CPU-GPU 异构计算平台 Shark 应用：GPLearn 自动因子挖掘
本页介绍 DolphinDB 3.0 的 CPU-GPU 异构计算平台 Shark、其核心模块，以及基于 Shark GPLearn 的自动因子挖掘与应用案例。
Source： https://dolphindb.cn/blogs/332
What this page covers
- Shark 平台定位、核心模块与适用场景。
- Shark GPLearn 的功能特点、架构与执行流程。
- 符号回归快速上手示例（创建引擎与 gpFit）。
- 日频因子挖掘：数据、训练、评估与筛选。
- 分钟频因子挖掘：数据准备与训练设置。
- 降频因子挖掘（分钟频输入到日频输出）的关键要点。
- 性能对比与测试环境说明。
技能认证特训营第二期报名入口
页面顶部提供培训营报名与优惠信息，以及报名链接入口。
- 包含报名相关的入口信息。
- 包含与优惠相关的提示信息。
CPU-GPU 异构计算平台 Shark 应用：GPLearn 自动因子挖掘（文章信息）
本节给出文章标题、作者与发布日期。
- 作者署名为 LiuFeifan。
- 发布日期为 2026-03-11。
Shark 介绍
本节介绍 Shark 作为 DolphinDB 3.0 推出的 CPU-GPU 异构计算平台，并概述核心功能模块与适用场景。
- Shark 是 DolphinDB 3.0 推出的 CPU-GPU 异构计算平台。
- Shark 以 DolphinDB 的高效存储系统为底层支撑。
- Shark Graph 用 GPU 加速 DolphinDB 通用计算脚本以并行执行分析任务。
- Shark GPLearn 面向因子挖掘，支持基于遗传算法的自动因子发现与优化。
- Shark 面向高频量化与实时风控等大规模数据分析场景提升计算效率。
Shark GPLearn（功能与工作流程）
本节说明 Shark GPLearn 的功能特点、与 Python GPLearn 的差异，并介绍 GPLearnEngine/GPExecutor 架构与训练/执行流程及降频挖掘支持。
- Shark GPLearn 是基于 Shark 平台的高性能因子挖掘模块。
- Shark GPLearn 可直接从 DolphinDB 读取数据并调用 GPU 进行挖掘与计算。
- Shark GPLearn 提供更丰富的算子库，并提供高效 GPU 版本实现。
- Shark GPLearn 引入分组语义，支持训练中进行分组计算。
- Shark GPLearn 支持单机多卡进行遗传算法因子挖掘。
- Shark GPLearn 主要由 GPLearnEngine 与 GPExecutor 两大模块组成。
- GPLearnEngine 负责训练调度与父代选择，并通过多种变异/交叉方式进化。
- GPExecutor 将表达式树转为后缀表达式，并在 GPU 上按队列执行算子。
快速上手：符号回归
本节通过符号回归示例展示：构造模拟数据、创建 GPLearnEngine、运行 gpFit，并查看拟合结果。
- 符号回归可在不假定函数形式下自动发现数据的数学表达式。
- 符号回归的常用实现为遗传编程（GP）。
- 示例给出 createGPLearnEngine 的关键参数配置（如 populationSize 与 generations）。
- 示例调用方式包含：res = engine.gpFit(1)。
- 示例结果中返回最优表达式适应度为 0。
应用案例：日频因子挖掘
本节介绍日频数据准备、训练参数与自定义 RankIC 适应度函数，以及基于 alphalens 的因子评价与筛选流程。
- 日频示例数据文件为 DailyKBar.csv，并通过 loadText 读取。
- 训练集区间为 2020.08.12 至 2022.12.31 的交易日。
- 测试集区间为 2023.01.01 至 2023.06.19 的交易日。
- 可将自定义适应度函数与日期分组列传入引擎。
- 评价流程包含对因子值做 zscore，并计算每日 rankIC 与分组收益表现。
应用案例：分钟频因子挖掘
本节介绍分钟频数据准备、训练设置（包含适应度函数与 initProgram 配置），以及因子评价与可视化输出。
- 分钟频示例数据文件为 MinuteKBar.csv，并通过 loadText 读取。
- 训练集区间为 2021-03-01 至 2021-10-31。
- 测试集区间为 2021-11-01 至 2021-12-31。
- 标签 ret240 定义为未来 240 分钟收益率，并过滤 ret240 为 NULL 的行。
- 分钟频示例使用 fitnessFunc = spearmanr，且 initProgram = NULL。
应用案例：降频因子挖掘（分钟频→日频）
