3、参数调优入门：参数空间、过拟合与欠拟合、回测框架搭建

各位同学，今天我们进入套利策略最核心也最磨人的环节——参数调优。

说实话，我刚入行那会儿，觉得策略写好了就能躺着赚钱。结果呢？回测曲线漂亮得像教科书，实盘一跑直接给我上一课。后来我才明白，参数调优才是区分「玩具策略」和「可实盘策略」的分水岭。

这一章，我们不讲虚的。直接聊三个核心问题：参数空间怎么设计？过拟合和欠拟合怎么防？回测框架怎么搭才靠谱？

3.1 参数空间：你的策略有多少种可能？

先问个问题：一个简单的双均线策略，快线参数从5到50，慢线参数从20到200，步长都是1。你算算有多少种组合？

答案是：(50-5+1) × (200-20+1) = 46 × 181 = 8326种。这还只是两个参数。

我见过有人把参数加到七八个，参数空间直接爆炸到几百万种。你想想看，这得跑到猴年马月？

参数空间，说白了就是所有参数可能取值的集合。设计参数空间时，我个人习惯遵循三个原则：

• 范围合理：别从0开始，也别跑到无穷大。比如ATR周期，20到100就差不多了，搞个500周期，你是在做长线投资吗？
• 步长适中：步长太小，相邻参数结果几乎一样，白费算力。步长太大，可能错过最优区域。我一般先粗搜（大步长），再细搜（小步长）。
• 参数独立：两个参数如果高度相关，比如开仓阈值A和平仓阈值B，A+B=常数这种，你搜出来的结果其实是一条线，不是一片区域。

3.2 过拟合与欠拟合：回测漂亮，实盘完蛋

这两个概念，做量化的应该都听过。但我敢说，真正理解的人不多。

欠拟合，就是策略太简单，连历史数据都拟合不好。回测曲线跟心电图似的，忽上忽下。这种情况反而好办——加特征、调参数、换模型，总能改善。

过拟合才是真正的杀手。策略在历史数据上表现完美，但一到新数据就崩。为什么？因为你把历史数据里的「噪音」当成了「信号」来学习。

我记得有一次，一个同事兴冲冲地跑过来说他的策略年化收益80%。我一看回测曲线，好家伙，完美避开所有大跌。但仔细一查，他的参数里有一个「持仓时间不超过3天」的硬编码。说白了，这个参数就是针对某几次大跌专门调的。

怎么防过拟合？我分享几个实战经验：

• 样本外测试：永远留一段数据不参与调参。我习惯用前70%做训练，后30%做验证。
• 参数稳定性检查：最优参数附近的参数，表现应该差不多。如果稍微动一下参数，收益就暴跌，那基本是过拟合。
• 交叉验证：把数据分成几段，轮流做训练和验证。如果某一段上表现特别差，说明策略不稳定。

3.3 回测框架搭建：从零开始，稳扎稳打

回测框架，说白了就是模拟历史交易的工具。但别小看它，框架搭不好，你的策略再牛也是白搭。

我个人习惯用Python，因为生态好，pandas、numpy这些库用起来顺手。下面是一个极简回测框架的核心逻辑：

import pandas as pd
import numpy as np

class BacktestEngine:
    def __init__(self, data, strategy, initial_capital=100000):
        self.data = data
        self.strategy = strategy
        self.capital = initial_capital
        self.positions = []
        self.trades = []
    
    def run(self):
        # 遍历每一根K线
        for i in range(len(self.data)):
            # 获取当前行情
            current_bar = self.data.iloc[i]
            
            # 调用策略，生成信号
            signal = self.strategy.generate_signal(
                self.data.iloc[:i+1], 
                self.positions
            )
            
            # 执行交易
            if signal == 'buy' and not self.positions:
                self._open_long(current_bar)
            elif signal == 'sell' and self.positions:
                self._close_long(current_bar)
    
    def _open_long(self, bar):
        # 开仓逻辑
        cost = bar['close'] * 100  # 假设每手100股
        if cost <= self.capital:
            self.positions.append({
                'entry_price': bar['close'],
                'entry_time': bar['time'],
                'size': 100
            })
            self.capital -= cost
    
    def _close_long(self, bar):
        # 平仓逻辑
        pos = self.positions.pop()
        pnl = (bar['close'] - pos['entry_price']) * pos['size']
        self.capital += bar['close'] * pos['size']
        self.trades.append({
            'entry_time': pos['entry_time'],
            'exit_time': bar['time'],
            'pnl': pnl
        })
    
    def get_performance(self):
        # 计算绩效指标
        total_pnl = sum(t['pnl'] for t in self.trades)
        win_rate = len([t for t in self.trades if t['pnl'] > 0]) / len(self.trades)
        return {
            'total_return': total_pnl / 100000,
            'win_rate': win_rate,
            'trade_count': len(self.trades)
        }

这个框架虽然简单，但核心要素都有了：数据遍历、信号生成、交易执行、绩效计算。实际项目中，你还需要加上滑点、手续费、保证金等细节。

3.4 知识体系总览

下面这张图，是我对本章知识体系的总结。你可以把它当成一张「地图」，随时回来对照。

嗯，这张图把本章的三个核心内容串起来了。你写代码的时候，可以把它贴在旁边，随时提醒自己：参数空间别乱搞，过拟合要严防，回测框架要扎实。

最后说一句：参数调优没有银弹。我做了这么多年，依然会在某些策略上栽跟头。但只要你把上面这些原则刻在脑子里，至少能避开80%的坑。

---