第二章：参数优化基础

做市策略的参数优化，说白了就是给策略找一套最合适的「旋钮位置」。

我刚开始做市商那会儿，总觉得策略写好了就能躺着赚钱。结果呢？参数设得不对，明明该做多的时候在卖，该卖的时候在买。嗯，那滋味可不好受。

今天咱们就把参数优化的底裤扒干净。从定义到目标，再到那些坑，我一个一个说给你听。

2.1 参数优化的定义

参数优化，就是在一组可能的参数组合中，找到能让策略表现最好的那一组。

举个例子。你的做市策略里有个参数叫「报价宽度」——就是买一价和卖一价之间的价差。设得太窄，赚不到钱；设得太宽，单子挂不出去。你需要找到一个「黄金点」。

用数学语言说：

目标函数 f(θ) = 策略表现指标
θ* = argmax f(θ)
其中 θ 是参数向量

说白了，就是解一个最优化问题。只不过这个问题的解，往往不是解析解，而是数值解。

2.2 参数优化的目标

目标其实就两个：赚钱，少亏钱。但具体到做市策略，得拆开看。

2.2.1 最大化收益

收益指标有很多种。我个人习惯用这几个：

• 总收益（Total PnL）：最直观，但容易被极端行情带偏
• 夏普比率（Sharpe Ratio）：收益/风险，更科学
• 胜率（Win Rate）：赚钱的交易占比，做市策略一般要求60%以上

我在项目中遇到过一件事。有个同事优化参数时只看总收益，结果选出了一套参数，回测收益很高，但最大回撤超过30%。实盘第一天就亏了5%。

你想想看，做市商最怕什么？不是赚得少，是突然亏一大笔。所以收益指标一定要结合风险来看。

2.2.2 最小化风险

风险指标我重点关注这三个：

指标	含义	做市策略的容忍度
最大回撤（Max Drawdown）	从最高点到最低点的跌幅	一般不超过5%
波动率（Volatility）	收益的波动程度	越低越好
VaR（Value at Risk）	一定置信水平下的最大可能损失	日VaR不超过资金的1%

为什么要最小化风险？因为做市商赚的是「薄利多销」的钱。你每次交易赚0.01%，一天交易几千次，累积起来很可观。但一次黑天鹅事件，可能把几个月的利润全吞掉。

2.3 参数优化的挑战

说到挑战，我得先给你泼盆冷水。参数优化不是万能的。搞不好，你会被自己「优化」出来的参数坑死。

2.3.1 过拟合

过拟合是什么？就是你的参数在历史数据上表现完美，一到实盘就拉胯。

我曾经犯过一个错误。优化一个做市策略时，我把参数调得特别精细，回测曲线漂亮得像教科书。结果实盘第一天，策略就开始亏钱。为什么？因为我把参数拟合到了历史数据里的噪声上。

怎么避免？

• 交叉验证：把数据分成训练集和测试集。在训练集上优化，在测试集上验证。
• 参数数量控制：参数越多，越容易过拟合。我一般控制在5个以内。
• 正则化：给目标函数加一个惩罚项，让参数不要太大或太小。

2.3.2 市场变化

市场是活的。你今天优化出来的参数，明天可能就失效了。

举个例子。2020年3月，疫情导致市场波动率飙升。之前优化好的做市策略，报价宽度设得太窄，结果频繁被成交，库存管理完全失控。

为什么会这样？因为参数优化本质上是基于历史数据的。但历史不会简单重复。市场结构、参与者行为、监管政策，都在变。

应对方法：

• 滚动优化：定期重新优化参数。我一般每周优化一次。
• 自适应参数：让参数根据市场状态自动调整。比如波动率高时，自动加宽报价。
• 压力测试：用极端行情数据测试参数的稳健性。

你想想看，如果市场已经变了，你还抱着旧参数不放，那不是刻舟求剑吗？

2.4 知识体系框架

下面这张图，把参数优化的核心逻辑串起来了。我建议你多看几遍，把每个环节都吃透。

这张图你看懂了吗？从历史数据出发，经过优化目标和优化方法，最终得到最优参数。但别忘了，过拟合和市场变化这两个挑战，随时可能让你的优化结果变成废纸。

嗯，今天就先聊到这儿。参数优化是个大话题，后面咱们还会深入讲具体的优化方法和实战技巧。你先把基础打牢，后面学起来就轻松了。

---

公众号:蓝海资料掘金营，微信deep3321