遗传是一种随机全局优化的调参方式，拟合自然界的遗传进化方式，迭代出高适应性的参数组，适用于策略研发阶段精调参数和策略运行维护时对策略有效性的检验。

场景1：优选更高适应性的参数

确定了参数的有效区间后，研究员还要继续精调，在有效的参数区间内进一步优选出更高适应性的参数组，使模型的表现更为稳定。

如下图，遗传算法可以在参数范围内随机抽取族群，根据随机概率变异或交叉，模拟自然界优胜劣汰的进化方式，按指定的参考标准定向优化，精选出适应性更强的参数组。

场景2：定期调参检验模型有效性

调参不是一次性的工作，在策略运行阶段仍然需要定期参数优化，对比当前市场下的参数结果看模型是否需要微调，检验模型在当下的有效性。

研究员可以借助遗传的算力优势，从不同的参考标准角度多次调参对比，多维度检验模型的有效性。如下图，当前行情下的定参结果和之前的参数存在较大差异，策略接近失效，已不能更好的适应当下行情，需要重新定参。

操作方法

主图回测后点击鼠标右键->【参数优化】->遗传。

遗传的原理和优势

遗传算法是一种随机全局优化定参方法，它模拟了生物自然进化的过程，通过遗传、交叉、变异等操作，将一个初始种群不断向更适应环境的方向迭代进化，最终得到一群适应性更高的个体。

遗传算法具有随机性，使得计算结果并不是收敛于唯一的参数组，避免陷入局部最优。

遗传算法具有变异性，有概率使结果跳出局部最优得到覆盖面更广的范围，最终得到的参数组更具有适应性，避免策略过度拟合。

遗传计算适用于大参数组，参数多、计算量大的调参场景，数以百万的族群总数使用遗传算法能够快速迭代计算完成，给出相对好的参数组，大大提高策略研发效率。

名词解释

族群总数：即遗传迭代计算的全部参数组；

设定族群大小：设定族群计算的初始数量范围，随机生成一组个体进行迭代计算；

最大遗传代数：指遗传迭代的代数。与族群大小共同影响遗传的计算次数。设定族群越大、遗传代数越高，计算的精确度越高，同时计算量也越大。

参考标准：支持收益率、胜率等指标作为参考标准，对遗传结果进行排序展示；