Darwinia：基于进化算法与对抗性竞技场的AI量化交易策略自动发现框架

1. 项目概述：从规则编写者到环境设计师的范式转变

在量化交易这个领域里，我见过太多同行，包括我自己，都曾陷入一个无尽的循环：我们基于对历史数据的观察，提炼出诸如“RSI超过70卖出”这样的规则，满怀信心地将其部署到实盘。起初，策略或许能带来一些甜头，但市场风格一旦切换，策略便迅速失效，净值曲线急转直下。于是，我们又回到起点，手动调整参数，试图让策略重新适应市场。这个过程不仅耗时耗力，更令人沮丧的是，我们常常只是在“过拟合”历史数据，而非真正理解市场动态的本质。今天我想分享的Darwinia项目，正是为了解决这个核心痛点而生。它不是一个提供“圣杯”策略的工具，而是一个全新的框架，旨在将我们从“策略编写者”的角色中解放出来，转变为“环境设计师”。

Darwinia的核心思想借鉴了达尔文的自然选择理论，并将其应用于AI交易代理的进化。它不再要求你手动编写具体的交易规则，而是让你定义一个“竞技场”——包括历史数据、衡量成功的标准（适应度函数）以及一系列旨在摧毁脆弱策略的“对抗性攻击”。在这个竞技场中，一群拥有随机“基因”（即交易决策参数）的AI代理相互竞争、生存、繁衍。经过数十代的迭代，最终存活下来的代理，并非因为遵循了某条人类预设的“金科玉律”，而是因为它们的内在基因组合，恰好能在这个充满敌意的环境中生存下来。它们学会了识别并抵御“拉地毯”（Rug Pull）、假突破（Fake Breakout）、锯齿震荡（Whipsaw）等市场陷阱，不是因为你在代码里写了应对逻辑，而是因为那些无法应对这些陷阱的代理，早已被淘汰，没有留下后代。

这个项目非常适合三类人：一是厌倦了手动调参、希望探索自动化策略发现的量化研究员；二是对进化算法和对抗性机器学习在金融领域应用感兴趣的技术极客；三是希望为自己的AI代理（如OpenClaw或Claude Code）赋予自主进化能力的开发者。它完全基于Python和NumPy，内置了比特币的历史数据，无需API密钥或云端服务，你可以在自己的笔记本上，用30秒的时间启动一次进化实验，亲眼见证策略从随机混沌中涌现出秩序的过程。

2. 核心架构与设计哲学拆解

2.1 三层架构：从进化引擎到知识协议

Darwinia的架构清晰地分为三个层次，每一层都承担着独特的职责，共同构成了一个完整的“策略生命培育系统”。

第一层：进化引擎。这是项目的基石，已经完整实现。它包含了遗传算法的经典循环：初始化种群、评估适应度、自然选择、交叉繁殖和基因突变。但Darwinia的关键创新在于其“对抗性竞技场”。传统的回测只是在历史数据上“播放”策略，而Darwinia的竞技场中有一个“对手”，它会主动分析当前一代最强代理的DNA，并选择最能针对其弱点的市场攻击模式进行测试。这就模拟了真实市场中，一旦某种盈利模式被大量参与者识别并采用，市场本身就会发生改变以“惩罚”这种模式的现象。通过这种“军备竞赛”，进化出的策略天然具备了鲁棒性。

第二层：人格引擎。这一层为交易代理赋予了“性格”。在Darwinia中，代理的DNA不仅包含买卖信号和阈值，还包含“人格”基因，如风险偏好、时间跨度、逆向偏见、耐心程度和仓位大小。这模拟了真实交易员的不同风格。更重要的是，这一层集成了市场状态检测功能。市场并非总是处于同一种模式，它可能在趋势、震荡、高波动、低波动等不同状态间切换。人格引擎能识别这些状态，并允许（或要求）代理根据不同的市场状态调整其行为。例如，在--macro模式下进化的代理，会在“风险规避”市场状态下自动降低仓位，从而避免在不利环境中遭受毁灭性打击。

第三层：知识协议。这是最具前瞻性的一层。当多个Darwinia实例运行后，每个实例都会发现一些有效的“基因模式”（即策略模式）。知识协议层旨在建立一个去中心化的“模式市场”，允许不同的进化代理之间交换、验证甚至组合这些被发现的知识。想象一下，一个在比特币市场上进化出的“趋势跟踪”模式，可以被另一个在以太坊市场上进化的代理购买或借鉴，从而加速其进化过程。这超越了单一个体的学习，实现了群体智慧的涌现。

