遗传规划的研究与应用.docxVIP

正文目录 TOC \o 1-2 \h \z \u 遗传规划介绍 1 遗传规划原理 1 遗传规划在因子挖掘中应用 3 遗传规划因子检验 4 因子 1 检验 6 因子 2 检验 7 因子 3 检验 8 因子 4 检验 8 因子 5 检验 9 因子 6 检验 10 因子 7 检验 11 因子 8 检验 11 因子 9 检验 12 2.10 因 子 10 检验 13 2.11 因 子 11 检验 14 2.12 因 子 12 检验 14 2.13 因 子 13 检验 15 2.14 因 子 14 检验 16 2.15 因 子 15 检验 17 因子相关性检验及合成 17 因子相关性检验 18 因子合成 18 基于遗传规划因子策略构建 19 总结与展望 19 风险提示 21 图表目录 图 1、遗传规划基本流程 1 图 2、遗传规划树形表达 2 图 3、因子 1 五组分层 7 图 4、因子 1 多空净值 7 图 5、因子 2 五组分层 7 图 6、因子 2 多空净值 7 图 7、因子 3 五组分层 8 图 8、因子 3 多空净值 8 图 9、因子 4 五组分层 9 图 10、因子 4 多空净值 9 图 11、因子 5 五组分层 10 图 12、因子 5 多空净值 10 图 13、因子 6 五组分层 10 图 14、因子 6 多空净值 10 图 15、因子 7 五组分层 11 图 16、因子 7 多空净值 11 图 17、因子 8 五组分层 12 图 18、因子 8 多空净值 12 图 19、因子 9 五组分层 13 图 20、因子 9 多空净值 13 图 21、因子 10 五组分层 13 图 22、因子 10 多空净值 13 图 23、因子 11 五组分层 14 图 24、因子 11 多空净值 14 图 25、因子 12 五组分层 15 图 26、因子 12 多空净值 15 图 27、因子 13 五组分层 16 图 28、因子 13 多空净值 16 图 29、因子 14 五组分层 16 图 30、因子 14 多空净值 16 图 31、因子 15 五组分层 17 图 32、因子 15 多空净值 17 图 33、合成因子五组分层 19 图 34、合成因子多空净值 19 图 35、中证 500 指数增强策略曲线 20 表 1、函数列表 4 表 2、因子列表 5 表 3、因子检验结果 6 表 4、因子 1 统计指标 7 表 5、因子 2 统计指标 8 表 6、因子 3 统计指标 8 表 7、因子 4 统计指标 9 表 8、因子 5 统计指标 10 表 9、因子 6 统计指标 11 表 10、因子 7 统计指标 11 表 11、因子 8 统计指标 12 表 12、因子 9 统计指标 13 表 13、因子 10 统计指标 14 表 14、因子 11 统计指标 14 表 15、因子 12 统计指标 15 表 16、因子 13 统计指标 16 表 17、因子 14 统计指标 17 表 18、因子 15 统计指标 17 表 19、挖掘因子相关性矩阵 18 表 20、合成因子统计指标 19 表 21、策略统计指标 20 遗传规划介绍 遗传规划（Genetic Programming）属于进化算法的一种。遗传规划继承了遗传算法(Genetic Algorithms)的基本思想， 即从父辈中择优繁育子辈。遗传规划通过使用达尔文自然选择和生物启发操作的原理对计算机程序群体进行遗传繁殖来实现自动编程（有时也称为程序合成或程序归纳）的目标。这些操作包括繁殖、交叉（有性重组）、突变和自然界中基因复制和基因缺失模式的结构改变操作。遗传规划的个体是计算机程序，具备多样的表现形式。最常见的是基于树状的遗传编程，可用树形结构来清晰地表达。 在多因子量化选股系统报告中，我们已经构建了基本面、技术面、资金面等因子，这些因子均从金融市场逻辑的角度出发。本篇报告将利用机器学习模型和大数据的技术，通过遗传规划算法对量价行情数据进行不同组合， 从而挖掘另类量价因子。 遗传规划原理 遗传规划通常从一组随机生成的程序开始，迭代地将计算机程序群体转换为新一代程序，直到程序满足要求即可停止迭代。 遗传规划的基本流程见图 1。图 1、遗传规划基本流程 资料来源： 制作 遗传规划的表达 遗传规划最终目是寻找一个数学公式用来表达一种关系。举例来说，假设有两个变量X0 和X1，它们以如下方式相互作用来定义因变量 y： 0?? = ??2 ? 3 ? ??1 + 0.5 0 如果用遗传规划中常用的方法（LISP 前缀表示法），则该公式为： ?? = (+(?(? ??0??0)(? 3??1))0.5) 如