本节介绍以分钟频输入训练日频目标的降频因子挖掘，包括降频列配置、一致性约束与预测结果切片注意事项。
- 降频挖掘使用分钟频 K 线作为训练输入，并产出日频因子目标。
- 降频列示例配置为 dimReduceCol = ["SecurityID", "TradeDate"]。
- targetData 长度需与按降频列聚合产生的分组数量一致。
- gpPredict 输出行数与输入相同，只有前 n 行有效（n 为最终分组数）。
- 降频结果需通过切片获取有效区间（示例：[0:rows(totalData)]）。
进阶：自动因子挖掘
本节介绍多轮迭代自动因子挖掘的思路与筛选规则，包括中性化处理、相关性阈值与 IC 阈值配置等。
- 自动挖掘以解释收益率的增量信息为目标，并进行多轮重复迭代。
- 示例对预测目标进行行业与市值中性化处理（对数市值与行业 one-hot，取 OLS residual）。
- 示例筛选规则包含：因子相关性均值阈值 0.7 的处理策略。
- 示例参数包含 outerIterNum=3 与 innerIterNum=5。
- 示例阈值包含 icThreshold=0.03 与 corrThreshold=0.7。
- 流程图（图 3-25）展示自动因子挖掘的标准化流程。
性能对比（Shark GPLearn vs Python GPLearn vs Python Deap）
本节在统一的训练参数与数据规模下，对比 Shark GPLearn、Python GPLearn 与 Python Deap 的训练耗时，并给出测试环境与功能差异点。
- 对比对象包含 Shark GPLearn、Python GPLearn、Python Deap。
- 对比设置包含 generations/ngen=5、population=1000、tournament=20。
- 对比数据规模包含 3002 只股票与训练/测试样本量统计。
- 训练耗时示例：DolphinDB Shark 为 6.3 s，Python GPLearn 为 189 s，Python Deap 为 1102 s。
- 示例加速倍数为：相对 Python GPLearn 30.0 倍，相对 Python DEAP 174.9 倍。
总结
本节回顾 Shark GPLearn 覆盖的应用场景，并描述未来扩展方向。
- 覆盖场景包括日频、分钟频、降频与自动因子挖掘四类。
- 计划扩展对 DolphinDB 内置函数算子的支持。
- 计划支持通过脚本语言定义更灵活的自定义函数算子。
常见问题（FAQ）
本节汇总单因子测试方法、判别条件，以及自动因子挖掘配置的修改位置。
- 单因子测试方法分类包括 ICIR 法、回归法与分层回测法。
- 本文主要使用 ICIR 法与分层回测法。
- 线性预测能力判别可基于训练/测试 RankIC 符号与阈值条件。
- 非线性预测特征判别条件示例：Middle 组收益显著高于 Top 与 Bottom。
- 自动挖掘配置可在“应用案例自动因子挖掘.dos”文件开头修改参数。
附录（版本、代码与数据下载）
本节提供代码适用版本信息，并列出脚本/代码文件与脱敏数据文件下载链接。
- 附录给出代码适用版本：3.00.4 2025.09.09 LINUX_ABI x86_64。
- 提供多个 .dos/.py 对比与案例脚本下载链接。
- 提供脱敏数据文件下载链接（如 DailyKBar_masked.zip、MinuteKBar_masked.zip）。
Facts Index
| Entity | Attribute | Value | Confidence |
|---|---|---|---|
| CPU-GPU 异构计算平台 Shark 应用：GPLearn 自动因子挖掘 | 发布日期 | 2026-03-11 | high |
| 文章作者 | 署名 | LiuFeifan | high |
| Shark | 产品定位 | DolphinDB 3.0 推出的 CPU-GPU 异构计算平台 | high |
| Shark | 底层支撑 | 以 DolphinDB 的高效存储系统为底层支撑，深度融合 GPU 并行算力，为计算密集型任务提供显著性能加速 | medium |
| Shark | 核心功能 | Shark Graph：通过 GPU 加速 DolphinDB 通用计算脚本，实现复杂分析任务并行化执行 | high |
| Shark | 核心功能 | Shark GPLearn：面向因子挖掘，支持基于遗传算法的自动化因子发现与优化 | high |
| Shark | 适用场景/价值主张 | 帮助 DolphinDB 突破 CPU 算力瓶颈，提升在高频量化、实时风控等大规模数据分析场景的计算效率 | medium |
