主要内容
　　简介
　　对于人工智能在因子挖掘中的应用，目前主要还是停留在遗传规模的方法基础上。近几年机器学习发展迅速，以AutoML为代表的特征工程以及模型搭建也早以在工业界实现了广泛应用。本文我们尝试将Google Brain团队提出的AutoML-Zero模型应用与因子挖掘领域，结合实际情况对模型做了相应的修改构建了AlphaZero框架。
　　背景介绍
　　如果将目标任务比作搭积木，Auto实现了机器自动搭建的过程，减少了其中的人工干预。与传统的手工搭建相比，AutoML的结构在使用相同数目积木的情况下，表现更加稳定。但是AutoML使用的工具是现有的标准化形状的积木，而AutoMLZero更像是采用木头和工具等原材料搭建积木的过程，正因为材料原始，搭建出的结构具有更多的可能性，不仅能够实现标准积木搭建的结构，也能够在标准结构的基础上，生成新的积木形状。
　　AlphaZero
　　与传统的遗传规划以及AutoML-Zero相比，AlphaZero在挖掘的效率以及因子的可解释性上做了更多的优化，首先，我们对所有数据采用了量纲化处理，避免了在因子挖掘中经常出现的不同量纲之间的因子运算，并且我们要求最终生成的因子为无量纲因子，这样使得因子可解释性问题有所缓解。其次，对于合成因子的长度我们也进行了限制，避免了因子计算过于复杂，容易导致的过拟合问题。
　　因子结果
　　我们展示了三个因子结果，因子的多空年化收益率分别为26.17%，22.51%以及25.73%
　　风险提示：进化算法挖掘出的因子是基于历史统计结果的展示，未来有可能发生风格切换导致因子失效的风险。模型运行存在一定的随机性，初始化随机数种子会对结果产生影响，单次运行结果可能会有一定偏差。历史数据的区间选择会对结果产生一定的影响。模型参数的不同会影响最终结果。模型对计算资源要求较高，运算量不足会导致结果存在一定的欠拟合风险。本文所有模型结果均来自历史数据，模型存在统计误差，不保证模型未来的有效性，对投资不构成任何建议。
　　

研究报告全文：证券研究报告金融工程深度逐鹿Alpha专题报告十二金融工程研究AlphaZero基于AutoML-Zero的高频数据低频化因子挖掘框架主要内容丁鲁明丁鲁明简介dinglumingcsccomcn邮件地址csccomcn021-68821623010-电话号码对于人工智能在因子挖掘中的应用目前主要还是停留在遗传执业证书编号S1440515020001SAC执证编号规模的方法基础上近几年机器学习发展迅速以AutoML为代SFC中央编号表的特征工程以及模型搭建也早以在工业界实现了广泛应用王超本文我们尝试将团队提出的模型应用GoogleBrainAutoML-Zerowangchaodcqcsccomcn与因子挖掘领域结合实际情况对模型做了相应的修改构建了18221845405框架AlphaZero执业证书编号S1440522120002背景介绍如果将目标任务比作搭积木Auto实现了机器自动搭建的过程减少了其中的人工干预与传统的手工搭建相比AutoML发布日期2022年12月14日的结构在使用相同数目积木的情况下表现更加稳定但是AutoML使用的工具是现有的标准化形状的积木而AutoML-市场表现Zero更像是采用木头和工具等原材料搭建积木的过程正因为19材料原始搭建出的结构具有更多的可能性不仅能够实现标准积木搭建的结构也能够在标准结构的基础上生成新的积149木形状4AlphaZero-1与传统的遗传规划以及AutoML-Zero相比AlphaZero在挖掘的2016620201672020168202016920201712020172202017320201742020175202016112020161220效率以及因子的可解释性上做了更多的优化首先我们对所上证指数20161020国债指数有数据采用了量纲化处理避免了在因子挖掘中经常出现的不同量纲之间的因子运算并且我们要求最终生成的因子为无量相关研究报告纲因子这样使得因子可解释性问题有所缓解其次对于合成因子的长度我们也进行了限制避免了因子计算过于复杂容易导致的过拟合问题因子结果我们展示了三个因子结果因子的多空年化收益率分别为26172251以及2573风险提示进化算法挖掘出的因子是基于历史统计结果的展示未来有可能发生风格切换导致因子失效的风险模型运行存在一定的随机性初始化随机数种子会对结果产生影响单次运行结果可能会有一定偏差历史数据的区间选择会对结果产生一定的影响模型参数的不同会影响最终结果模型对计算资源要求较高运算量不足会导致结果存在一定的欠拟合风险本文所有模型结果均来自历史数据模型存在统计误差不保证模型未来的有效性对投资不构成任何建议本报告由中信建投证券股份有限公司在中华人民共和国仅为本报告目