，窗口长度通常由常量子代随机生成，这也是项目能产出动量和反转类因子的原因。

3.3 fitness.py：用截面秩相关评估公式好坏

适应度是因子挖掘的灵魂。源码里对单个公式的评估，核心指标大概率是 IC（Information Coefficient）和 ICIR。IC 衡量的是因子值和未来收益在横截面上的相关强度，ICIR 则是 IC 的均值除以标准差，代表因子有效性的稳定性。一个因子如果 IC 高但波动大，实际使用体验往往不如 IC 平稳的因子。

# fitness.py 中 rank IC 的常见计算方式 def rank_ic(factor_panel, target_panel): # 每个交易日对因子值和未来收益分别做横截面排名 factor_rank = factor_panel.rank(axis=0) target_rank = target_panel.rank(axis=0) # 逐日计算因子排名与收益排名的相关性 ic_series = factor_rank.corrwith(target_rank, axis=0) # 返回平均 IC 与 ICIR return ic_series.mean(), ic_series.mean() / ic_series.std()

注意两个细节：第一，为什么用秩相关而不是皮尔逊相关。收益分布厚尾，极端涨跌会拉高线性相关的假信号，Spearman 秩相关只关心排序关系，对极端值天然免疫。第二，axis=0 在这里是列方向操作，对应的是每一列一个交易日的横截面排名；整个 DataFrame 行是股票、列是日期，所以按列排名就是在对每个时点上的全市场股票排序。这样算出来的 IC 序列长度为交易日数，再对其求均值和标准差，就得到一个既能衡量强度又能衡量稳定性的标量。

这种适应度设计的取舍在于：它只看横截面排序，忽略了因子值本身的分布形态。一个公式即使整体偏移很大，只要排序对，IC 照样高。这既是优点也是风险，后面避坑章节会提到这个问题的实际后果。

4. 跑通 demo：数据准备、运行命令与输出解读

4.1 环境准备：只需要 numpy 和 pandas

跑这个项目的门槛很低。我建议先建一个干净的虚拟环境，避免污染系统 Python：

python -m venv .venv # Windows 下 .venv\Scripts\activate # macOS / Linux 下 source .venv/bin/activate pip install numpy pandas

依赖只有这两个，说明源码里的所有算子都是基于 DataFrame 向量化实现的，没有用到 sklearn、torch 之类的重型库。装完之后直接运行python demo.py，等它跑完就能看到输出。如果当前环境的 pandas 版本比较新，rolling 相关算子接口有过调整，遇到报错时先去看 pandas 的变更日志，而不是急着改源码。

4.2 demo.py 的调用方式与参数说明

demo.py 做的事情是把数据准备和进化流程串起来。以解压后的实际代码为准，调用形态大致是这样：

# demo.py 的典型调用方式 from genetic import GeneticAlpha from utils import load_panel # 读取面板数据，要求行是股票代码、列是日期 panel = load_panel("adj_close.csv") # 用收益率序列作为目标：当日价格 / 前一日价格 - 1 target = panel.pct_change().shift(-1, axis=1) model = GeneticAlpha( pop_size=300, max_generations=30, max_depth=5, func_set=["add", "sub", "mul", "safe_div", "rank", "ts_mean"], ) model.fit(panel, target) print(model.best_program())

参数含义直接看名字就能猜个大概，但实际调参有几个经验点。pop_size 决定每代能探索多少公式，太小容易早熟，太大跑得慢；max_generations 决定总进化轮数，一般看适应度曲线是否在最后几代还在上升；max_depth 是公式树的深度上限，控制表达式复杂度。func_set 里算子越多，搜索空间越大，但也会引入更多无意义的组合；我一般会从基础四则运算加 rank、ts_mean 起步，跑通之后再逐步加算子。

另一个重要参数是目标收益的计算。代码里用pct_change()算的是当日相对前一日的收益率，shift(-1, axis=1)让它变成下一期收益。这里有个关键约束：公式中用到的所有特征必须只依赖 T 时刻及之前的数据，而目标必须是 T 时刻之后的收益，否则就是未来函数。demo 数据里特征列是复权后的价格，天然满足这个约束，但你自己接数据时一定要确认。

4.3 输出解读：最优公式、适应度曲线与因子矩阵

运行结束后，输出一般包含三块：最优公式的表达式、每代的适应度记录、以及最优因子在样本数据上的因子矩阵。最优公式长什么样？以我的经验，输出类似：

best program: rank(ts_mean(adj_close, 20)) / rank(adj_close) train IC: 0.038, ICIR: 0.46

第一行是遗传规划抠出来的表达式，语义上可以解读成"过去 20 日均价与当前价格的比值在全市场的排名"，这本质上是一个带排名的动量因子。第二行是它在训练数据上的表现：IC 在 0.03 到 0.05 之间是量化因子里的常见水平，ICIR 大于 0.3 说明有效性还算稳定。如果 IC 超过 0.08，先别高兴，大概率是数据泄漏或者过拟合，后面避坑章节会展开。