2.2 从“编写策略”到“设计环境”的哲学转变

Darwinia所体现的设计哲学，是对传统量化工作流的根本性重塑。传统上，量化研究员是“策略作者”，其核心能力是观察市场、提出假设、编写代码、验证回测。这个过程高度依赖研究员的个人经验、认知偏差和对历史数据的解读。

Darwinia则将研究员定位为“环境设计师”。你的核心工作不再是猜测“什么指标有效”，而是思考“什么样的环境能筛选出真正强大的策略”。这包括几个关键设计点：

1. 数据环境：你提供什么样的价格序列？是单一资产还是多资产？数据包含了哪些市场状态（牛市、熊市、横盘）？darwinia fetch和darwinia scan命令帮助你构建和发现高质量的训练数据。
2. 适应度函数：你如何定义“成功”？是单纯的夏普比率，还是综合了收益、回撤、胜率的复合指标？抑或是专门奖励在对抗性攻击下生存的能力？适应度函数就是进化过程的“指挥棒”。
3. 对抗性压力：你设置了哪些“攻击”？这些攻击是否覆盖了目标市场的主要风险类型？攻击的强度和频率如何？这直接决定了进化出的策略的稳健程度。
4. 基因表达空间：你允许代理的DNA在多大范围内变异？17个基因的边界设定是否合理？这决定了进化探索的广度与深度。

注意：环境设计并非一劳永逸。一个常见的误区是设计一个过于严苛的环境，导致所有代理都无法生存，进化停滞。或者设计一个过于宽松的环境，进化出的策略在实盘中不堪一击。好的环境设计需要在“选择压力”和“探索空间”之间找到平衡。初期可以设置较宽松的条件让种群快速多样化，后期再逐步引入更严苛的对抗性测试。

这种转变带来的最大好处是可扩展性和发现意外之喜。作为人类，我们的思维模式受限于经验，很难设计出完全反直觉但有效的策略。而进化算法可以在巨大的参数空间中进行盲搜索，有机会发现人类从未想到过的、但逻辑自洽的盈利模式，即项目所说的“Novel patterns”。

3. 核心组件深度解析与实操要点

3.1 17-Gene DNA：策略的遗传密码

Darwinia将每一个交易代理的核心决策逻辑编码为一段由17个基因组成的DNA。这17个基因并非随意设定，而是系统化地涵盖了交易决策的四个维度，构成了一个完整的“交易人格”画像。

信号基因：代理“看什么”。这5个基因决定了代理关注哪些市场特征来形成交易观点。

• weight_momentum：价格动量信号的权重。值高意味着代理更倾向于追涨杀跌。
• weight_volume：成交量异常的权重。值高意味着代理重视量价配合。
• weight_volatility：波动率变化的权重。值高意味着代理在波动放大时更谨慎或更激进。
• weight_mean_reversion：均值回归信号的权重。值高意味着代理倾向于“高抛低吸”。
• weight_trend：趋势强度的权重。值高意味着代理是坚定的趋势跟随者。

阈值基因：代理“何时动”。这4个基因设定了触发具体行动的门槛。

• entry_threshold：开仓信号所需的综合信号强度。值越高，开仓越谨慎。
• exit_threshold：平仓信号所需的综合信号强度。
• stop_loss_pct：硬性止损百分比。这是风险控制的关键基因。
• take_profit_pct：硬性止盈百分比。

人格基因：代理“如何做”。这5个基因定义了代理的行为风格和风险偏好，是策略多样性的主要来源。

• risk_appetite：风险偏好。直接影响仓位大小，值越高，单次交易承担的风险越大。
• time_horizon：时间跨度。值高意味着代理持仓耐心足，适合趋势；值低则倾向于短线。
• contrarian_bias：逆向偏见。值高意味着代理倾向于在众人疯狂时恐惧，在众人恐惧时贪婪。
• patience：耐心程度。影响信号过滤，值高的代理会等待信号确认，减少噪音交易。
• sizing_aggression：仓位攻击性。在盈利时是否加仓，亏损时是否减仓。