的不包括香港澳门台湾提供在遵守适用的法律法规情况下本报告亦可能由中信建投国际证券有限公司在香港提供同时请参阅最后一页的重要声明金融工程研究金融工程专题报告目录一简介1二背景介绍121AutoML简介122AutoML-Zero简介2三AlphaZero431基础因子及算子532进化算法8321热启动初始化8322个体筛选及适应度9323变异及进化算法10324退化变异及灾难算法11四因子挖掘结果1241Alpha11242Alpha21443Alpha316五结果及讨论17六参考文献18图目录图1AutoML流程1图2NASNet表现2图3AutoML-Zero算法进化3图4AutoML-Zero新算法生成3图5进化算法不可能三角5图6程序构成7图7树形表达式7图8程序表达式7图9进化算法流程8图10个体进化过程9图11正则化进化过程10图12个体变异11图13种群进化12图14因子一IC13图15因子一分组收益率14图16因子二IC15图17因子二分组收益率15图18因子三IC16图19因子三分组收益率17请参阅最后一页的重要声明金融工程研究金融工程专题报告一简介在量化研究中因子构建是模型的基石因子的好坏直接决定了策略的收益率因此因子挖掘历来是量化研究的重点传统的经验为主的因子挖掘方式经历几十年的发展早已进入了瓶颈期因子拥挤度不断增加在经历市场风格切换时非常容易发生踩踏导致大幅回撤对于人工智能在因子挖掘中的应用目前主要还是停留在遗传规模的方法基础上近几年机器学习发展迅速以AutoML为代表的特征工程以及模型搭建也早已在工业界实现了广泛应用本文我们尝试将GoogleBrain团队提出的AutoML-Zero模型应用与因子挖掘领域结合实际情况对模型做了相应的修改构建了AlphaZero框架AlphaZero主要是对因子的可解释性因子挖掘的效率以及因子的多样性上做了相应的优化最终的框架不仅能够应用于批量因子的生成也能够应用于现有因子的改进二背景介绍21AutoML简介经典的机器学习任务需要大量的人工干预主要体现在特征提取模型构建算法选择等环节从模型开发到落地往往需要消耗大量的人力而AutoML的目的是为了尽可能减少人工干预使机器学习模型实现端到端的自动化过程图1AutoML流程数据来源TakingtheHumanoutofLearningApplicationsASurveyonAutomatedMachineLearning1中信建投AutoML涉及的方向较多主要分为1自动数据清洗2自动特征工程请参阅最后一页的重要声明1金融工程研究金融工程专题报告3超参数优化4元学习5神经网络架构搜索其中神经网络架构搜索NeuralArchitectureSearchNAS是近年来研究的热点NAS的主要思想是将一个循环神经网络作为控制器利用给定的基础模块搭建出一个完整的深度学习网络整个过程类似于搭积木以往通过人工搭建的过程交由机器自行构建通过NAS自动搭建的网络能够取得优异的表现在相同参数条件下能够取得超越经典网络的表现图2NASNet表现数据来源LearningTransferableArchitecturesforScalableImageRecognition2中信建投22AutoML-Zero简介AutoML-Zero3是由GoogleBrain的Real等人在2020年提出算法能够从零开始用基本的数学操作去搜索机器学习算法如果将目标任务比作搭积木Auto实现了机器自动搭建的过程减少了其中的人工干预与传统的手工搭建相比AutoML的结构在使用相同数目积木的情况下表现更加稳定但是AutoML使用的工具是现有的标准化形状的积木而AutoML-Zero更像是采用木头和工具等原材料搭建积木的过程正因为材料原始搭建出的结构具有更多的可能性不仅能够实现标准积木搭建的结构也能够在标准结构的基础上生成新的积木形状AutoML-Zero主要是通过正则化进化算法将程序内的代码不断变异进化最终生成目标程序在原论文中作者通过在CIFAR-10的数据集上训练发现算法能够不断进化从线性模型到损失函数梯度下降激活函数等等实现了完整的MLP过程请参阅最后一页的重要声明2金融工程研究金融工程专题报告图3AutoML-Zero算法进化数据来源AutoML-ZeroEvolvingMachineLearningAlgorithmsFromScratch3中信建投在一些极端情况下AutoML-Zero能够进化出Dropout学习率衰减权重矩阵的变换平均值作为学习速率等操作图4AutoML-Zero新算法生成数据来源AutoML-ZeroEvolvingMachineLearningAlgorithmsFromScratch3中信建投请参阅最后一页的重要声明3金融工程研究金融工程专题报告AutoML-Zero为算法的发现提供了新的思路未来随着硬件资源的扩展以及搜索空间的优化AutoML-Zero的潜力将得到更加有效的释放三AlphaZero传统的因子挖掘以人工构建和以遗传规划为代表的机器挖掘为主我们在之前的报告中也曾尝试过将遗传规划与分析师因子结合进行因子挖掘AutoML-Zero为因子挖掘提供了新的思路本文我们在AutoML-Zero的基础上构建了AlphaZero的因子挖掘框架与所有进化算法面临的问题一样AlphaZero同样面临适应度进化效率以及物种多样性三者之间的不可能三角问题即不能够同时满足种群适应度较高进化效率快以及种群具有较好的多样性的条件在实际问题中需要做相应的取舍在AlphaZero中对于三者我们分别采取了一定的优化从而能够在较高的效率下实现因子的挖掘与传统的遗传规划以及AutoML-Zero相比AlphaZero在挖掘的效率以及因子的可解释性上做了更多的优化首先我们对所有数据采用了量纲化处理避免了在因子挖掘中经常出现的不同量纲之间的因子运算并且我们要求最终生成的因子为无量纲因子这样使得因子可解释性问题有所缓解其次对于合成因子的长度我们也进行了限制避免了因子计算过于复杂容易导致的过拟合问题与AutoML-Zero不同的是由于计算效率的差距以及金融数据的实际问题我们并没有简单的四则运算作为基础算子而是在此基础上加入了更多因子构建时常用的算子在搜索空间上不同于AutoML-Zero的无关联搜索我们限制了所有的变异均需要与原有的代码有关联即所有在图结构上的改动均与原有的边或者节点相关联通过这两项改动能够极大的提高进化的效率请参阅最后一页的重要声明4金融工程研究金融工程专题报告图5进化算法不可能三角适应度进化效率物种多样性数据来源中信建投31基础因子及算子与AutoML-Zero类似我们将基础数据分为三类标量s常数251020240仅用于分钟数据向量v中证全指日频涨跌幅振幅换手率上涨股票占比矩阵m股票日频最高价最低价开盘价收盘价成交量分钟频率最高价最低价开盘价收盘价成交量为了使得合成的因子具有一定的可解释性每类数据都标有相应的量纲高开低收量纲为元成交量量纲为手其他无量纲在后续计算中只有特定的量纲之间能够进行合法运算所有算子分为三类分别是元素运算符时间序列运算符以及横截面运算符在算子的构建上尽量选择基础算子通过个体在搜索空间内的不断进化构建出最终适应度较高的种群表1算子集合算子解释量纲元素运算符addm1m2m1m2输入相同量纲输出不改变量纲subtractm1m2m1-m2输入相同量纲输出不改变量纲protecteddivmvm1v输出不改变量纲sigmoidm11powe-m输出无量纲时间序列运算符tsmeanms过去v期m的平均值输出不改变量纲请参阅最后一页的重要声明5金融工程研究金融工程专题报告tsstdms过去v期m的标准差输出不改变量纲tsskewms过去v期m的偏度输出无量纲tskurtms过去v期m的峰度输出无量纲tsmaxms过去v期m的最大值输出不改变量纲tsminms过去v期m的最小值输出不改变量纲tscorrm1m2s过去v期m1与m2的相输入相同量纲输出不改变量纲关性tsdiffms过去v期m的变化输出不改变量纲tsdelayms过去v期m的值输出不改变量纲idxminms过去v期m的最小值的序输出无量纲号idxmaxms过去v期m的最大值的序输出无量纲号intervalmopv1v2opmv1v2横截面运算符csnormmm的横截面标准化输出无量纲资料来源中信建投在矩阵数据中存在不同频率的数据需要首先通过时间序列算子将分钟频率的数据降频的日频然后进一步进行运算与传统的遗传规划不同在AutoML-Zero中个体不再是树型表达式而是程序Program表达式程序Program由三部分构成分别是设置Setup预测Predict以及学习Learn请参阅最后一页的重要声明6金融工程研究金融工程专题报告图6程序构成数据来源中信建投Program本质上来讲是一个图的结构与树型结构相比图的结构更具有普适性树的增长受限于节点参数以及节点个数而图的表达式可以拓展到整个空间从搜索空间来看图的搜索空间要远远大于树型表达式的搜索空间使得AutoML-Zero的挖掘的潜力近乎无穷但是随之也带来了计算效率的问题如果随机探索大部分情况下变异产生的基因均与目标适应度无任何关联因此如何平衡进化效率与搜索空间是AutoML-Zero面临的最大问题图7树形表达式图8程序表达式数据来源中信建投数据来源AlphaEvolveALearningFrameworktoDiscoverNovelAlphasinQuantitativeInvestment中信建投无论是树型表达式还是图形表达式最终的目标个体均可表示成单行表达式的形式即因子的表达式为