2. 参数优化基础：参数优化的目标、过拟合与欠拟合、优化方法论

好，咱们进入第二章。这一章，说白了就是给策略「调参」打地基。

很多人一上来就写循环、跑网格，结果跑出来一堆漂亮曲线，实盘一跑就崩。为什么？因为没搞懂参数优化的本质。我个人习惯，在动手写代码之前，先花半小时想清楚三个问题：我要优化什么？怎么避免优化过头？用什么方法找最优解？

2.1 参数优化的目标：不只是找最高收益

参数优化，目标到底是什么？很多人第一反应是「让夏普比率最大」或者「让年化收益最高」。嗯，这没错，但太片面了。

我在项目中遇到过这样一个案例：一个价差回归策略，把参数调到极致，回测年化收益80%，夏普3.5。结果实盘第一个月就亏了12%。为什么？因为那个最优参数恰好拟合了历史数据中的某段特殊行情。

所以，参数优化的真正目标应该是：找到一组参数，让策略在「未来未知数据」上表现稳定，而不是在「过去已知数据」上刷出高分。

你想想看，如果一组参数只在某一年有效，换一年就失效，那它跟「蒙对」有什么区别？

2.2 过拟合与欠拟合：两个极端都要防

这两个概念，搞机器学习的同学应该很熟。但在量化交易里，它们有更具体的表现。

2.2.1 过拟合（Overfitting）

说白了就是「记性太好」。策略把历史数据里的噪声都记住了，换到新数据就懵了。

典型症状：

• 回测曲线完美向上，几乎不回撤
• 参数稍微变一点，绩效就大幅下滑
• 不同时间段回测结果差异巨大

2.2.2 欠拟合（Underfitting）

欠拟合就是「记性太差」。策略连历史数据里的基本规律都没学到。

典型症状：

• 回测收益接近零，甚至跑不赢基准
• 参数怎么调，绩效都差不多
• 策略逻辑本身可能就有问题

怎么平衡？我个人习惯用「样本内 vs 样本外」测试。把数据分成两段：前70%用来找参数，后30%用来验证。如果样本外表现和样本内差不多，说明参数靠谱。如果样本外差很多，那八成是过拟合了。

2.3 优化方法论：三种主流方法

好，目标明确了，陷阱也知道了。那具体怎么找参数？有三种主流方法：网格搜索、随机搜索、贝叶斯优化。我一个个说。

2.3.1 网格搜索（Grid Search）

这是最基础的方法。说白了就是「穷举」——把所有可能的参数组合都试一遍。

# 网格搜索示例：优化价差回归策略的入场阈值和止损阈值
import numpy as np
import itertools

# 定义参数范围
entry_thresholds = np.arange(1.5, 3.5, 0.5)   # 入场阈值：1.5, 2.0, 2.5, 3.0
stop_loss_thresholds = np.arange(0.5, 2.0, 0.5)  # 止损阈值：0.5, 1.0, 1.5

best_sharpe = -np.inf
best_params = None

for entry, stop in itertools.product(entry_thresholds, stop_loss_thresholds):
    # 假设 run_backtest 是回测函数
    sharpe = run_backtest(entry_threshold=entry, stop_loss=stop)
    if sharpe > best_sharpe:
        best_sharpe = sharpe
        best_params = (entry, stop)

print(f"最优参数：入场阈值={best_params[0]}, 止损阈值={best_params[1]}")
print(f"最优夏普比率：{best_sharpe:.2f}")

优点：简单、直观、一定能找到网格内的最优解。
缺点：计算量随参数数量指数增长。3个参数各10个值，就是1000次回测。5个参数就是10万次。

2.3.2 随机搜索（Random Search）

随机搜索不穷举，而是在参数空间里随机采样。听起来不靠谱？其实效果往往比网格搜索好。

# 随机搜索示例
import random

n_iterations = 100  # 采样100次
best_sharpe = -np.inf
best_params = None

for _ in range(n_iterations):
    entry = random.uniform(1.5, 3.5)   # 连续值，随机采样
    stop = random.uniform(0.5, 2.0)
    sharpe = run_backtest(entry_threshold=entry, stop_loss=stop)
    if sharpe > best_sharpe:
        best_sharpe = sharpe
        best_params = (entry, stop)

print(f"随机搜索最优参数：入场阈值={best_params[0]:.2f}, 止损阈值={best_params[1]:.2f}")

为什么随机搜索有时比网格搜索好？因为网格搜索在「不重要的维度」上浪费了大量计算。而随机搜索能更均匀地覆盖整个参数空间。我做过对比：同样是100次回测，随机搜索找到的最优解往往比网格搜索更好。

2.3.3 贝叶斯优化（Bayesian Optimization）

这是目前最先进的方法。它不盲目搜索，而是「边试边学」——根据已有的结果，推测哪里最有可能找到最优参数。

# 贝叶斯优化示例（使用 scikit-optimize 库）
from skopt import gp_minimize
from skopt.space import Real

# 定义目标函数（要最小化的函数，所以取负夏普）
def objective(params):
    entry, stop = params
    sharpe = run_backtest(entry_threshold=entry, stop_loss=stop)
    return -sharpe  # 贝叶斯优化默认求最小值

# 定义参数空间
space = [Real(1.5, 3.5, name='entry_threshold'),
         Real(0.5, 2.0, name='stop_loss')]

# 执行贝叶斯优化
result = gp_minimize(objective, space, n_calls=50, random_state=42)

best_entry = result.x[0]
best_stop = result.x[1]
best_sharpe = -result.fun

print(f"贝叶斯优化最优参数：入场阈值={best_entry:.2f}, 止损阈值={best_stop:.2f}")
print(f"最优夏普比率：{best_sharpe:.2f}")

核心思想：贝叶斯优化用高斯过程（Gaussian Process）来建模「参数 → 绩效」的关系。每次采样后，模型会更新，然后选择「最有潜力」的点去试。说白了，它知道哪里可能有好东西，就重点去挖那里。

2.4 本章知识体系总览

说了这么多，我画张图帮你理清思路。这张图展示了参数优化的完整逻辑链条：从目标出发，避开过拟合和欠拟合的坑，再根据实际情况选择优化方法。

嗯，这张图把本章的核心逻辑串起来了。从上到下看：先明确目标，再警惕陷阱，最后选择合适的方法。每一步都踩实了，参数优化才不会变成「瞎猫碰死耗子」。

---

公众号:蓝海资料掘金营，微信deep3321