适应基因：代理“如何学”。这3个基因决定了代理如何适应变化的市场。

• regime_sensitivity：对市场状态变化的敏感度。值高会快速调整策略。
• memory_length：用于计算指标的历史窗口长度。
• noise_filtering：噪声过滤强度。值高会过滤掉很多短期波动，抓住主要矛盾。

实操心得：在分析进化结果时，不要孤立地看单个基因的值。重点观察基因之间的相关性。例如，你可能会发现所有高适应度的代理都同时具有high noise_filtering和medium patience，这表明在当前数据环境下，“耐心过滤噪音”是一个成功模式。另一个常见模式是high risk_appetite与short time_horizon的组合，这定义了一个“激进短线客”的人格。

3.2 对抗性竞技场：策略的“压力测试”

对抗性竞技场是Darwinia确保策略鲁棒性的核心机制。它模拟了真实市场中存在的“聪明钱”针对流行策略进行猎杀的行为。竞技场内置了6种典型的市场攻击模式：

竞技场的工作流程是：每一代进化结束后，会选出当前的“冠军”代理。然后，竞技场分析这位冠军的DNA（例如，如果它的weight_trend很高，stop_loss_pct很低），接着主动选择最能针对其弱点的攻击模式进行测试。例如，对一个趋势跟踪冠军，可能会优先使用Rug Pull和Fake Breakout。只有成功抵御了这些针对性攻击的代理，才有资格成为父母，将其基因传递给下一代。

3.3 模式发现：从基因到可理解的知识

进化过程会产生海量的基因数据。模式发现模块的作用，就是从这些数据中提炼出人类可以理解和利用的“知识”。它主要做三件事：

1. 基因收敛分析：检查每一代存活下来的代理，它们的某个基因是否都趋向于同一个值域。例如，如果第50代的所有高适应度代理的noise_filtering基因值都大于0.8，那么“高噪声过滤”就被识别为一个进化稳定的模式。
2. 基因关联性分析：发现哪些基因总是共同出现。例如，high contrarian_bias可能总是与medium time_horizon和high patience相关联。这种组合可以被命名为“逆向价值投资者”人格。
3. 新颖模式识别：通过聚类算法，发现一些基因组合无法被映射到任何已知的人类交易策略类别。这些就是进化算法发现的“新大陆”，值得深入研究。

你可以通过darwinia explain命令对冠军策略进行“基因消融”分析，来验证模式的重要性。这个命令会依次将每个基因暂时“归零”，然后重新计算策略的适应度。适应度下降最严重的基因，就是对策略贡献最大的核心基因。这提供了可解释性：进化出的策略不是黑箱，它的成功可以归因于某些特定的基因特征。

4. 完整工作流实操与核心环节实现

4.1 环境准备与数据获取

首先，你需要搭建Darwinia的运行环境。项目推荐使用Python 3.9+。

# 1. 克隆仓库 git clone https://github.com/0xSanei/darwinia.git cd darwinia # 2. 安装依赖（开发模式，便于修改代码） pip install -e ".[dev]" # 3. 运行测试，确保一切正常 make test # 或直接运行 pytest pytest -v

Darwinia内置了BTC/USDT的1小时K线数据，方便快速开始。但对于严肃的研究，你很可能需要使用自己的数据，或获取更新、更多样的数据。

# 从Binance获取以太坊的4小时K线数据，最近90天 python -m darwinia fetch ETHUSDT -i 4h -d 90 # 从CoinGecko获取比特币美元价格数据 python -m darwinia fetch BTCUSD --source coingecko # 使用scan命令发现高波动性、适合进化的交易对 python -m darwinia scan --volatile # 获取推荐列表 python -m darwinia scan --recommend --json

fetch命令获取的数据会保存在data/目录下，格式为CSV，包含timestamp,open,high,low,close,volume列，可直接用于进化。

注意事项：数据质量是进化的基石。确保你的数据覆盖了多种市场状态（如牛市、熊市、横盘震荡）。如果数据只包含单边上涨市，进化出的策略可能在下跌市中毫无用处。建议使用darwinia scan --recommend来筛选近期有波动、有交易深度的资产，这样的数据蕴含更多“进化压力”。