请参阅最后一页的重要声明7金融工程研究金融工程专题报告统一表述下文中所有个体均指代因子种群指代因子集合个体进化是指因子的表达式发生部分变异生成新的因子32进化算法进化算法启发自生物的进化机制通过个体之间的交叉编译筛选种群中适应度较高的个体使得种群整体的适应度增加常见的进化算法包括遗传算法遗传规划进化策略以及进化规划等进化算法的流程如下图所示完整的进化流程包括初始化筛选繁衍以及终止四个步骤图9进化算法流程数据来源中信建投与AutoML-Zero类似本文采用正则化进化算法正则化进化又称衰老进化是由GoogleBrain的Real等人在2018年提出的算法正则化进化模拟了自然界物种进化的规律种群在进化时首先将年龄最大的个体进行淘汰然后在剩下的个体中筛选适应度较高的个体作为父代在繁衍时父代的基因会进行部分变异生成子代使得子代既保留了父代大部分基因又能够再父代的基础上变异出新的基因此过程循环往复种群的适应度会不断提高直至最终达到终止条件321热启动初始化生成种群的第一步是初始化个体种群个体的数量根据具体情况而定本文我们选取的种群个体数量为500在初始化个体时采用随机生成的方式生成大部分满足要求的个体此时的个体表达式均较为简单为了提高进化速度在初始种群中加入之前训练中适应度较高的个体热启动的优点在于能够有效提高种群的进化效率请参阅最后一页的重要声明8金融工程研究金融工程专题报告热启动的另外一个用途是能够用来进化已有个体将已有因子与其他简单基因个体构成的种群作为初始化种群在后续的进化中已有个体的基因与种群中的其他基因不断发生变异能够使目标个体的适应度不断增加在原有个体的基础上生成新的个体如下图所示原始因子为tsmeanclose240CLOSE表示日内分钟线close的均价与当日收盘价的均价我们在之前的报告中也曾使用过此因子作为模型的输入此因子在沪深300模型的所有因子重要性中排名第一利用AlphaZero我们可以展示此因子的进化过程首先分子从tsmeanclose240进化为tsmeantsmeanclose2405为原始因子的五日平均第二步分母从CLOSE进化为CLOSELOW在第三次进化中分母再次进化为CLOSEtsminLOW5在最后一次进化中分母变为CLOSEtsstdtsstdclose2405随着不断进化因子在样本内的IC从0057提升到了0064图10个体进化过程tsmeantsmtsmeantsmtsmeantsmtsmeantsmeanclose240tsmeancloseeanclose240eanclose240eanclose2405CLOSEts240CLOSE5CLOSELO5CLOSEts5CLOSEstdtsstdcloWminLOW5se2405数据来源中信建投322个体筛选及适应度生成初代种群即初始因子之后首先需要定义个体的适应度我们采用因子IC的绝对值作为个体适应度函数IC的计算方式为因子与T1到T2的收益率在样本内的相关性的平均值根据个体的适应度大小筛选出适应度较高的个体作为下一代个体的父代变异之后生成下一代带个体筛选的方法有许多种包括最优个体锦标赛法轮盘法等最优个体是筛选出种群中适应度最高N个个体这种方法的优点在于种群的进化速度快但是容易导致种群的多样性降低陷入局部最优轮盘法是根据个体的适应度占比按照此概率随机筛选出相应的个体此方法能够确保种群的多样性但是种群的进化速度较慢筛选方法中最常用的为锦标赛法锦标赛算法是在种群中随机选择k个个体再从k个个体中选择适应度最高的个体作为父代不断循环此过程直至达到指定的父代数量为止该方法的优势在于每次从随机的部分样本中进行选择在确保物种适应度的同时保留种群的多样性请参阅最后一页的重要声明9金融工程研究金融工程专题报告323变异及进化算法在正则化进化算法中个体会带有年龄的属性在每一轮进化的过程中上一轮筛选出的父代会进行变异生成新的N个子代而上一轮中年龄最大N个子代会被剔除以此确保种群的进化以及适应度的提高具体的步骤如下图11正则化进化过程数据来源AutoML-ZeroEvolvingMachineLearningAlgorithmsFromScratch中信建投第一步将种群中年龄最大的N个个体删除第二步在剩下的个体中筛选适应度最高的N个个体第三步将这N个个体进行复制第四步将这N个个体进行变异生成新一代的种群循环往复与传统进化算法相比正则化进化在变异时只有个体变异并没有采用交叉变异的方式其中个体变异请参阅最后一页的重要声明10金融工程研究金融工程专题报告有三种方式分别是插入成分变异以及节点变异图12个体变异数据来源AutoML-ZeroEvolvingMachineLearningAlgorithmsFromScratch中信建投324退化变异及灾难算法在进化算法中面临的最大问题之一