参数优化基础：目标、方法与适用场景
做高频策略的人，早晚要面对一个问题：参数怎么选？
我见过不少新手，上来就把参数范围拉得特别大，然后跑一晚上网格搜索。结果呢？找到的参数在回测里漂亮得像假的一样，一上实盘就崩。说白了，参数优化不是单纯的数学题，它是一场平衡游戏。
参数优化的核心目标
我们先搞清楚一件事：你优化参数到底在追求什么？
- 最大化收益风险比：不是单纯看收益率，要看夏普比率、卡玛比率这些。我习惯把夏普放在第一位。
- 保证参数稳定性：参数稍微变一点，绩效就剧烈波动，这种策略你敢用吗？
- 避免过拟合：这是最要命的。优化得太好，往往意味着在噪声里找到了规律。
一句话总结：参数优化的目标，是找到一组在样本外也能稳定表现的参数，而不是把样本内的曲线磨平。
常见优化方法
市面上主流的方法就三种。我按自己的使用频率排序，一个个说。
1. 网格搜索
最原始，也最暴力。你把每个参数的可能取值列出来，然后穷举所有组合。
# 一个简单的网格搜索示例
import itertools
import numpy as np
param_grid = {
'lookback': [10, 20, 30],
'threshold': [0.5, 1.0, 1.5],
'stop_loss': [0.01, 0.02]
}
best_sharpe = -np.inf
best_params = None
for lookback, threshold, stop_loss in itertools.product(
param_grid['lookback'],
param_grid['threshold'],
param_grid['stop_loss']
):
sharpe = evaluate_strategy(lookback, threshold, stop_loss)
if sharpe > best_sharpe:
best_sharpe = sharpe
best_params = (lookback, threshold, stop_loss)
print(f"最优参数: {best_params}, 夏普: {best_sharpe:.2f}")
优点很明显：简单、可复现、不会漏掉最优解（在给定网格内）。
缺点也很致命：维度灾难。参数一多，组合数爆炸。我记得有一次做股指期货的日内策略，5个参数，每个取10个值，跑了整整一个周末。
我的建议：网格搜索适合参数少于3个的场景。超过3个，你最好换个方法。
2. 随机搜索
网格搜索的升级版。不穷举，而是在参数空间里随机采样。
import random
def random_search(param_ranges, n_iter=100):
best_sharpe = -np.inf
best_params = None
for _ in range(n_iter):
params = {
'lookback': random.randint(10, 100),
'threshold': random.uniform(0.1, 2.0),
'stop_loss': random.uniform(0.005, 0.05)
}
sharpe = evaluate_strategy(**params)
if sharpe > best_sharpe:
best_sharpe = sharpe
best_params = params
return best_params, best_sharpe
为什么随机搜索有时候比网格搜索好？
你想想看，网格搜索在低维空间里均匀采样，但很多参数组合其实对结果影响不大。随机搜索虽然看起来随意，但它能在高维空间里更高效地探索。我在项目中遇到过，同样是100次评估，随机搜索找到的参数比网格搜索好15%以上。
注意：随机搜索的结果不稳定。你跑两次，可能得到两组完全不同的参数。我建议至少跑5次，取平均表现最好的那组。
3. 贝叶斯优化
这是目前我最喜欢的方法。它不像前两种那样盲目，而是有策略地探索。
核心思想很简单：先根据已有的评估结果，建立一个代理模型（通常是高斯过程）。然后通过采集函数（比如期望提升）来决定下一个采样点在哪里。说白了，就是边学边优化。
# 使用scikit-optimize进行贝叶斯优化
from skopt import gp_minimize
from skopt.space import Integer, Real
def objective(params):
lookback, threshold, stop_loss = params
return -evaluate_strategy(lookback, threshold, stop_loss) # 最小化负夏普
space = [
Integer(10, 100, name='lookback'),
Real(0.1, 2.0, name='threshold'),
Real(0.005, 0.05, name='stop_loss')
]
result = gp_minimize(objective, space, n_calls=50, random_state=42)
best_params = result.x
best_sharpe = -result.fun
print(f"贝叶斯优化结果: {best_params}, 夏普: {best_sharpe:.2f}")
贝叶斯优化的优势在于：它用更少的评估次数，找到更好的参数。我做过对比，同样是50次评估，贝叶斯优化的结果通常比随机搜索好20%-30%。
适用场景：参数维度高（4个以上）、每次评估耗时长的策略。比如做中高频的统计套利，一次回测要跑几分钟，用贝叶斯优化能省下大量时间。
三种方法的对比
| 方法 | 适用参数数量 | 评估次数 | 结果稳定性 | 实现难度 |
|---|---|---|---|---|
| 网格搜索 | 1-3个 | 多（穷举） | 高 | 低 |
| 随机搜索 | 2-5个 | 中等 | 中 | 低 |
| 贝叶斯优化 | 3-10个 | 少 | 中高 | 中 |
知识体系框架
下面这张图，是我自己整理参数优化时的思考路径。你可以把它当作一个决策流程图。
避坑指南
讲完方法，我得说说那些年踩过的坑。
- 参数范围设得太宽：我曾经把止损参数设到0.001到0.1，结果最优解在边界上。后来发现，边界上的参数在实盘里根本没法用。建议先做小范围探索，再逐步扩大。
- 只看一个指标：只看夏普比率，容易选到高杠杆的策略。我习惯同时看最大回撤、胜率、盈亏比，综合打分。
- 忽略计算成本：高频策略的参数优化，一次回测可能就要几秒钟。如果用网格搜索，1000个组合就是1000秒。贝叶斯优化在这里优势明显。
一个小技巧：优化前先做参数敏感性分析。把每个参数单独拉出来，看它对结果的影响程度。影响小的参数，直接固定住，减少优化维度。
好了，参数优化的基础就聊到这里。记住，没有万能的方法，只有适合你策略的方法。网格搜索简单可靠，随机搜索灵活高效，贝叶斯优化智能省时。选哪个，取决于你的参数数量、计算资源和耐心程度。