4.2 启动首次进化与参数解读

让我们启动一个简单的进化实验，理解各个参数。

# 运行一个10代、种群数量为50的进化实验 python -m darwinia evolve -g 10 -p 50

执行后，你会在终端看到类似下面的进度输出：

🧬 Darwinia — Evolution Engine Generations: 10 | Population: 50 | Data: BTC/USDT 1h (10,946 candles) Gen 0 | ██████░░░░░░░░░░░░░░ | champ=0.32 avg=0.04 div=1.56 Gen 1 | █████████████░░░░░░░ | champ=0.69 avg=0.24 div=1.60 Gen 2 | ███████████████████████████ | champ=1.35 avg=0.64 div=1.32 Gen 5 | █████████████████████████████ | champ=1.46 avg=0.43 div=0.81 Gen 9 | ████████░░░░░░░░░░░░ | champ=0.42 avg=0.12 div=0.44 ✅ Evolution complete! 12 patterns discovered.

• 进度条：直观显示当前代的进化进度。
• champ：当前代中适应度最高的代理的分数。这个分数是归一化后的综合得分，通常越高越好，1.0以上可以认为是表现优异。
• avg：当前代所有代理的平均适应度。观察avg是否随世代提升，可以判断进化是否有效。如果avg停滞不前，可能意味着选择压力不够或基因多样性过早丧失。
• div：种群基因多样性指标。值越高，种群内基因差异越大。健康的进化过程初期div值较高，随着优势基因被选择，div会逐渐下降并稳定在一个水平。如果div过早急剧降至接近0，说明发生了“早熟收敛”，可能陷入了局部最优解。

进化完成后，冠军代理的DNA和元数据会被保存在output/champions/目录下，例如champion_gen_0009.json。同时，所有发现的模式会记录在output/patterns/中。

4.3 深入分析进化结果

进化结束只是开始，分析结果更为重要。

1. 在对抗性竞技场中测试冠军：

# 测试最新的冠军 python -m darwinia arena # 测试指定文件中的冠军，并运行10轮取平均值 python -m darwinia arena -c output/champions/champion_gen_0009.json -r 10

竞技场会输出冠军在每种攻击下的损益和生存状态。100%的生存率是理想目标，但现实中能达到90%以上已非常出色。

2. 进行样本外验证，防止过拟合：

# 使用3折时间序列交叉验证 python -m darwinia validate -w 3

这个命令会将数据按时间顺序分成3段（例如70%训练，30%测试）。它在第一段上进化策略，然后在第二段上测试，确保策略在未见过的数据上依然有效。如果测试集适应度远低于训练集，说明策略过拟合了历史噪音。

3. 解释冠军策略：

python -m darwinia explain -c output/champions/champion_gen_0009.json

该命令会进行基因消融分析，生成一个表格，显示每个基因被“关闭”后适应度的下降百分比。下降最多的基因就是策略的“命门”。例如，如果stop_loss_pct的消融导致适应度下降40%，那就证明这个止损基因对策略生存至关重要。

4. 启动交互式仪表板进行可视化分析：

python -m darwinia dashboard

仪表板提供了四个核心视图：

• 进化视图：展示各代种群适应度、冠军轨迹、基因分布的变化。
• 家族树视图：以树状图展示冠军的“祖先”，理解成功基因是如何传承和组合的。
• 军备竞赛视图：展示冠军在面对不同攻击时适应度的变化，直观看到策略的脆弱点被逐步修补的过程。
• 模式发现视图：以表格形式列出所有已发现的模式及其描述。

4.4 高级进化模式

当你熟悉基础流程后，可以尝试更复杂的进化模式，以得到更强大的策略。

多资产进化：让代理同时在比特币、以太坊等多个资产的数据上进化，旨在得到一个普适性更强的策略。

python -m darwinia evolve --multi

宏观感知进化：让代理感知市场状态（风险开启/风险关闭），并调整仓位。这能进化出更“聪明”的策略，懂得在行情不好时轻仓观望。

python -m darwinia evolve --macro

使用自定义适应度函数：如果你有特殊的需求（例如极度厌恶回撤），可以修改core/fitness.py中的calculate_fitness函数，将你的考量（如Calmar比率）纳入适应度计算，然后重新安装项目(pip install -e .)。