是物种多样性问题适应度过于单一会导致随着进化过程的进行精英个体的基因会变得非常相似导致整个种群的多样性降低此时种群会非常容易陷入局部最优进化效率降低有许多相关的工作用于解决物种多样性问题本文我们引入退化变异以及灾难算法用于缓解物种多样性的问题退化变异与插入变异相反是将某节点向下关联的所有表达式退化为一个节点目的是为了删除精英个体的某些基因表达式使精英个体的基因复杂度降低从而使一般个体的基因得以保存退化变异的主要目的是删除基因片段而灾难算法的主要目的是删除个体具体算法为计算个体之间的相似度对于相似度过高的个体只保留适应度最高的一个个体经过灾难算法之后此时中群内的主导基因不再显著更有利于种群的多样化进化但是种群内的个体数量减少需要补充个体数量通过加入初代的初始请参阅最后一页的重要声明11金融工程研究金融工程专题报告化个体和当前代个体的变异后代两种方式进行补充由于种群个体数目众多相似度计算的复杂度较高时间复杂度为Onp2T其中T为时间长度p为个体数量n为计算次数为了降低复杂度我们采用降采样的方式计算相关性具体思路为在计算个体相关性时只随机采样部分时间点tT的相关性取均值另外只计算精英个体qp之间的相似性且每隔m轮启动一次灾难算法确保精英个体有足够的时间进化四因子挖掘结果对于种群而言我们更关注整个种群的统计值下图展示了进化轮数与种群个体的平均IC以及最大个体IC的关系可以看出随着轮数增大种群的平均IC会不断增加而IC最大的个体变异导致的IC增加存在一定的几率发生因此会出现几轮不变的情况种群的平均IC会出现定期下滑的情况正式由于我们的灾难算法删除了部分相似个体导致的结果但是很快种群的IC会得到恢复图13种群进化009008007006005004003种群平均IC种群最大IC002001004812162024283236404448525660646872768084889296100104108112116120124128132136140144148152数据来源ricequant中信建投41Alpha1因子一的定义为tsnormcsnormHIGH20因子一的定义较为简单为改进后的反转因子代表了股票最高价的横截面排序的20日时间序列标准化请参阅最后一页的重要声明12金融工程研究金融工程专题报告排序相对于过去20天的排名越低未来收益越高因子的IC均值为-00366IR为438因子胜率为6122小于0占比从IC的时间序列来看因子在大部分时间均处于负向IC区间在4月份有过明显的反转图14因子一IC06icic20mean0402020191292020731202163020219302022131201922820193312019430201953120196302019731201983120199302020131202022920203312020430202053120206302020831202093020211312021228202133120214302021531202173120218312022228202233120224302022531202263020227312020103120191130201912312020113020201231202110312021113020211231-0220191031-04-06数据来源ricequant中信建投从因子的分组收益率可以看出多头组自19年起累计收益118空头组的累计收益为-16多空年化收益2617多头组的年化收益为2377请参阅最后一页的重要声明13金融工程研究金融工程专题报告图15因子一分组收益率301234多空对冲2521510502019731201912920192282019331201943020195312019630201983120199302020131202022920203312020430202053120206302020731202083120209302021131202122820213312021430202153120216302021731202183120219302022131202222820223312022430202253120226302022731202012312019113020191231202010312020113020211031202111302021123120191031数据来源ricequant中信建投42Alpha2因子二的定义为tsmaxtsminintervalvolumesum9301000VOLUME2tscorrhighvolume2405因子二是开盘后半小时成交量占比的两日最小值与日内的最高价与成交量的相关性求和之后取五日最大值得到的因子很明显此因子是由原始开盘后半小时