我想要一个能够自动发现交易策略的系统，而不需要我手动调整每个参数。因此，我构建了这样一个系统。

finclaw 是一个用 Python 编写的开源量化金融引擎。它的核心功能之一是一个进化引擎，该引擎利用遗传算法的原理，自动变异、评估和改进交易策略。在对 NVDA 数据运行了 89 代后，我得到了以下收获。

手动策略调整的问题

每个量化交易者都会遇到同样的瓶颈：你编写一个策略，进行回测，调整一个参数，再次回测。重复 200 次。最终，你会在不知不觉中对历史数据过拟合。

我希望有一个能够系统性探索策略空间的工具——尝试一些我想不到的组合，并通过有原则的选择过程而不是凭直觉来淘汰无效的策略。

进化引擎的工作原理

核心循环看似简单：

1. 1. 种子 — 从 YAML 策略定义（入场规则、出场规则、过滤器）开始

评估 — 回测策略并计算适应度分数（收益、夏普比率、回撤、胜率）

• 分析 — 查看策略失败的地方（亏损交易聚集、糟糕的退出、错误的市场时机）
• 提出 — 生成有针对性的变异：收紧止损、调整RSI阈值、添加成交量过滤器
• 变异 — 应用最佳提案以创建子策略
• 选择 — 保持前N个策略的帕累托前沿
• 重复 — 直到收敛或达到最大代数

每个策略都是一个YAML文件，DSL引擎将其编译为可执行的交易规则：

name: momentum_rsi_evolved
entry:
  - rsi_14 < 35
  - ma_cross(5, 20) == "golden"
  - volume > volume_ma_20 * 1.3
exit:
  - rsi_14 > 72
  - trailing_stop: 8%

filters:
  - trend_adx_strength > 20

变异器修改这些规则——扩大RSI带宽，交换移动平均周期，添加或移除过滤器——而评估器则对每个变体进行全面的回测。

运行它

# 安装 finclaw
pip install finclaw

# 进化一个策略，持续 50 代

finclaw evolve my_strategy.yaml --symbol NVDA --generations 50 --frontier-size 5

或者通过 Python API：

from src.evolution.engine import EvolutionEngine, EvolutionConfig
from src.strategy.expression import OHLCVData

config = EvolutionConfig(

max_generations=50,
frontier_size=5,
no_improvement_limit=10,
)
engine = EvolutionEngine(config=config)
result = engine.run(seed_strategy, my_data)

print(f"最佳得分: {result['best_score'].composite():.4f}")

print(f"代数: {result['generations_run']}")

找到的89代

我用基本的黄金交叉动量策略对NVDA（2022-2025日数据）进行了初始化，并让其运行。

第一代（种子）： 夏普比率 0.42，最大回撤 -28%，胜率 38%

种子表现平平。在2022年的回撤期间，出现了大量的反复交易。

第23代：夏普比率0.91，最大回撤-19%，胜率44%

引擎发现，添加一个成交量确认过滤器（成交量 > 1.5倍20日均值）消除了大部分虚假突破。同时，将跟踪止损从12%收紧至8%。

第56代：夏普比率1.24，最大回撤-15%，胜率48%

一次变异添加了一个ADX趋势强度过滤器（ADX > 25），防止在震荡横盘市场中入场。这是最大的单一改进——将回撤降低了4个百分点。

第89代（最终版）：夏普比率1.31，最大回撤-14%，胜率51%

最终策略与种子几乎没有相似之处。它将RSI阈值从30/70演变为33/68，添加了两个原本没有的过滤器，并将固定止损改为带有ATR倍数的跟踪止损。

抗过拟合问题

如果不小心，遗传算法会成为过拟合的机器。以下是我为应对这一问题所构建的内容：

前向验证。评估器不仅仅是在完整数据集上进行回测。它使用前向滑动分割——在2年内训练，在接下来的6个月内测试，然后向前滑动。适应度分数是样本外表现。

蒙特卡洛压力测试。 每个候选策略还会通过100次蒙特卡洛洗牌进行测试，以检查其收益曲线是否稳健，还是仅仅运气好。

帕累托前沿。 不再优化单一指标，而是跟踪多个目标（收益、风险、一致性）。一个为了显著降低回撤而牺牲部分收益的策略仍然会留在候选中。

# 使用前向验证（内置）运行
finclaw evolve strategy.yaml --symbol AAPL --generations 30 --start 2020-01-01

架构

引擎由四个可插拔组件构成：

• 评估器 — 运行回测并计算 FitnessScore（由收益、夏普比率、回撤、胜率组成的综合指标）
• 提案者 — 分析失败并生成变异候选
• 变异器 — 对策略定义应用 YAML 级别的变异
• 边界 — 管理帕累托最优策略集

每个组件都是可替换的。您可以插入自己的评估器，使用不同的回测引擎，或者编写一个自定义提案者，针对特定的策略弱点。

我所学到的

成交量过滤器比入场信号更重要。 在数十个演化策略中，影响最大的变异始终是某种形式的成交量确认。市场噪声很大；成交量可以告诉您信号是否真实。

止损策略向基于ATR的跟踪止损演变。 固定百分比止损一贯被波动性调整的止损所取代。这是有道理的——对于波动性大的股票，5%的止损过于紧凑，而对于平稳的股票则过于宽松。

规则越少越好。 引擎反复修剪过于复杂的策略。表现最佳的策略通常只有3-5个入场条件，而不是10个。奥卡姆剃刀原则在选择压力下得到了体现。

尝试一下

finclaw 是开源的。进化引擎可以在任何 OHLCV 数据上运行——美国股票、A 股、加密货币。

pip install finclaw
finclaw evolve your_strategy.yaml --symbol AAPL --generations 20

完整的代码库，包括 240+ 个技术因子、前向回测和纸上交易：

GitHub 上的 finclaw | Python · 240+ 因子 · 进化引擎 · 纸上交易

如果您对AI代理安全感兴趣（这是我工作的另一个领域），请查看ClawGuard——一个开源的AI代理安全引擎，拥有超过285种威胁模式。

进化引擎代码位于src/evolution/。欢迎提交PR。