| Shark GPLearn | 模块定位 | 基于 Shark 异构计算平台的高性能因子挖掘模块，可直接从 DolphinDB 读取数据并调用 GPU 进行自动因子挖掘与因子计算 | high |
| Shark GPLearn | 适用人群/场景 | 适用于对性能具有较高要求的各类因子挖掘场景，提高投研效率 | medium |
| Shark GPLearn | 相较 Python GPLearn 的差异 | 更丰富的算子库（包括使用三维数据的相关算子），并提供高效 GPU 版本实现 | high |
| Shark GPLearn | 训练语义 | 引入分组语义，支持训练中进行分组计算 | high |
| Shark GPLearn | 频率处理能力 | 支持对快照频、分钟频等中高频原始特征数据进行分钟频、日频的因子挖掘 | high |
| Shark GPLearn | 硬件并行能力 | 支持单机多卡进行遗传算法因子挖掘 | high |
| Shark GPLearn 文档 | 算子列表参考 | Shark GPLearn 快速上手文档链接：https://docs.dolphindb.cn/zh/tutorials/gplearn.html#gplearn__section_btv_r55_x1c | high |
| Shark GPLearn | 模块组成 | 主要分为 GPLearnEngine 和 GPExecutor 两大模块 | high |
| GPLearnEngine | 职责 | 训练调度：包括种群生成、进化和变异操作等；初始化生成初始公式种群并用目标函数衡量相符程度 | high |
| 适应度函数示例 | 回归问题适应度 | 可使用目标值与公式结果间的均方误差（MSE） | high |
| 适应度函数示例 | 量化因子适应度 | 可使用因子 IC 作为适应度 | high |
| GPLearnEngine | 父代选择与进化方式 | 依据适应度选出父代，通过交叉变异（Crossover Mutation）、子树变异（Subtree Mutation）、Hoist 变异、点变异（Point Mutation）进化 | high |
| GPExecutor | 职责 | 对挖掘出的因子进行适应度计算；将二叉树转为后缀表达式（逆波兰表达式）并在 GPU 上执行算子队列 | high |
| GPExecutor | 后缀表达式示例 | div(x,add(y,0.15)) 转换为 [0.15, y, add, x, div] | high |
| GPExecutor | 执行机制 | 遍历执行队列：数据算子加载入栈；函数算子按参数出栈并利用 GPU 执行，结果入栈；最终栈顶为因子值并调用适应度函数计算适应度 | high |
| Shark GPLearn | 降频因子挖掘支持 | 创建引擎时可通过参数指定聚合列；训练时按聚合列分组并随机选择聚合函数；通过函数签名实现算子维度约束自动生成含降频因子的表达式 | medium |
| 快速部署测试环境 | 参考文档 | Shark GPLearn 快速上手文档第 2 章：https://docs.dolphindb.cn/zh/tutorials/gplearn.html | high |
| 符号回归 | 定义 | 无需假定函数形式，自动发现数据集的数学表达式；核心为在表达式空间中搜索以拟合目标函数；常用实现为遗传编程（GP） | high |
| 符号回归示例目标函数 | 目标函数表达式 | y = 2x0 + x1 - x1²（图片说明中给出） | medium |
| createGPLearnEngine（符号回归示例） | 关键参数示例 | populationSize=1000, generations=20, stoppingCriteria=0.01, tournamentSize=20, functionSet=[add, sub, mul, div, sqrt, log, reciprocal, pow], fitnessFunc=mse, initMethod=half, initDepth=[1,4], restrictDepth=true, constRange=[0,2.0], seed=123, parsimonyCoefficient=0.01, crossoverMutationProb=0.8, subtreeMutationProb=0.1, hoistMutationProb=0.0, pointMutationProb=0.1, minimize=true, deviceId=0, verbose=true | high |
| gpFit（符号回归示例） | 调用方式 | res = engine.gpFit(1) | high |
