在信息丰富的金融市场中，主要挑战之一是如何有效地从大量可用信息中推导出最佳投资解决方案。 通过评估数百万种可能性，可以找到最有效的因素或信息信号组合，这是一项远远超出手动工作范围的任务。 鉴于手动方法的局限性，因子组合通常是线性的。 然而，因素的线性组合可能过于简单，无法反映市场的复杂性，从而完全捕捉到因素的预测能力。 遗传编程过程可以轻松探索线性和非线性公式。 此外，评估的简易性有助于为股票选择模型考虑更广泛的候选因素。 基于道富环球顾问 (SSgA) 之前关于使用遗传编程技术开发量化投资策略的研究，我们扩展了我们的应用程序，以在大型可投资股票领域（标准普尔 500 指数）中开发选股模型。 设计了两种不同的适应度函数来推导出适应不同投资目标的 GP 模型。 首先，我们证明 GP 过程可以为低主动风险投资风格生成选股模型。 与传统模型相比，GP模型显着增强了未来股票收益排序能力。 其次，为了适应积极的投资风格，我们还使用 GP 过程生成了一个模型，该模型可识别未来收益位于收益分布肥尾的股票。 与指数跟随投资组合相比，基于该模型构建的投资组合旨在积极产生可能的最高回报。 我们的测试表明，GP 模型的选股能力在统计上是显着的。 历史模拟结果表明，基于GP模型的投资组合优于基准和基于传统模型的投资组合。 此外，我们证明 GP 模型在适应各种市场制度方面更稳健，并且比传统模型具有更一致的性能。
