自动化的许诺诱人：机器不知疲倦地搜索因子、调参、验证，研究员只做最后裁决。本篇讲三类自动化技术的原理与工程，然后直面它的终极问题——挖掘能力越强，「发现的通货膨胀」越严重，多重检验的代价随自动化指数上升。
技术一：超参数优化（HPO）
网格/随机搜索的效率太低，主流是贝叶斯优化：用代理模型（高斯过程/TPE）拟合「参数 → 绩效」的黑盒，按「期望改进」智能采样下一组参数——比网格省一个数量级的试验次数（Optuna 是事实标准）。
金融场景的三个改造：
- 评估函数本身就是过拟合入口：HPO 的目标值（如验证集 IC）被反复查询 → 对验证集的隐性过拟合——缓解：目标值用「多折 purged CV 的均值」（见机器学习策略 ）+ 保留最终测试区一次开箱；
- 试验预算 = 多重检验次数：100 次试验挑最优，与「检验 100 个策略挑最好」统计上同罪——最终绩效要按试验次数做 deflated 校正（见统计推断 ），且记录完整的试验日志（Optuna 的 storage 持久化）；
- 参数空间的先验：不要给「年化调仓 1 次到 1000 次」这种无先验空间——用领域知识框定合理区间（缩小搜索空间 = 减少假发现，见因子检验 的参数敏感性）。
技术二：公式因子的自动搜索（遗传规划）
**遗传规划（Genetic Programming, GP）**是因子挖掘自动化的经典方案：把因子表示为算子树（rank(close/open) − rank(volume/ma20) 这类表达式），用「选择 → 交叉 → 变异」的进化循环搜索高适应度（高 IC）的表达式。gplearn/自研框架的工程要点：
- 算子集即先验：提供哪些算子（rank、ts_mean、延迟、四则、布尔）决定搜索空间的形状——算子集越窄越不容易挖出「数学上成立、经济上荒谬」的因子；
- 适应度的多重惩罚：
fitness = IC均值 − λ1×|IC波动| − λ2×表达式复杂度 − λ3×与现有因子库的相关性——复杂度惩罚（parsimony pressure）是对抗 GP 过拟合的生命线（无惩罚时表达式会进化成天文复杂度的噪声拟合器）； - 淘汰诚实度：GP 挖出的因子 99% 是过拟合品——入库标准与人工因子完全一致（完整检验 + 经济学解释 + 样本外确认，见Alpha 研究流程 ），自动挖掘不降低入库门槛。
GP 的现实定位：它是「候选因子的生成器」——把研究员从「想表达式」中解放，但把「审表达式」的工作量等量齐来（甚至更多）。产出的可用率低（<1%）但边际成本低，作为因子流水线的一环有其价值。
技术三：神经架构搜索与表征学习因子
NAS（自动搜索网络结构）在金融的应用受限于算力与样本（三重诅咒，见ML 定位 ），更务实的自动化路线是表征学习的因子化：自编码器/对比学习学出的隐含表征，逐维检验其截面预测力——「数据驱动的因子发现」（与非监督学习 的降维一脉）。产出同样是「候选池」，入库门槛不豁免。
终极问题：挖掘的通货膨胀
自动化改变的最重要的量不是效率，而是尝试次数的分布：
| |
若 alpha 在市场中的总供给大致恒定，尝试次数暴增的结果必然是：每个「显著」发现的含金量下降（多重检验的数学必然，见统计推断 ）；挖出的因子衰减更快（同质化的自动化挖掘让拥挤加速）；以及解释的通胀（为机器挖出的因子编故事的速度跟不上）。
对策不是放弃自动化，而是把「预算制」引入挖掘：
- 算力预算与记账：每次自动搜索登记（搜索空间、试验数、种子、算力）——与 git 记录代码同构，让「我们试过多少」可审计（见Alpha 研究流程 的纪律 2）；
- 显著性阈值的自动化校正：入库门槛随试验次数自动上调（Bonferroni/FDR 的机械化）——让统计纪律不依赖人的自觉；
- 经济先验的自动化表达：把「算子集」「参数空间」「复杂度惩罚」作为先验的载体——领域知识的编码位置从「挑结果」前移到「框空间」，这是自动化时代研究员的核心工作位移；
- 保留区的绝对权威：一切自动挖掘的产物，最终在封存样本上一次性裁决（见Walk-Forward ）——机器可以挖一万次，市场只给一次开箱机会。
关联阅读：HPO 的技术细节与贝叶斯思维概率论基础 ；GP 产出的检验因子检验 ；挖掘纪律的模板研究 checklist 。