| 符号回归示例结果 | 拟合效果 | 返回最优表达式适应度为 0，且表达式 sub(add(add(x0, x1), x0), mul(x1, x1)) 与目标函数逻辑等价 | medium |
| 日频数据准备 | 数据文件 | DailyKBar.csv（通过 loadText 读取） | high |
| 日频因子挖掘数据划分 | 训练集区间 | 2020.08.12 至 2022.12.31 的所有交易日 | high |
| 日频因子挖掘数据划分 | 测试集区间 | 2023.01.01 至 2023.06.19 的所有交易日 | high |
| 日频训练特征要求 | 数据类型/排序建议 | 训练特征需要 FLOAT/DOUBLE 类型；训练数据最好根据分组列排序 | high |
| 日频样例特征与标签 | 包含字段 | SecurityID、TradeTime（由 TradeDate 改名）、preclose/open/close/high/low/volume/amount/pctchg/vwap/marketvalue/turnover_rate/EP(1/PE)/BP(1/PB)与 ret20（未来20日收益率） | high |
| createGPLearnEngine（日频示例） | 关键参数示例 | groupCol=SecurityID, seed=42, populationSize=1000, generations=10, tournamentSize=20, minimize=false（最大化）, initMethod=half, initDepth=[2,4], restrictDepth=true, windowRange=[5,10,20,40,60], constRange=0, parsimonyCoefficient=0.05, crossoverMutationProb=0.6, subtreeMutationProb=0.01, hoistMutationProb=0.01, pointMutationProb=0.01, deviceId=0 | high |
| 日频示例 initProgram | 初始种群来源 | 使用 alphaFactor（含 world quant 101 与 国泰君安 191 部分表达式）values()，take(..., 600) 作为初始种群 | high |
| parsimonyCoefficient（节俭系数） | 用途 | 用于限制公式树长度，通过对原始适应度加惩罚项得到惩罚后适应度 | high |
| 节俭系数方向规则（Shark） | 最小化适应度时的影响 | 节俭系数为正鼓励更短公式树；为负鼓励更长公式树 | high |
| 节俭系数方向规则（Shark） | 最大化适应度时的影响 | 节俭系数为正鼓励更长公式树；为负鼓励更短公式树 | high |
| 自定义适应度函数（日频因子挖掘） | RankIC 均值形式 | 训练产生的因子值按日期计算 RankIC（spearmanr）后取均值（公式以图片给出） | medium |
| setGpFitnessFunc | 用途与支持的辅助算子 | 可将自定义适应度函数与日期分组列传入引擎；自定义适应度支持 groupby/contextby/rank/zscore 等辅助算子（详见函数页面） | high |
| setGpFitnessFunc 文档 | 链接 | https://docs.dolphindb.cn/zh/funcs/s/setgpfitnessfunc.html | high |
| gpFit（日频挖掘） | 返回数量参数 | programNum=30；engine.gpFit(programNum) 返回适应度前 programNum 的因子公式 | high |
| alphalens 模块 | 用途 | 用于单因子评价函数开发（引用教程链接） | high |
| Alphalens 在 DolphinDB 中的应用教程 | 链接 | https://docs.dolphindb.cn/zh/tutorials/Practical_Factor_Analysis_Modeling.html | high |
| 单因子评价流程（本教程实现） | 数据预处理 | 对因子值进行 zscore 标准化；调用 alphalens::get_clean_factor_and_forward_returns 计算不同周期收益并按分位数分组 | high |
| 单因子评价流程（本教程实现） | IC 方法 | 调用 alphalens::factor_information_coefficient 计算每日 rankIC | high |
