本报告导读：
　　本篇报告在深度解构遗传规划过程的基础上，发现因子筛选标准设计对因子表现有较大影响，并且特定优化算法可提升因子挖掘效率。遗传规划因子应用于量化选股策略可提升传统策略表现，并在不同股票池中均能提供较高收益。
　　摘要：
　　遗传规划本质上是在随机变异基础上通过固定规则筛选的量价特征拟合工具，其流程包括初始化种群、公式变异、因子筛选和二次筛选等步骤。遗传规划不等于暴力搜索，我们发现算法结构尤其是因子筛选标准对遗传规划结果亦有较大影响，并且通过特定优化算法可以提升特征挖掘效率。
　　适应度函数的构建方式决定了种群进化的方向和量价因子构建的效果。我们通过多组因子挖掘试验发现，（1）使用不同因子评价指标作为适应度函数时，挖掘出的量价因子在不同维度的表现呈现出导向性，并且以年化收益或夏普比率作为适应度函数的效果整体上优于RankIC和ICIR；（2）当每组因子内部按照对应的适应度函数值排序时，不同组排名靠前的因子之间的两两IC相关性均值有所提升；（3）指标计算时使用多空收益或多头收益不仅影响因子表现，亦影响收益分层稳健性。
　　基于父代个体选择和适应度调整的优化算法可以提升种群多样化，进而可提升因子挖掘效率和质量。我们通过多组因子挖掘试验表明，在束搜索的基础上组合使用多种算法可以进一步提升量价因子平均夏普比率，其中束搜索、家庭竞争和排挤算法三者组合的效果最优，因子多空组合夏普比率平均值相比于无优化算法时提升0.88。遗传规划因子的样本外有效性来源于市场定价规律的延续性，我们发现优化算法在提升因子样本内表现的同时亦提升了其样本外表现，因此不必过分担忧优化算法带来的过拟合问题。
　　遗传规划因子应用于量化选股策略可提升传统策略表现，并在不同股票池中均能提供较高收益。我们构建了日频换仓的量化选股策略，每季度重新挖掘量价因子，策略2022年以来（样本外）多空组合费后年化收益28.37%，多头费后年化收益16.20%。若未来交易费用进一步下行，则策略表现有望提升。此外，从不同区间挖掘的因子表现上看，在2022年前后市场交易层面的定价特征或发生较大变化。
　　风险提示：量化模型失效风险：本篇报告的结论完全来自于量化模型和历史数据，请注意模型在样本外失效风险。