这篇文章很好地解释了遗传算法，他的代码是用matlab来实现的，为了增加理解，我想把它用python实现了一遍。

上面的轮盘赌算法，基本思路是，从大到小将适应度排列，然后计算出每个个体占总适应度的比例，再计算出其累积概率，越到后面累积概率值越高，而要求随机数大于它的可能性就越小。

以上图为例，选一个随机数，可以看出，对于个体1来说，有82%的可能性被选中，而对于个体5来说，被选中的概率在27%。

下面是用python写的一个示例代码，从中可以看出适应度如果有小于0的值，计算当前适应度占总适应度比例当作概率时会有问题，这时所有的适应度加一个固定的值，保证适应度全为正，在本例中，为了省事，我将公式修改了一下，在三角函数外加了一个abs()，现在计算用的公式是f(x)  = x + abs(10*sin(5*x)) +  abs(7*cos(4*x)),来保证值大于0。

import random
import numpy as np

if __name__ == "__main__":
    fitness = np.array([[4, 2.0], [3, 1.8], [0, 1.4], [1, 1.2], [2, 1.0], [6, 0.7], [7, 0.3], [5, 0.1]])
    sumFits=fitness.sum(axis=0)[1]
    i=0
    while i<5:
        rndPoint = random.uniform(0, sumFits)
        accumulator=0
        retInd=0
        for ind,val in enumerate(fitness):
            accumulator += val[1]
            if accumulator>=rndPoint:
                retInd=val[0]
                break

        print(sumFits,rndPoint,accumulator,retInd,ind)
        i+=1

但在我们刚才说的流程中，有另外一个问题，我要的不是对于这些个体，每做一次选择，都得有一个值被选中，而这些值中每个被选中的概率是越向后越小。我们要实现的是，对于每一个个体，我们都做一次是否保留的决策，而保留的概率是，选择概率越大，被保留的概率越大。这使得代码更加简单了：

sumFitness=sum(sortV[int(population_size*elitism_rate):,1])
accumulator = 0 #累积概率
for i in range(int(population_size*elitism_rate),population_size):
    rndValue=random.random() #取一个[0,1)之间的随机数
    accumulator += sortV[i, 1] /sumFitness

    if rndValue>= accumulator:
        parent_gen[int(sortV[i,0]), chromosome_size] = 9
    else:
        parent_gen[int(sortV[i,0]), chromosome_size] = -9

最终代码在放在github上。在运行测试时，发现了一个有趣的事实，就是精英比例的问题，如果我把精英比例设的比较大，比如10%，则根本不收敛。

如果精英比例缩小到0.01时，则效果要好看的多，这说明遗传这东西和自然界一样，主要靠变异，关键在于适应性，父母优秀不代替子女优秀。

但是整体的收敛效率仍是不高的，可能是代码中还有一些细节搞错了，不过也懒得再查了，只是熟悉了遗传算法的大致原理。

那么在量化交易中如何使用遗传算法呢？

首先，通过进化的方式，找到某种上涨前的规律其实是很低效又不太可行的。那么，用父母来比拟，只能说，一个交易很厉害的父母的子女，继承了他父母的操作习惯，也很厉害。那么这个遗传因子，应该是一个个独立的操作模式，是自洽的封闭的，这样才能遗传才能交换，同时，这些模式又有由多个参数来修饰操作程度，但不至于因为参数变化而发生操作反转，这样才能使变异不至于形成一个操作的振荡状态。

当然，和上例中染色体的操作不同，我们可以想象一个个量化交易的机器节点，每一个节点可能有一个或多种操作模式，这些模式相互独立而又由多个参数来修饰，然后，这些机器节点通过一段时间的操作，根据收益率来进行淘汰，存活下来的节点，再与其它的节点相互溶合，随机地增加或减少操作模式点，从而产生下一代的节点。

而在具体实现上，从《自然计算：DNA、量子比特和智能机器的未来》一书中，可以看一个简单的概念性例子：

例如，假设收益规则1表述为：
如果1分钟的交易价格变化率>5%，且5分钟的交易规模变化率>10%，则买入。
而获利规则2表述为：
如果2分钟的交易价格变化率>5%，且10分钟的交易规模变化率<20%，则买入。
那么从这两条规则中能生成什么样的新规则呢？又如何对它们进行组合？你可能会随机地交换这两条规则的要素，来生成规则3：
如果2分钟的交易价格变化率>5%，且5分钟的交易规模变化率>10%，则买入。
或者也可以通过改变属性值来修改获利规则，如，将规则2中“2分钟的变化率”属性从5%改为10%，从而产生规则4：
如果2分钟的交易价格变化率>10%，且10分钟的交易规模变化率<20%，则买入。
洛夫莱斯使用了一些经典的规则搜索策略：如精英选择（classical elite selection）、局部平移（local shifting）、禁忌约束交叉（tabuconstrained crossover）等，以及在此基础上他自己发明的若干策略，并将这些策略与不同的适应度标准进行组合。针对每种组合方式都尝试构建一个解决方案的集合。当每一代的运算或每一次的迭代结束时，所有组合方式所产生的所有解决方案，都经过了评估及重组。
有些重组方法只是简单地根据得分的高低来交换属性及属性值，但洛夫莱斯显然想得到一个更加通用的系统。他解释说：“最终我们建立了一个通用的进化计算框架，可以并行处理大量的重组方法及不同的优化函数。”在每一代的计算结束时，所有搜索方法共享进化的结果，然后由一个第二级的启发式算法为下一代的搜索方法分配资源。