| 单因子评价流程（本教程实现） | 分层回测方法 | 按持仓周期调整分组（周期内后续天沿用第一天分组）；调用 alphalens::mean_return_by_quantile 与 plot_cumulative_returns_by_quantile 生成分组收益/累计收益 | high |
| analysisFactors 输出 | 输出内容 | rankICRes（各因子 RankIC 序列）、quantileRes（分组区间收益表现）、rankICStats（训练/测试/全量统计：RankIC均值、RankIC IR、signRate） | high |
| 日频因子筛选条件（示例） | 阈值 | abs(RankIC)≥0.05、abs(RankICIR)≥0.5、signRate≥0.65（并去除重复组合） | high |
| 分钟频因子挖掘数据划分 | 训练集区间 | 2021-03-01 至 2021-10-31 | high |
| 分钟频因子挖掘数据划分 | 测试集区间 | 2021-11-01 至 2021-12-31 | high |
| 分钟频数据准备 | 数据文件 | MinuteKBar.csv（通过 loadText 读取） | high |
| 分钟频标签 ret240 | 定义 | move(close,-241)\close-1 作为未来240分钟收益率；并过滤 ret240 为 NULL 的行 | high |
| createGPLearnEngine（分钟频示例） | 适应度函数 | fitnessFunc = spearmanr（Shark 自带斯皮尔曼相关系数） | high |
| createGPLearnEngine（分钟频示例） | initProgram 设置 | initProgram = NULL（不使用 Alpha 101/191 初始表达式） | high |
| createGPLearnEngine（分钟频示例） | 关键参数示例 | seed=42, populationSize=1000, generations=5, tournamentSize=20, initDepth=[3,5], restrictDepth=true, windowRange=[30,60,120,240,480], constRange=0, parsimonyCoefficient=0.8, crossoverMutationProb=0.8, subtreeMutationProb=0.1, hoistMutationProb=0.02, pointMutationProb=0.02, deviceId=0, minimize=false | high |
| 降频因子挖掘 | 输入/输出频率 | 使用分钟频K线作为训练输入；使用标的列与日期列作为降频列；使用日频个股20日后收益率作为训练目标（分钟频输入到日频输出） | high |
| createGPLearnEngine（降频示例） | 降频列参数 | dimReduceCol = ["SecurityID", "TradeDate"] | high |
| 降频挖掘 targetData 长度要求 | 一致性要求 | targetData 向量长度需要与 trainData 按降频列聚合产生的分组数量一致 | high |
| gpPredict（降频因子） | 注意事项 | gpPredict 输出行数与输入相同，只有前 n 行有效（n=最终分组数）；需用 [0:rows(totalData)] 切片获取降频因子结果 | high |
| 自动因子挖掘方法 | 目标与迭代机制 | 以每轮挖掘解释收益率的增量信息为目标；以剔除风格因子（对数化市值、行业）后的残差收益率为预测目标；筛选后入库并用新因子回归更新残差收益率，重复多轮 | medium |
| 自动因子挖掘流程图 | 图示存在 | 图 3-25 展示 Shark GPLearn 自动因子挖掘标准化流程 | high |
| 自动因子挖掘数据处理 | 中性化处理 | 加入行业信息与市值信息，对预测目标进行行业市值中性化处理（对数市值+行业 one-hot；ols residual） | high |
| 自动因子挖掘筛选逻辑（示例实现） | 相关性与IC规则 | 保留因子相关性均值小于0.7；若相关性超过0.7，则保留 IC 值最高的因子，其余剔除 | high |
| 自动因子挖掘参数配置（示例） | outerIterNum | 3（重置种群迭代次数/大循环） | high |
| 自动因子挖掘参数配置（示例） | innerIterNum | 5（遗传算法迭代次数/小循环） | high |
| 自动因子挖掘参数配置（示例） | icThreshold | 0.03（因子表达式 IC 阈值） | high |