成交量占比因子与最高价成交量相关性两个因子的基因进化得到的合成因子因子二的IC均值为-00367IR为733因子胜率为6821因子二的稳定性和胜率显著高于因子一请参阅最后一页的重要声明14金融工程研究金融工程专题报告图16因子二IC06icic20mean04020-02-04-06数据来源ricequant中信建投从因子的分组收益率可以看出多头组自19年起累计收益103空头组的累计收益为-7多空年化收益2251多头组的年化收益为2139图17因子二分组收益率01234多空对冲252151050201938201958202228201918201928201948201968201978201988201998202018202028202038202048202058202068202078202088202098202118202128202138202148202158202168202178202188202198202218202238202248202258202268202278202288201911820191282020108202011820201282021108202111820211282019108数据来源ricequant中信建投请参阅最后一页的重要声明15金融工程研究金融工程专题报告43Alpha3因子三的定义为tsmaxtsmincsnormVOLUME2tscorrhighvolume2402因子三是横截面标准化的成交量两日最小值与日内的最高价与成交量的相关性求和之后取五日最大值得到的因子很明显此因子与因子二相比部分基因发生了替换因子二的开盘成交量占比替换成了横截面标准化的成交量因子三的IC均值为-0042IR为693因子胜率为6990因子三的在IC以及胜率高于因子二图18因子三IC04icic20mean0302010-01-02-03-04数据来源ricequant中信建投从因子的分组收益率可以看出多头组自19年起累计收益109空头组的累计收益为-22多空年化收益2573多头组的年化收益为2230请参阅最后一页的重要声明16金融工程研究金融工程专题报告图19因子三分组收益率2501234多空对冲2151050数据来源ricequant中信建投五结果及讨论本文基于AutoML-Zero算法将其应用到因子挖掘领域构建了AlphaZero框架通过构建基础算子以及因子结合进化算法进行因子挖掘本质上AutoML-Zero是在巨大的搜索空间内利用正则化构建程序为了使其具有更好的适用性在构建AlphaZero时我们限制了搜索空间以及优化了算子结构提高了进化效率但是另一方面也限制了所生成程序的可能性从最终的结果我们也可以看出挖掘出的因子也是在经典量价因子的基础上进行了一定的变异本文只是因子挖掘方法的介绍关于AlphaZero的应用还很广泛比如批量低相关性因子生成用于模型输入以及将现有因子和基础基因构成种群进行进化变异现有因子使其效果提升随着计算资源的扩充以及算法的不断优化未来AlphaZero在因子挖掘上的应用将不断提高请参阅最后一页的重要声明17金融工程研究金融工程专题报告六参考文献1YaoQuanmingMengshuoWangHugoJairEscalanteGuyonIsabelleYi-QiHuLiYu-FengWei-WeiTuYangQiangandYuYangTakingHumanoutofLearningApplicationsASurveyonAutomatedMachineLearning20182ZophBarretVijayVasudevanJonathonShlensandQuocVLeLearningTransferableArchitecturesforScalableImageRecognitionIn2018IEEECVFConferenceonComputerVisionandPatternRecognition869787102018httpsdoiorg101109CVPR2018009073RealEstebanChenLiangDavidSoandQuocLeAutoML-ZeroEvolvingMachineLearningAlgorithmsFromScratch20204RealEAggarwalAHuangYLeQV2019RegularizedEvolutionforImageClassifierArchitectureSearchProceedingsoftheAAAIConferenceonArtificialIntelligence33014780-4789httpsdoiorg101609aaaiv33i0133014780请参阅最后一页的重要声明18