我国金融市场经过三十多年的飞速发展,制度日趋完善,市场交易也变得越来越活跃。随着人工智能技术在金融市场得到越来越多的应用,如何通过自动投资方法替代人工从金融市场盈利逐渐备受关注。自动投资方法以量化引擎为基础,在感知量化数据上执行不同的投资策略。自动投资引擎是自动投资方法研究的必要工具。但常见量化投资引擎具有商业化、非开源、自由度低、局限性大等特点,难以为面向中国股市的自动投资研究服务。针对上述问题,本文首先构建一个涵盖内容多元,数据准确且完备的量化知识库,为研究提供数据支持。接着以中国股市交易规则为核心构建新式量化投资回测引擎,为研究提供实验平台支持。遗传算法常被用于策略模型的超参数优化及新因子构造,鲜有直接应用遗传算法对多因子策略进行优化的研究。遗传算法具有天然的并行性,可借助少量的数据和少量的计算代价获得较好的结果,非常适合应用于短期股市少量数据下的自动投资策略研究。本文将研究如何利用遗传算法直接对多因子筛选策略进行优化,从而实现一个端到端的自动投资框架,主要分为以下几个方面:在策略初始化方面,常见的基于均匀分布的初始化方法由于策略搜索空间巨大且稀疏,会导致初始化策略集合上会出现大量无效策略的问题,无法为遗传算法提供有效的初始种群。本文提出基于随机投资组合的策略初始化方法,解决了初始化策略集合存在大量无效策略的问题;在策略编码方面,本文提出了多因子掩盖编码法,使遗传算法具有自动筛选有效因子的能力。在策略适应度评估方面,结合量化投资引擎对策略进行回溯测试,利用策略在投资时期内的信息比率来代替策略适应度值,帮助遗传算法找到优化方向。此外,本文还对策略选择,策略交叉,策略变异等流程进行了精心设计。本文采用改进后的遗传算法优化多因子筛选策略在2020年6月2日至8月1日的样本外投资时期内获得了13.28%的超额收益,超过同时期的沪深300指数,且超越了其它同类择股策略。因此,结合遗传算法的自动投资方法具有一定效用。