2. 参数空间与搜索维度：参数类型、范围设定与维度灾难
做量化策略，说白了就是在找一组“好参数”。
但参数不是乱找的。你得先搞清楚：你的参数长什么样？ 是连续变化的数值，还是只能选几个固定值？范围设多大？参数一多，会不会把电脑跑冒烟？
这一节，我们就来聊聊参数空间的底层逻辑。我个人习惯，在动手写代码之前，先把这些想清楚。不然跑了一周发现方向错了，那才叫崩溃。
2.1 参数类型：三种不同的“变量”
参数类型，我一般分成三类。每种类型，搜索方式完全不同。
| 参数类型 | 特点 | 典型例子 | 搜索方式 |
|---|---|---|---|
| 连续参数 | 在区间内可取任意值 | 移动平均周期（5.0 ~ 50.0） | 网格搜索、随机搜索、贝叶斯优化 |
| 离散参数 | 只能取有限个整数值 | RSI阈值（30, 40, 50, 60, 70） | 枚举、组合搜索 |
| 类别参数 | 无顺序关系的类别 | 出场方式（止损/移动止盈/时间出场） | 穷举、随机组合 |
嗯，这里要注意：连续参数最容易被忽视。很多人习惯用整数步长去搜，比如从5到50，步长5。但真实世界里的最优值，可能落在27.3这种小数上。你想想看，步长设成5，直接跳过了最优解。
核心观点：连续参数不要只搜整数点。先用大步长粗搜，找到“好区域”，再用小步长或随机搜索精搜。
2.2 参数范围设定：宽了还是窄了？
参数范围怎么定？我见过两种极端：
- 范围太小：最优解可能就在边界外，你永远找不到。
- 范围太大：搜索空间爆炸，而且容易过拟合到噪声上。
我在项目中遇到过一件事：一个简单的双均线策略，我把快线周期设成1到200，慢线周期设成5到250。结果跑了一整夜，最后发现最优参数是快线3、慢线8。你想想看，90%的搜索空间都是浪费的。
那怎么定范围？ 我个人习惯三步走：
- 基于逻辑：比如均线周期，太短（<5）噪声大，太长（>200）反应慢。先根据交易逻辑砍掉明显不合理的区间。
- 基于经验：同类策略的历史最优参数，一般落在什么范围？可以参考。
- 基于预搜索：用大步长快速扫一遍，找到“热点区域”，再缩小范围。
小技巧：参数范围最好用“对数尺度”来设定。比如周期参数，从10到200，步长用对数增长（10, 20, 40, 80, 160），比线性步长更合理。因为周期从10变到20，和从100变到110，对策略的影响是完全不同的。
2.3 维度灾难：参数一多，世界就变了
这是最要命的问题。什么叫维度灾难？
简单说：参数每增加一个，搜索空间呈指数级增长。
举个例子：
- 1个参数，10个取值 → 10种组合
- 2个参数，10个取值 → 100种组合
- 5个参数，10个取值 → 10万种组合
- 10个参数，10个取值 → 100亿种组合
你想想看，10个参数，每个只取10个值，组合数就已经是100亿了。一台普通电脑，每秒算1000组参数，也得算115天。这还不算回测本身的时间。
警告：参数超过5个，就别想着穷举了。我曾经犯过这个错——一个策略有8个参数，我设了网格搜索，跑了3天3夜，结果发现最优参数组合的回测曲线是过拟合的。白白浪费了时间。
为什么会这样？因为高维空间里，数据点变得极其稀疏。你搜到的“最优解”，很可能只是恰好在这个稀疏空间里表现好，换个时间段就崩了。
下面这张图，展示了维度增加时搜索空间的变化：
2.4 怎么对抗维度灾难？
既然维度高了搜不动，那就想办法降维。我常用的方法有几种：
- 参数敏感性分析：先固定其他参数，只调一个，看看它对收益的影响有多大。影响小的参数，直接固定，不参与搜索。
- 相关性分析：两个参数高度相关？比如快线周期和慢线周期，其实可以合并成一个“周期比”参数。
- 随机搜索代替网格搜索：网格搜索在低维空间还行，高维空间里，随机搜索效率高得多。因为网格搜索的采样点分布均匀，但高维空间里大部分区域都是“无效区域”。随机搜索反而更容易找到好点。
- 先粗后精：先用大步长粗搜，锁定“好区域”，再在局部用小步长精搜。这就像找宝藏，先确定大概位置，再仔细挖。
我的经验：一个策略的参数，最好控制在3-5个以内。超过5个，你就要认真考虑：这些参数真的都有必要吗？还是说，有些参数只是“看起来有用”？
2.5 实战：一个参数空间的代码示例
说了这么多，来点实际的。下面是我常用的参数空间定义方式：
# 参数空间定义示例
param_space = {
'fast_ma': {
'type': 'continuous',
'range': (5, 50),
'step': 1.0,
'description': '快线周期'
},
'slow_ma': {
'type': 'continuous',
'range': (20, 200),
'step': 1.0,
'description': '慢线周期'
},
'rsi_threshold': {
'type': 'discrete',
'values': [30, 40, 50, 60, 70],
'description': 'RSI超买超卖阈值'
},
'exit_strategy': {
'type': 'categorical',
'values': ['stop_loss', 'trailing_stop', 'time_exit'],
'description': '出场方式'
}
}
# 生成随机搜索样本
import random
def generate_random_samples(param_space, n_samples=1000):
samples = []
for _ in range(n_samples):
sample = {}
for name, config in param_space.items():
if config['type'] == 'continuous':
low, high = config['range']
step = config.get('step', 0.1)
# 随机生成连续值，并四舍五入到步长
value = round(random.uniform(low, high) / step) * step
value = max(low, min(high, value))
sample[name] = value
elif config['type'] == 'discrete':
sample[name] = random.choice(config['values'])
elif config['type'] == 'categorical':
sample[name] = random.choice(config['values'])
samples.append(sample)
return samples
# 生成1000组随机参数
random_params = generate_random_samples(param_space, 1000)
print(f"生成了 {len(random_params)} 组随机参数组合")
print("前3组示例：")
for i in range(3):
print(f" 样本{i+1}: {random_params[i]}")
这段代码，我几乎每个项目都会用到。它把参数类型、范围、步长都定义清楚了。随机搜索比网格搜索快得多，尤其是在高维空间里。
一个小建议：连续参数不要用固定的线性步长。比如周期参数，用对数步长更合理。你可以把范围设成(5, 200)，步长用1.2倍增长（5, 6, 7.2, 8.6, ...）。这样在低周期区域搜索更密，高周期区域搜索更疏，符合交易逻辑。
2.6 总结一下
参数空间设计，是量化策略优化的第一步，也是最容易被忽视的一步。我见过太多人，上来就写个三层循环开始穷举，结果跑了一周发现方向错了。
记住三点：
- 参数类型要分清：连续、离散、类别，搜索方式完全不同。
- 范围设定要合理：别太大也别太小，基于逻辑和经验来定。
- 维度灾难要警惕：参数超过5个，就别穷举了。用随机搜索、先粗后精、敏感性分析来降维。
嗯，这一节就到这里。下一节我们聊聊具体的搜索算法——网格搜索、随机搜索、贝叶斯优化，到底该怎么选。