4、网格搜索法：暴力搜索、步长选择、并行计算优化
网格搜索，说白了就是最笨也最靠谱的方法。
我刚开始做套利策略那会儿，总觉得应该有更聪明的办法。后来被市场反复教育，才明白一个道理——在参数空间足够小的时候，暴力搜索反而是最不容易出错的。你想想看，那些花里胡哨的优化算法，万一收敛到局部最优，你连哭的地方都没有。
4.1 暴力搜索：简单粗暴但有效
网格搜索的核心思想，就是把所有可能的参数组合都试一遍。比如你的套利策略有两个参数：窗口大小和入场阈值。窗口大小从10到50，步长5；阈值从0.5到2.0，步长0.1。那么总共就是 (50-10)/5+1 = 9 个窗口值，乘以 (2.0-0.5)/0.1+1 = 16 个阈值，一共 144 种组合。
嗯，144种组合，单机跑也就几分钟的事。但如果你有5个参数呢？每个参数10个值，那就是10万种组合。这时候你就得考虑怎么优化了。
核心原则：网格搜索不是无脑遍历，而是有策略地覆盖参数空间。先粗搜，再精搜，这是我最常用的套路。
我在项目中遇到过这样一个案例：一个跨期套利策略，参数多达7个。如果全量网格搜索，组合数超过200万。我当时的第一反应是——这得跑到猴年马月？后来我用了两阶段法：先大步长粗搜，锁定最优区域，再小步长精搜。最终只跑了不到1万次，就找到了接近全局最优的解。
4.2 步长选择：粗与细的平衡
步长选多大？这是个好问题。
步长太大，容易错过最优参数。步长太小，计算量爆炸。我个人习惯这样判断：
- 先看参数敏感度——有些参数微调一点，收益就剧烈波动，这种必须用小步长
- 再看参数范围——范围大的参数，步长可以适当放大
- 最后看计算资源——资源充裕就细搜，紧张就粗搜
举个例子，我做过一个统计套利策略，其中有个参数叫「回归周期」，范围是5到120天。我一开始步长设了5天，结果跑了整整一天。后来我发现，这个参数在30天附近表现最好，但30到40天之间的差异其实很小。于是我改成：先以10天为步长粗搜，锁定30-40区间，再以2天为步长精搜。效率提升了5倍。
我的经验：步长选择没有标准答案。我一般先做一次敏感性分析，画出参数-收益曲线，看看哪些区域变化剧烈，哪些区域比较平坦。剧烈区域用小步长，平坦区域用大步长。
4.3 并行计算优化：让多核CPU干活
网格搜索最大的痛点是什么？慢。但好消息是，网格搜索天然适合并行化——每个参数组合的计算是独立的，互不依赖。
我曾经用单核跑一个10万次搜索的任务，跑了整整一个周末。后来改成8核并行，一个晚上就搞定了。你想想看，这效率差距有多大。
下面是我常用的Python并行代码模板：
from multiprocessing import Pool
import numpy as np
def evaluate_params(params):
"""评估一组参数的表现"""
window, threshold = params
# 这里放你的策略回测逻辑
sharpe = run_backtest(window, threshold)
return (params, sharpe)
# 生成参数网格
windows = range(10, 51, 5)
thresholds = np.arange(0.5, 2.1, 0.1)
param_grid = [(w, t) for w in windows for t in thresholds]
# 并行计算
if __name__ == '__main__':
with Pool(processes=8) as pool:
results = pool.map(evaluate_params, param_grid)
# 找出最优参数
best_params, best_sharpe = max(results, key=lambda x: x[1])
print(f"最优参数: 窗口={best_params[0]}, 阈值={best_params[1]}")
print(f"最优夏普: {best_sharpe:.3f}")注意：并行不是万能的。如果你的回测函数本身就很慢（比如涉及大量IO操作），并行提升有限。另外，Python的GIL锁对CPU密集型任务有影响，建议用multiprocessing而不是threading。
4.4 网格搜索的完整流程
说了这么多，我们来梳理一下完整的网格搜索流程。我一般按这个步骤走：
- 确定参数范围——根据业务逻辑和经验，划定每个参数的合理区间
- 选择步长策略——先粗后精，或者根据敏感度动态调整
- 设计并行方案——根据CPU核心数，合理分配计算任务
- 执行搜索——跑起来，同时监控进度（我习惯加个进度条）
- 结果分析——不只是看最优值，还要看参数稳定性、敏感度等
下面这张图展示了网格搜索的核心逻辑：
4.5 避坑指南
做网格搜索这些年，我踩过的坑不少。挑几个典型的说说：
坑1：过拟合
我曾经把网格搜索跑出来的最优参数直接上实盘，结果亏得一塌糊涂。后来才明白，网格搜索找到的「最优」很可能只是历史数据上的过拟合。我的解决方案是：用滚动窗口验证，或者加一个正则化惩罚项。
坑2：忽略计算成本
有一次我为了追求精度，把步长设得非常小，结果跑了三天三夜。最后发现，最优参数和粗搜结果相差不到1%。从那以后，我给自己定了个规矩：先粗搜，再精搜，精搜范围不超过粗搜最优值的±20%。
我的建议：网格搜索不是终点，而是起点。找到最优参数后，一定要做稳定性测试——在最优参数附近随机采样，看看绩效波动大不大。如果波动很大，说明这个参数不可靠，需要重新设计策略。
好了，网格搜索就讲到这里。记住一句话：暴力搜索不可怕，可怕的是不知道什么时候该用暴力。
核心要点回顾：
- 网格搜索适合参数空间较小的情况
- 步长选择要「先粗后精」，根据敏感度动态调整
- 并行计算能大幅提升效率，但要注意GIL限制
- 结果分析比搜索本身更重要，警惕过拟合
公众号：蓝海数据掘金营，微信 deep3321