一、参数优化概述

大家好，我是老张。在量化交易这个行当摸爬滚打了十来年，今天想跟你聊聊参数优化这个话题。

说实话，我刚入行那会儿，对参数优化这事儿挺不屑的。觉得策略写好了，参数随便调调就能赚钱。结果呢？实盘亏得我怀疑人生。嗯，后来我才明白——参数优化，其实是量化策略从「能跑」到「能赚钱」的关键一步。

1.1 什么是参数优化

参数优化，说白了就是给策略找一套最合适的参数组合。

你想想看，任何一个量化策略，都有几个关键参数。比如移动平均线策略里的周期长度，布林带策略里的标准差倍数，或者止损策略里的止损比例。这些参数怎么定？拍脑袋肯定不行。

我个人的习惯是：把参数优化看作是在一个多维空间里找最优解。每个参数就是一个维度，参数取值范围就是搜索空间，而目标函数就是策略的收益表现。

举个例子，一个简单的双均线策略：

# 一个简单的双均线策略参数
short_window = 5   # 短期均线周期
long_window = 20   # 长期均线周期

# 参数优化就是要找到最优的 (short_window, long_window) 组合
# 比如 (5, 20) 可能不如 (10, 30) 表现好

1.2 为什么需要参数优化

这个问题，我当年也问过自己。后来在项目中踩过坑才真正理解。

原因一：市场环境在变

你想想，五年前有效的参数，今天可能就失效了。市场在进化，策略参数也得跟着调整。我记得2017年做CTA策略时，一个20日突破的参数表现特别好。到了2020年，同样的参数直接亏成狗。为什么？市场结构变了。

原因二：避免过拟合

这是我见过最多人踩的坑。很多人回测时参数调得特别精细，结果实盘一跑就崩。为什么？因为参数被过度优化了，拟合了历史数据中的噪声。

原因三：提升策略鲁棒性

好的参数组合，应该在不同市场环境下都能稳定表现。而不是只在某个特定时间段有效。我个人习惯用多段数据做验证，比如用2018-2020的数据做优化，用2021-2022的数据做验证。

1.3 参数优化的核心目标

目标其实很简单，就三个字：稳、准、狠。

目标	说明	我的经验
稳	策略在不同市场环境下表现稳定	我一般看夏普比率，低于1.5的我不太敢用
准	参数组合能真实反映策略潜力	避免过拟合，用交叉验证来检验
狠	在风险可控的前提下追求收益	最大回撤控制在20%以内是我的底线

1.4 参数优化的主要挑战

说实话，参数优化这事儿看着简单，做起来全是坑。我总结了几点：

• 维度灾难：参数越多，搜索空间越大。3个参数还好，10个参数就爆炸了。我建议新手先从2-3个参数开始。
• 过拟合风险：这个前面说过了，是最大的坑。我的经验是：优化后的参数，在验证集上表现至少要有优化集80%的水平。
• 计算成本：参数组合多了，计算量就上去了。我做过一个策略，100万个参数组合，跑了一整夜。嗯，后来我学会了用遗传算法。
• 未来函数：这是最隐蔽的坑。比如用当天的收盘价来决定当天的买卖，这就是未来函数。我刚开始做的时候也犯过这个错。

1.5 参数优化的知识体系

下面这张图是我自己整理的参数优化知识体系，你可以参考一下：

这张图基本涵盖了参数优化的核心内容。从优化方法到评价指标，从风险控制到实战技巧，每个环节都很重要。

1.6 我的几点建议

最后，分享几点我个人的经验：

1. 从小处着手：别一上来就搞复杂的优化算法。先用网格搜索跑一遍，看看参数的大致范围。
2. 重视验证：优化出来的参数，一定要在样本外数据上验证。我一般会留30%的数据做验证。
3. 保持简单：参数越少越好。3个参数能解决的问题，别用5个。
4. 记录过程：每次优化都记录下参数组合和结果。这样以后复盘时能知道哪些参数有效。

好了，这一章就聊到这儿。参数优化是个系统工程，后面我们会一步步深入讲解每个环节。希望这些内容对你有帮助。