| 自动因子挖掘参数配置（示例） | corrThreshold | 0.7（因子表达式相关系数均值阈值） | high |
| 自动因子挖掘参数配置（示例） | returnNum | 100（单次模型返回因子数量） | high |
| 性能对比实验 | 对比对象 | Shark GPLearn、Python GPLearn、Python Deap 在相同测试环境与条件下进行性能对比 | high |
| 性能对比参数设置 | 共同迭代次数 | generations/ngen = 5 | high |
| 性能对比参数设置 | 共同种群规模 | populationSize/population_size/population = 1000 | high |
| 性能对比参数设置 | 共同锦标赛规模 | tournamentSize/tournament_size/tournsize = 20 | high |
| 性能对比数据规模 | 标的数量 | 3002 只股票 | high |
| 性能对比数据规模 | 训练集样本量 | 1744162 条 | high |
| 性能对比数据规模 | 测试集样本量 | 333222 条 | high |
| 性能对比数据划分 | 训练集日期范围 | 2020-08-12 至 2022-12-31 | high |
| 性能对比数据划分 | 测试集日期范围 | 2023-01-01 至 2023-06-19 | high |
| 性能对比适应度函数 | 统一选择 | 因子值与 ret20 的 Pearson 相关系数（自定义适应度函数） | high |
| 训练耗时对比 | DolphinDB Shark（版本 3.00.4 2025.09.05 LINUX_ABI x86_64）训练耗时 | 6.3 s | high |
| 训练耗时对比 | Python GPLearn（版本 3.12.7）训练耗时 | 189 s | high |
| 训练耗时对比 | Python Deap（版本 3.12.7）训练耗时 | 1102 s | high |
| 性能提升结论 | 相对 Python GPLearn 的倍数 | 30.0 倍 | high |
| 性能提升结论 | 相对 Python DEAP 的倍数 | 174.9 倍 | high |
| Shark 相对 Python GPLearn/Deap 的功能差异（列举） | 支持项 | restrictDepth=true 全程限制公式树深度；groupCol 支持适应度函数分组运算；windowRange 指定窗口大小范围；更丰富的 functionSet；更便捷的表达式字符串解析调用方式（sqlColAlias+parseExpr） | medium |
| 测试环境（硬件） | CPU | Intel(R) Xeon(R) Gold 5220R CPU @ 2.20GHz | high |
| 测试环境（硬件） | GPU | NVIDIA A30 24GB（1块） | high |
| 测试环境（硬件） | 内存 | 512GB | high |
| 测试环境（软件） | 操作系统 | CentOS Linux 7 (Core) | high |
| DolphinDB（测试环境） | server 版本 | 3.00.4 2025.09.05 LINUX_ABI x86_64 | high |
| DolphinDB license（测试环境） | 限制 | 16 核 128 GB | high |
| Shark GPLearn（总结） | 覆盖场景 | 实现日频因子挖掘、分钟频因子挖掘、降频因子挖掘、自动因子挖掘四大应用场景 | high |
| Shark GPLearn（路线图） | 未来计划 | 进一步扩展对 DolphinDB 内置函数算子支持，并允许通过脚本语言定义更灵活的自定义函数算子 | medium |
| 单因子测试方法（FAQ） | 常用方法分类 | ICIR 法、回归法、分层回测法；本文主要使用 ICIR 法与分层回测法 | high |
| 线性预测能力判别条件（FAQ） | RankIC/分层回测判别 | 训练期与测试期 RankIC 符号相同且绝对值大于阈值；或分层回测满足 Top>Middle>Bottom 且 RankIC 稳定为正；或 Top<Middle<Bottom 且 RankIC 稳定为负 | medium |
| 非线性预测特征判别条件（FAQ） | 分层回测特征 | Middle 组收益显著高于 Top 组与 Bottom 组 | medium |
| 自动因子挖掘配置修改（FAQ） | 修改位置与参数 | 在“应用案例自动因子挖掘.dos”的文件开头修改 outerIterNum、innerIterNum、icThreshold、corrThreshold 以调整配置与逻辑 | medium |
