原创文章第462篇，专注“AI量化投资、个人成长与财富自由”。
按惯性每周五咱们会迭代版本，今天也不例外。
年前咱们更新到quantlab3.6:
Quantlab3.5代码发布：因子表达式及Alpha158因子库实现 | 超参数优化（代码+数据）
本周的重点是gplearn在因子挖掘上的应用，重点是CTA场景。
gplearn遗传算法应用于CTA因子挖掘：手把手教程（代码+数据下载）
gplearn系列：使用因子rank ic评估因子性能（代码+数据）
大家知道，原生的GPLearn并不适合挖掘因子，主要存在以下几个问题：
1、gplearn只支持单标的，在CTA策略单标的可以，但单标的下挖掘的因子，很容易过拟合。
2、内置的函数不适合金融量化因子，需要自己扩展。而且原生的扩展，不支持常数项，比如SMA(10)，这个10就是常数。
3、原生的fitness是ic和Rank IC，不支持夏普比或者卡玛比率这种。
4、而且网上能用的代码有限，版本鱼龙混杂，不成体系，或者文档不全。
5、传统的因子挖掘方法大多基于遗传规划（Genetic Programming）方法，这类方法具有收敛速度慢、超参数难以调优等局限；
网上的代码都是“暴改”之后的，且没有文档，demo未必能跑通。
我给大家跑通了一份，但是基于qlib的，与DeepAlpha同构，后续以这份代码为蓝本了。
大家直接pip install -r requirements.txt即可（python 3.8）
基于A股的qlib数据也会打包给大家，置于~/.qlib/qlib_data/cn_data_rolling目录下：
代码已经发布至星球：AI量化实验室——2024量化投资的星辰大海
1、支持GPLearn, DSO以及强化学习的版本。
2、数据目前的A股全量数据，qlib格式。
3、支持多支股票同时挖掘。
4、支持多因子联合评测。