机器学习选股系列研究之二：基于Dask计算图的遗传规划高频因子挖掘框架.pdf

机器学习选股系列研究之二：基于Dask计算图的遗传规划高频因子挖掘框架。遗传规划（Genetic Programming，GP）是更广泛的进化计算领域的一个子 领域，其根源可追溯至遗传算法（Genetic Algorithm，GA）。然而，与主 要用于优化参数的传统遗传算法不同，遗传规划旨在进化出算式本身作为 问题的解决方案。遗传规划的核心可以概括为“随机性”和“方向性”的权 衡，算法既要保证种群往更好的方向进化迭代，又要保证其种群的多样性与 进化的随机性，防止陷入局部最优解。 为实现日频与分钟频数据混合输入的高频因子自动化挖掘，本文基于遗传 规划库 gplearn 与分布式计算库 dask 进行深度重构，构建了一套高效且硬 件友好的高频因子挖掘框架。借助 dask 的分布式计算图与惰性求值机制， 分钟频数据得以分块存储、按需加载，在突破内存限制的同时，保持了高性 能计算，为混合频率因子挖掘提供了坚实的技术底座。 在框架优化方面，通过将分钟数据封装为 dask array，使其以分块形式高 效参与遗传规划迭代；基于 dask 算子对遗传规划分钟频算子进行重构，使 得因子表达式的执行可映射为 dask 计算图，进而实现了高效的并行调度; 此外，通过扩充算子库、引入覆盖度与多样性控制机制、设计多元化适应度 函数，有效提升了挖掘效率与因子多样性，使算法更聚焦于增量信息的发 现。 基于上述框架，本文初步挖掘了 10 个低相关性的遗传规划因子。单因子 20 日 Rank IC最高达 8.91%，ICIR 达5.10，多空组合年化收益率最高为 19.13%， 信息比率达 2.26。将遗传规划因子与既有因子群等权合成后，合成因子 20 日 Rank IC 提升至 13.24%，ICIR 为 4.61，多空组合年化收益率达 38.41%， 信息比率达 2.40。