5. 进阶功能与实战集成

5.1 策略组合与风险管理

单一策略总有失效的时候。Darwinia提供了构建策略组合的工具，以分散风险。

1. 创建策略委员会：

# 从输出目录中选取5个不同的冠军策略，组成委员会，采用多数投票制决定交易 python -m darwinia ensemble -d data/btc_1h.csv -s 5 --mode majority

委员会模式可以有效平滑单一策略的异常波动。weighted模式会根据每个策略的历史适应度赋予其投票权重，表现好的策略话语权更大。

2. 构建投资组合：假设你进化出了三个在不同市场环境下表现突出的策略（A：趋势策略，B：震荡策略，C：宏观策略）。你可以使用投资组合分配器来分配资金。

python -m darwinia portfolio --champions out/trend_champ.json out/range_champ.json out/macro_champ.json --method risk_parity

risk_parity（风险平价）方法会试图让每个策略对整体组合的风险贡献相等，这是一种非常稳健的分配方式。其他方法如sharpe_weighted（按夏普比率加权）可能收益更高但波动更大。

3. 分析策略相关性：在将策略组合前，必须检查它们是否真的提供了分散性。

python -m darwinia correlation --champions out/trend_champ.json out/range_champ.json out/macro_champ.json

如果两个策略的收益率曲线高度相关（例如相关系数>0.7），那么同时持有它们并不能有效降低风险。你需要寻找相关性低甚至负相关的策略来组合。

5.2 压力测试与基准比较

在投入真金白银前，必须对策略进行极限压力测试。

蒙特卡洛压力测试：

# 对冠军策略进行500次蒙特卡洛模拟 python -m darwinia montecarlo -c champion.json -n 500

这个命令会通过重采样、添加随机噪声或打乱收益率序列等方式，生成500条不同的价格路径，然后在每条路径上运行你的策略。最终它会给出策略收益的分布，例如“95%的情况下，最大回撤不会超过20%”，这比单一历史回测更有说服力。

与基准策略比较：

python -m darwinia benchmark -c champion.json -d data/btc_1h.csv

这个命令会将你的进化冠军与五个简单的基准策略（买入持有、随机交易、均值回归、动量、定投）在同一个数据集上进行比较，并以夏普比率等关键指标进行排名。这能直观地回答一个问题：我辛辛苦苦进化出的策略，是否真的比“无脑”策略更优秀？

5.3 策略维护与自我修复

市场在变，策略也会“老化”。Darwinia的repair模块提供了策略自我修复的能力。

# 监控冠军策略的适应度是否出现漂移，并进行针对性修复 python -m darwinia repair -c champion.json --method targeted

targeted修复模式非常智能：它首先运行基因消融分析，找出当前环境下哪些基因变得“脆弱”（即关闭后适应度下降不明显），然后只对这些弱基因进行重新随机化或微调，而保留那些依然强健的基因。这就像给策略做了一次“定向手术”，而不是推倒重来，效率极高。

5.4 与AI智能体集成

这是Darwinia的一大亮点。你可以让你正在使用的AI编码助手（如Claude Code）或自主智能体（如OpenClaw）直接操作Darwinia。

对于OpenClaw或Claude Code，项目已经提供了Skill文件。你的智能体只需被告知“安装Darwinia并进化一个BTC交易策略”，它就能自动执行克隆仓库、安装依赖、运行进化、解析结果这一整套流程，并将最终发现的最佳模式用自然语言报告给你。这实现了从策略发现到执行的完全自动化闭环。

对于其他自定义的AI代理或工作流，你可以通过CLI的--json输出来获取机器可读的结果。

python -m darwinia evolve -g 20 --json > evolution_result.json

然后，你的代理可以解析这个JSON文件，提取冠军的DNA或发现的模式，并将其转化为可执行的交易逻辑，集成到更大的系统中。

6. 常见问题、排查技巧与避坑指南

在实际使用Darwinia的过程中，你肯定会遇到各种问题。以下是我在多次实验中总结出的常见陷阱和解决方案。

6.1 进化过程相关

问题1：进化早期就陷入停滞，平均适应度avg不再增长。

• 可能原因1：选择压力太小。每一代存活下来的代理比例（默认是前20%）可能太高，导致劣质基因没有被有效淘汰。
• 解决方案：增加选择强度。可以尝试修改进化参数，例如提高elite_ratio（精英保留比例）但同时降低survival_rate（总存活率），或者尝试锦标赛选择法。
• 可能原因2：基因突变率太低。种群缺乏新的基因材料进行探索。
• 解决方案：适当提高mutation_rate（突变率）和mutation_strength（突变强度）。但注意不要太高，否则进化会变成随机游走。
• 可能原因3：适应度函数设计不合理。函数可能过于平坦，无法区分代理的优劣。
• 解决方案：审视core/fitness.py中的calculate_fitness函数。尝试加入夏普比率、最大回撤等更多维度，或者对收益进行非线性变换（如取平方）来放大差异。