| 附录：代码适用版本（Shark） | 版本号 | 3.00.4 2025.09.09 LINUX_ABI x86_64 | high |
| 代码文件（第2章） | 下载链接 | 01.快速上手符号回归.dos：https://docs.dolphindb.cn/zh/tutorials/script/shark_gplearn_application/01.%E5%BF%AB%E9%80%9F%E4%B8%8A%E6%89%8B%E7%AC%A6%E5%8F%B7%E5%9B%9E%E5%BD%92.dos | high |
| 代码文件（第3章） | 下载链接 | 02.应用案例日频因子挖掘.dos：https://docs.dolphindb.cn/zh/tutorials/script/shark_gplearn_application/02.%E5%BA%94%E7%94%A8%E6%A1%88%E4%BE%8B%E6%97%A5%E9%A2%91%E5%9B%A0%E5%AD%90%E6%8C%96%E6%8E%98.dos | high |
| 代码文件（第3章） | 下载链接 | 03.应用案例分钟频因子挖掘.dos：https://docs.dolphindb.cn/zh/tutorials/script/shark_gplearn_application/03.%E5%BA%94%E7%94%A8%E6%A1%88%E4%BE%8B%E5%88%86%E9%92%9F%E9%A2%91%E5%9B%A0%E5%AD%90%E6%8C%96%E6%8E%98.dos | high |
| 代码文件（第3章） | 下载链接 | 04.应用案例降频因子挖掘.dos：https://docs.dolphindb.cn/zh/tutorials/script/shark_gplearn_application/04.%E5%BA%94%E7%94%A8%E6%A1%88%E4%BE%8B%E9%99%8D%E9%A2%91%E5%9B%A0%E5%AD%90%E6%8C%96%E6%8E%98.dos | high |
| 代码文件（第3章） | 下载链接 | 05.应用案例自动因子挖掘.dos：https://docs.dolphindb.cn/zh/tutorials/script/shark_gplearn_application/05.%E5%BA%94%E7%94%A8%E6%A1%88%E4%BE%8B%E8%87%AA%E5%8A%A8%E5%9B%A0%E5%AD%90%E6%8C%96%E6%8E%98.dos | high |
| 代码文件（第4章） | 下载链接 | Compare_SharkGPLearn.dos：https://docs.dolphindb.cn/zh/tutorials/script/shark_gplearn_application/Compare_SharkGPLearn.dos | high |
| 代码文件（第4章） | 下载链接 | Compare_PythonDeap.py：https://docs.dolphindb.cn/zh/tutorials/script/shark_gplearn_application/Compare_PythonDeap.py | high |
| 代码文件（第4章） | 下载链接 | Compare_PythonGPLearn.py：https://docs.dolphindb.cn/zh/tutorials/script/shark_gplearn_application/Compare_PythonGPLearn.py | high |
| 脱敏数据文件 | 下载链接 | DailyKBar_masked.zip：https://docs.dolphindb.cn/zh/tutorials/data/shark_gplearn_application/DailyKBar_masked.zip | high |
| 脱敏数据文件 | 下载链接 | MinuteKBar_masked.zip：https://docs.dolphindb.cn/zh/tutorials/data/shark_gplearn_application/MinuteKBar_masked.zip | high |
| 脱敏数据文件 | 下载链接 | Industry_masked.zip：https://docs.dolphindb.cn/zh/tutorials/data/shark_gplearn_application/Industry_masked.zip | high |