遗传规划（Genetic Programming，GP）是更广泛的进化计算领域的一个子领域，其根源可追溯至遗传算法（Genetic Algorithm，GA）。然而，与主要用于优化参数的传统遗传算法不同，遗传规划旨在进化出算式本身作为问题的解决方案。遗传规划的核心可以概括为“随机性”和“方向性”的权衡，算法既要保证种群往更好的方向进化迭代，又要保证其种群的多样性与进化的随机性，防止陷入局部最优解。
　　为实现日频与分钟频数据混合输入的高频因子自动化挖掘，本文基于遗传规划库gplearn与分布式计算库dask进行深度重构，构建了一套高效且硬件友好的高频因子挖掘框架。借助dask的分布式计算图与惰性求值机制，分钟频数据得以分块存储、按需加载，在突破内存限制的同时，保持了高性能计算，为混合频率因子挖掘提供了坚实的技术底座。
　　在框架优化方面，通过将分钟数据封装为dask array，使其以分块形式高效参与遗传规划迭代；基于dask算子对遗传规划分钟频算子进行重构，使得因子表达式的执行可映射为dask计算图，进而实现了高效的并行调度;此外，通过扩充算子库、引入覆盖度与多样性控制机制、设计多元化适应度函数，有效提升了挖掘效率与因子多样性，使算法更聚焦于增量信息的发现。
　　基于上述框架，本文初步挖掘了10个低相关性的遗传规划因子。单因子20日Rank IC最高达8.91%，ICIR达5.10，多空组合年化收益率最高为19.13%，信息比率达2.26。将遗传规划因子与既有因子群等权合成后，合成因子20日Rank IC提升至13.24%，ICIR为4.61，多空组合年化收益率达38.41%，信息比率达2.40。
　　风险提示：
　　本报告基于历史数据分析，历史规律未来可能存在失效的风险；市场可能发生超预期变化；各驱动因子受环境影响可能存在阶段性失效的风险。