参数调优基础：参数空间定义、参数类型与调优目标函数

好，咱们今天聊聊参数调优最基础的东西。说实话，很多人一上来就搞什么网格搜索、贝叶斯优化，结果连参数空间都没定义清楚——这就像你连地图都没有，就开始找宝藏，能找着才怪。

我个人习惯，做任何策略调优之前，先花半小时把这三个问题想明白：参数从哪来？参数长啥样？怎么才算好？ 这就是我们今天要讲的：参数空间定义、参数类型、调优目标函数。

一、参数空间定义——你的搜索边界在哪？

参数空间，说白了就是你要搜索的所有参数取值的集合。我见过最离谱的事，有人把移动平均线参数设成1到500，步长1——结果跑了三天三夜，最后发现最优参数就在20到60之间。白白浪费了时间。

定义参数空间时，我一般遵循三个原则：

• 原则一：基于逻辑定范围。比如均线周期，短期均线一般5到50，长期均线20到200。你设个5000，那还叫短期吗？
• 原则二：考虑计算成本。参数空间越大，搜索时间越长。网格搜索的话，参数个数每增加一个，计算量可能翻倍。
• 原则三：留有余地。别把边界卡太死，万一最优解就在边界上呢？我习惯把边界外扩10%-20%。

二、参数类型——连续、离散还是条件？

参数类型这事儿，很多人觉得简单——不就是整数和小数吗？其实没那么简单。我把它分成三类：

1. 连续参数

连续参数就是可以在某个区间内取任意值的参数。比如止损比例0.02、0.025、0.031...理论上可以无限细分。

坑在哪？ 连续参数如果用网格搜索，步长选不好就麻烦了。步长太大，可能错过最优解；步长太小，计算量爆炸。我曾经为了一个连续参数跑了整整一周，结果发现最优解就在步长中间——气得我直接换了贝叶斯优化。

2. 离散参数

离散参数只能取有限个值。比如均线周期只能是整数，再比如策略的入场信号类型（金叉、死叉、背离）只能选一个。

离散参数相对好处理，枚举就行。但要注意：离散参数的取值要有意义。比如均线周期设成7、13、21这种，比设成8、14、22更有技术含义——因为7、13、21是斐波那契数列里的数，很多交易者会关注。

3. 条件参数

这个容易被忽略。条件参数的意思是：某个参数只有在另一个参数取特定值时才有意义。

param_space = {
    'use_trailing_stop': [True, False],
    'trailing_stop_pct': {
        'condition': 'use_trailing_stop == True',
        'values': [0.01, 0.02, 0.03, 0.05]
    }
}

三、调优目标函数——到底什么算「好」？

这是最核心的问题。你调了半天参数，总得有个标准吧？但很多人只盯着收益率看，这是大忌。

我见过一个案例：有人把参数调得收益率翻了三倍，结果最大回撤从10%飙到了45%。这策略你敢实盘吗？反正我不敢。

常用的目标函数有这么几种：

目标函数	公式/说明	适用场景
夏普比率	(策略收益 - 无风险利率) / 波动率	追求风险调整后收益
卡玛比率	年化收益 / 最大回撤	对回撤敏感的策略
总收益率	期末净值 / 期初净值 - 1	只看结果，不关心过程
胜率	盈利交易次数 / 总交易次数	高频策略或短线策略
盈亏比	平均盈利 / 平均亏损	趋势跟踪策略

我个人最常用的是夏普比率和卡玛比率的组合。为什么？因为单看夏普，可能忽略极端回撤；单看卡玛，又可能过于保守。我一般这样写目标函数：

def objective_function(results):
    sharpe = results['sharpe_ratio']
    calmar = results['annual_return'] / results['max_drawdown']
    # 两者加权，夏普权重0.6，卡玛权重0.4
    score = 0.6 * sharpe + 0.4 * calmar
    return score

四、实战中的避坑指南

说了这么多，最后分享几个我踩过的坑：

• 坑一：参数空间太大。我曾经把参数空间设成100万种组合，结果网格搜索跑了三天还没跑完。后来改用随机搜索，只跑了5000次就找到了差不多的解。
• 坑二：目标函数过拟合。调优时收益率特别高，一换样本外数据就崩了。这是因为目标函数太「聪明」，把噪声也学进去了。解决办法：用交叉验证，或者加一个惩罚项。
• 坑三：忽略参数相关性。比如均线快线和慢线，如果快线比慢线还长，那逻辑就反了。我习惯在参数空间定义时就加上约束条件。