以遺傳演算法搜尋多維策略參數空間，將每筆交易的利潤相對價格分布（Profit-Price Distribution）作為適應度函數核心，自動化地在模擬市場中找出高夏普比的交易策略組合。
每條染色體代表一組完整的交易策略參數；適應度函數基於在回測期間產生之利潤價格分布的夏普值，引導族群逐代進化。
「利潤價格分布」是本論文適應度函數的基礎：記錄各筆交易退出價格相對進場價格的利潤率，構成機率分布，再以其統計特徵（夏普值）引導遺傳演算法搜尋。
調整族群規模與演化參數，觀察不同設定對優化結果的影響。模擬使用相同的隨機種子價格序列，結果差異純來自 GA 參數。
逐代觀察族群演化：適應度分布如何收斂，最佳染色體的策略參數如何從隨機收斂至最佳解，利潤分布如何同步右移。
遺傳演算法找到的最佳策略在 252 個模擬交易日中的完整表現，包含進出場訊號、淨值曲線與績效統計。
在相同函數評估次數預算（1,500 次）下，遺傳演算法在探索效率與最終解品質上均優於隨機搜尋與窮舉網格搜尋。