網格搜索是最常見的傳統的參數優化方法
當參數數量少時，這個方法還算可行，但一旦參數超過三個，需要測試的組合數量就會急遽增加，耗費大量的計算時間。遺傳演算法提供了一種更高效的替代方案。本文想談談遺傳演算法，以及其應用。
遺傳演算法的直覺
遺傳演算法的核心概念其實很直觀，你不需要預先知道哪組參數是最好的，你只需要讓程式自動嘗試、比較、改進，反覆疊代，讓好的參數組合逐步浮現。它的運作方式，可以想像成在參數空間中同時探索多個方向，保留表現好的，淘汰表現差的，並在好的區域附近進一步搜索。這個過程不需要人工干預，也不需要對參數空間有任何先驗假設，只需要一個明確的績效評分標準。
相較於網格搜索，遺傳演算法聰明多了，它會把力氣砸在最有希望的那幾塊區域上，效率自然拉開。至於隨機搜索，就是盲測；遺傳演算法不一樣，它每一輪的嘗試都會記下來，拿來指引下一步該往哪走，越走越靠近真正好的那幾組設定。
遺傳規劃與遺傳演算法的關鍵區別
遺傳規劃和遺傳演算法都是演化計算的分支，但兩者處理的問題本質完全不同。
- 遺傳演算法是參數優化，框架已經有了，找最好的參數填進去。遺傳演算法的個體長相是一組固定長度的參數向量，像 `[20, 5, 70]` 這樣。遺傳演算法的搜索範圍只在連續或離散的參數空間裡轉。最後輸出的東西是最佳參數。
- 遺傳規劃是結構發現，找出規則或因子長什麼樣。遺傳規劃的個體是一棵可長可短的樹或程式，像 `(RSI - MA)/Vol` 這種。遺傳規劃的搜索範圍跑的是表達式空間，理論上可以生成無限多種結構。最後輸出的東西是一個全新的因子或規則。
遺傳演算法的核心流程
遺傳演算法的運作可以分為五個步驟。
- 第一步：初始化。隨機生成一群個體，每個個體就是一組完整的策略參數。例如，一組可能是均線週期等於20、停損等於5%、RSI門檻等於70，另一組可能是均線週期等於50、停損等於3%、RSI門檻等於80。族群大小通常設定在50到200之間。
- 第二步：評估。對每個個體執行回測，計算它的績效指標，如夏普比率。
- 第三步：篩選。根據績效指標，選出表現較好的個體作為母體。常見的篩選方式包括只選前20%的個體、用績效加權隨機抽樣，或直接保留表現最好的幾個個體。
- 第四步：重組與微調。將選出的母體兩兩配對，互相交換部分參數，產生新的組合。例如，個體A（均線=20，停損=5%）和個體B（均線=50，停損=10%），重組後，可能產生子代（均線=20，停損=10%）。同時，以一定的機率對部分參數進行隨機微調，例如將均線週期從20改成21，引入新的多樣性。
- 第五步：迭代。用新產生的個體替換掉表現較差的舊個體，形成新的群體，然後回到第二步，重複這個過程，直到達到設定的疊代次數或績效不再明顯提升。
在量化交易中的實戰應用
策略參數優化
策略參數優化是遺傳演算法最直接的應用。任何有參數的策略都可以用它來優化。當策略有五個以上參數時，網格搜索的計算量會指數級增長，而遺傳演算法可以在幾百次疊代內找到接近最優的組合。
因子權重優化
在多因子模型中，每個因子該給多少權重？遺傳演算法可以同時優化數十個因子的權重分配。
投資組合優化
在給定資產池中，如何分配資金比例？傳統的均值-變異數優化對輸入參數極為敏感，而遺傳演算法不依賴梯度信息，能處理非凸、多峰的目標函數，更適合處理真實的金融優化問題。
注意事項
當然，遺傳演算法也不是沒風險。
- 過度擬合是最大的風險。對策包括嚴格分割訓練集、驗證集和測試集，使用滾動視窗驗證，限制疊代次數，以及監控族群中最佳績效與平均績效的差距。如果差距過大，表示族群正在過度擬合。
- 遺傳演算法不是聖盃，它無法保證找到一組能穩定賺錢的策略參數，也無法憑空創造Alpha。它只是一個工具，幫你在已經定義好的參數空間中，用比網格搜索和隨機搜索更快的速度，找到一組表現較好的參數。如果策略本身沒有正期望值，遺傳演算法再怎麼優化也無法讓它變成賺錢的策略。
原文出處：voltima_quant (@voltima_quant) 於 Threads · 查看原文