问题2：进化出的策略在竞技场表现很好，但在样本外验证（walk-forward）中崩溃。

• 可能原因：严重过拟合。策略可能记忆了训练数据中的特定噪音模式，而非学习到通用规律。
• 解决方案：
  1. 使用--macro模式：这迫使策略学习根据市场状态调整行为，而不是固定套路。
  2. 增加数据多样性：使用--multi进行多资产进化，或使用更长时间跨度的数据。
  3. 强化对抗性攻击：在竞技场中增加更多样、更频繁的攻击。
  4. 启用早停机制：监控验证集上的表现，一旦发现适应度下降就停止进化。

问题3：种群多样性div指标下降过快。

• 可能原因：早熟收敛。某个早期偶然出现的优势个体迅速统治了整个种群，扼杀了其他可能更好的进化方向。
• 解决方案：
  1. 增加种群大小-p：更大的种群能维持更久的多样性。
  2. 使用小生境技术：可以修改代码，在计算适应度时，对基因型相似的个体进行“惩罚”，鼓励种群探索不同区域。
  3. 定期注入随机个体：每隔几代，随机生成一些新个体加入种群，引入新鲜血液。

6.2 策略分析与部署相关

问题4：explain命令显示很多基因重要性都很低，策略似乎靠运气？

• 可能原因：进化时间可能不够，或者市场本身噪音太大，没有清晰的、可捕捉的模式。
• 解决方案：运行更长的进化世代（-g 100或更多）。同时，检查你的数据，是否处于一个极度混乱的震荡市？可以考虑换一个趋势更明显的标的或时间段重新进化。

问题5：如何将进化出的JSON策略转化为实际可执行的交易代码？

• 解决方案：Darwinia目前主要是一个研究框架。冠军JSON文件包含了完整的基因参数。你需要手动或编写一个转换器，将这些基因参数翻译成你所用交易平台（如Backtrader, Zipline, 或券商API）所能理解的交易规则。核心是理解DNA中信号、阈值、人格基因如何共同决策。项目未来的export功能可能会提供更直接的代码输出。

问题6：进化过程太慢，尤其是使用高分辨率数据或大种群时。

• 解决方案：
  1. 数据降频：从1分钟线切换到1小时线或4小时线，能极大减少计算量。
  2. 代码优化：核心循环部分（如适应度计算）可以考虑用Numba加速或进行向量化优化。
  3. 并行化：评估一个种群内多个代理的适应度是“令人尴尬的并行”任务。可以修改evolution/population.py，使用Python的multiprocessing或joblib库来并行计算。

6.3 实战心得与高级技巧

1. 从简单开始：首次运行时，使用默认参数和内置的BTC数据。先让整个流程跑通，观察输出，理解每个环节在做什么。
2. 记录实验：每次进化实验，都记录下你的参数（代数、种群数、数据源、是否启用macro/multi）、以及最终冠军的适应度、生存率和发现的模式数量。这能帮你建立直觉，知道什么参数组合更有效。
3. 可视化是关键：多使用dashboard。家族树能帮你看到成功特质的传承；军备竞赛图能清晰展示策略是如何在特定攻击下被“训练”出来的。
4. “环境设计”迭代：不要只运行一次进化就结束。将第一次进化得到的结果作为基准。然后，尝试修改对抗性攻击的参数（比如让Rug Pull的跌幅更大），或者调整适应度函数（比如更严厉地惩罚回撤），再次进化。观察新环境是否筛选出了不同性格的策略。
5. 拥抱失败：大部分进化实验可能不会产生惊人的策略。这很正常。进化是一个搜索过程。把每次“失败”的实验看作排除了一片无效的搜索区域。分析这些失败种群的基因共性，能帮你更好地理解当前市场环境或你设计的环境本身。
6. 超越交易：正如项目所言，这个进化引擎是领域无关的。你可以尝试修改core/agent.py和core/fitness.py，将基因定义为投资组合的权重分配，将适应度定义为投资组合的夏普比率，那么Darwinia就能进化出资产配置方案。它的潜力远不止于交易策略。