4. 遗传编程核心概念
在Alpha因子挖掘中，遗传编程不是“随机搜索公式”，而是一套有明确生物学隐喻的进化计算框架。理解这套框架的关键，是把九个核心概念串成一条闭环：个体是候选因子，种群是个体的集合，基因型是公式的树形编码，表现型是公式在数据上计算出的因子值，适应度衡量因子好坏，选择决定谁留下，交叉与变异产生新个体，进化代数控制迭代轮次。下面从原理、流程、案例和误区四个模块展开。
一、核心原理：从基因型到表现型的映射
遗传编程最容易被误解的一点，是把它当成“直接搜索最优公式”。实际上，算法操作的是基因型，而评估的是表现型。基因型是一棵语法树，内部节点是算子（如 add、sub、mul、div、rank、ts_mean），叶子节点是终端（如 close、volume、returns、常数）。表现型则是把这棵树在行情数据上执行后得到的因子序列。
例如，基因型为 div(sub(close, ts_mean(close, 20)), ts_std(close, 20))，表现型就是过去20日收盘价的标准化偏离度。同一个基因型在不同股票池、不同时间窗口下，表现型可能完全不同。因此，适应度必须在明确的数据切片和评估协议下计算，否则比较没有意义。
关键映射关系：基因型（树结构）→ 执行引擎 → 表现型（因子值序列）→ 评估指标 → 适应度（标量）。遗传编程的搜索发生在基因型空间，但选择压力来自表现型空间。
二、方法流程：一轮进化到底发生了什么
一个标准遗传编程回合可以拆成八个步骤，每一步都对应一个核心概念：
- 初始化种群：随机生成N个个体，常用
ramped half-and-half方法控制树深，避免一开始就出现巨型公式。 - 计算表现型：对每个个体执行树，得到因子值，并做去极值、标准化、中性化等预处理。
- 计算适应度：常用IC、ICIR、RankIC、多空收益、换手率惩罚等组合指标。
- 选择：按适应度排序，采用锦标赛选择或轮盘赌选择，保留精英个体。
- 交叉：从两个父代中随机选择子树并交换，生成两个子代。
- 变异：随机替换子树或节点，维持种群多样性，防止早熟收敛。
- 形成新种群：精英保留+交叉子代+变异子代，组成下一代。
- 进化代数递增：重复步骤2-7，直到达到最大代数或适应度不再提升。
下面是一个简化的参数配置示例，展示这些概念在代码中如何落地：
population_size = 500
max_generations = 30
tournament_size = 5
crossover_rate = 0.7
mutation_rate = 0.2
elitism_size = 10
max_tree_depth = 6
fitness_metric = "rank_icir"
parsimony_coefficient = 0.001
其中parsimony_coefficient用于惩罚过大的树，避免公式膨胀。这个参数看似小，但在Alpha因子挖掘中非常关键，因为复杂公式更容易过拟合。
三、案例场景：一个因子从诞生到被淘汰
假设我们要挖掘一个量价背离因子。初始种群中有一个个体基因型为：
div(ts_mean(volume, 5), ts_mean(volume, 20))
它的表现型是短期成交量均值与长期成交量均值的比值。在评估期，该因子RankIC为0.018，ICIR为0.35，换手率较高。适应度计算时加入换手惩罚后，排名中游。
在交叉阶段，它与另一个个体sub(close, ts_mean(close, 10))交换子树，产生新个体：
div(ts_mean(volume, 5), ts_mean(close, 10))
这个新个体表现型变成“短期成交量均值与中期收盘价均值之比”，经济含义模糊，RankIC降至0.006，被自然淘汰。与此同时，另一个变异个体将ts_mean(volume, 5)替换为ts_rank(volume, 5)，得到：
div(ts_rank(volume, 5), ts_mean(volume, 20))
该因子RankIC提升至0.024，ICIR达到0.52，且换手率下降，最终进入精英池。这个过程说明：交叉和变异本身不保证变好，它们只是产生多样性，真正决定方向的是适应度函数和选择机制。
四、误区与复盘：九个概念中最容易踩的坑
误区一：把适应度当成唯一目标。如果只用IC最大化，算法会迅速生成大量高IC但高换手、高相关、不可交易的因子。适应度必须是多目标或带惩罚的复合指标。
误区二：忽视基因型与表现型的区分。两个基因型不同的树可能产生完全相同的表现型，导致种群“假多样性”。去重时应在表现型层面做相关性过滤。
误区三：进化代数越多越好。代数过多会过拟合训练集，且计算成本线性增长。通常30-50代后适应度提升边际递减，应结合样本外验证早停。
误区四：变异率设置过低。变异率太低会导致种群早熟，所有个体趋同；太高则退化为随机搜索。经验值在0.1-0.3之间，需根据种群规模调整。
为了更系统地对比这些概念，下表给出每个核心概念在遗传编程中的角色、常见实现和Alpha因子挖掘中的注意事项：
| 核心概念 | 角色 | 常见实现 | Alpha挖掘注意事项 |
|---|---|---|---|
| 个体 | 一个候选因子公式 | 语法树 | 需限制树深和节点数 |
| 种群 | 候选因子集合 | 500-2000个个体 | 规模太小易早熟，太大计算贵 |
| 基因型 | 公式的树形编码 | 算子+终端 | 算子集要符合金融语义 |
| 表现型 | 因子值序列 | 执行树得到 | 需做标准化和中性化 |
| 适应度 | 因子好坏评分 | RankICIR+惩罚 | 必须样本外验证 |
| 选择 | 保留优秀个体 | 锦标赛/轮盘赌 | 保留精英防止退化 |
| 交叉 | 交换子树产生新个体 | 子树交叉 | 可能破坏有效结构 |
| 变异 | 随机改变节点 | 子树变异/点变异 | 维持多样性关键 |
| 进化代数 | 迭代轮次 | 30-50代 | 结合早停和样本外监控 |