适应度曲线看的是收敛情况：如果前几代 IC 快速上升，后面趋于平稳，说明搜索是有效的；如果曲线一直在低位抖动，考虑加大种群或者增加算子。因子矩阵是最终产物，shape 应该是 (股票数, 日期数)，可以直接存成 parquet 或 csv 进因子库，后续做分层回测或者相关性分析。

5. 避坑指南：因子搜索里的翻车现场和排查手段

5.1 数据维度搞反，后面全是白算

现象：demo 换成自己的数据后，报错提示行列对不齐，或者训练出来的因子矩阵转置之后才和收益对齐。原因：把面板数据传成了行是日期、列是股票代码。这个项目的数据契约是行=股票代码、列=日期，和很多量化平台导出的数据方向正好相反。解决：加载数据后先打印data.shape和data.index[:2]、data.columns[:2]，确认第一维是股票代码再往下走。另一个更隐蔽的情况是收益率计算用的shift方向写反了，导致目标里混进了过去收益，IC 看起来正常但逻辑完全错误。

5.2 进化过程失控：深度爆炸和早熟收敛

现象：跑着跑着内存占用越来越高，或者进化到第 10 代以后种群里的公式全部长得一样。原因：深度爆炸是因为交叉变异时没有严格执行 max_depth 限制，子树替换后某些分支嵌套越来越深，表达式树膨胀成"深不见底的葡萄藤"；早熟收敛则是选择压力太大、变异率太低导致的，锦标赛规模 k 设得过大，几代之后劣质个体全被淘汰，剩下个体高度相似。解决：在交叉点选择时检查子树深度，超出限制就重新选点；同时把 tournament_size 从 5 调到 2 到 3，把 mutation_prob 从 0.1 上调到 0.2 左右。深度爆炸还有一个通用处理手段，就是对个体长度加惩罚项——适应度减去一个随树节点数增长的惩罚值，逼着算法偏好简洁公式。

5.3 样本内 IC 很高，样本外直接失效

现象：训练集上跑出来的公式 IC 0.07、ICIR 0.8，看起来很漂亮，换到最近一年的数据上回测，多空组合净值和躺平没什么区别。原因：遗传规划强大的搜索能力会找到那些"恰好"拟合历史噪声的公式，尤其是人口规模大、进化代数多的时候，过拟合几乎是必然事件。另一个常见来源是公式里混入了时间相关的常数——比如进化过程中生成了一个只依赖某个固定日期的特征，在训练段内表现稳定，出了训练段就失效。解决：最有效的方法是把数据按时间切段，前 80% 做进化搜索，后 20% 做样本外验证，只有样本外 IC 仍然显著的公式才进入候选池。其次是多看 ICIR 而不是只看 IC：IC 可以靠运气高，ICIR 高说明的是多头和空头分组在市场各个时期都稳定分化，这才是可交易的因子——这也是 fitness.py 里为什么同时返回两个指标的原因。

6. 二次开发：把 Genetic-Alpha 接进你自己的因子流水线

6.1 值得动手改的三个切入点

第一个切入点是 functions.py 的算子扩展。默认函数集能挖出价格和收益类表达式，但换手率、成交额、波动率这些衍生特征需要自己定义算子。我一般会加ts_delta(x, n)表示过去 n 日变化量，wma(x, n)表示加权移动平均，加完算子之后放进 func_set 参数就能参与进化。

第二个切入点是 fitness.py 的评估函数。如果你做的是多空组合而不是纯横截面选股，可以把适应度从 rank IC 改成"多空组合夏普比率"——按因子值每日分组，做多 top 10%、做空 bottom 10%，计算组合净值序列的夏普。这样进化出来的公式会直接优化可交易收益，而不是优化相关关系，减少"IC 高但交易成本吃掉收益"的落差。

第三个切入点是并行评估。纯 Python 的树评估在大种群下会很慢，一个低成本的改造是用 joblib 把每代种群评估并行化，按 CPU 核数分块。改造时注意适应度函数要能被 pickle，所以算子定义要放在模块顶层，不能写在 fit 方法里。我踩过这个坑，自定义算子在局部函数里的时候并行直接报错。

6.2 改造后怎么验证

每次改动都要走一遍验证路径：先跑 demo 确认没改坏基线，再跑你的历史数据，最后把输出因子矩阵存下来做分层回测。分层回测的做法是把每天按因子值从小到大分成五组，画五组累计收益曲线，如果 top 组和 bottom 组没有拉开差距，说明因子有效性不足，这时候回看适应度函数和数据预处理，问题多半出在那里。

记得我第一次拿它批量扫因子时，直接上了全市场 3000 只股票，跑了两个多小时，出来的最优公式竟然是个常数。排查半天才发现目标收益的列名传错了，适应度函数在算一个全部相等的因子和收益的相关，IC 的方差为零所以返回了一个异常值。从那以后我每次跑新数据都会先打印因子矩阵的describe()看方差，确认它不是常数再进入进化主循环。希望帮到你。

本文还有配套的精品资源，点击获取