一、参数优化概述：为什么需要参数优化、过拟合与欠拟合、优化目标与评价指标
各位同学，咱们今天聊聊参数优化。说实话，这玩意儿是量化策略从「能跑」到「能赚钱」的分水岭。我自己刚入行那会儿，写了个均线策略，回测曲线漂亮得跟假的一样——结果实盘一周亏了15%。后来复盘才发现，参数没调好，模型完全过拟合了。嗯，今天就把这些坑一个一个说清楚。
1.1 为什么需要参数优化？
你想想看，一个策略通常有多个参数：移动平均线用20日还是30日？RSI阈值设70/30还是80/20？布林带用2倍标准差还是2.5倍？
这些参数不是拍脑袋定的。我见过有人直接拿默认参数跑，结果在震荡市里反复止损。说白了，参数优化的目的就三个：
- 提升策略适应性：让策略在不同市场环境下都能表现稳定
- 挖掘潜在收益：找到参数组合中「收益/风险」最优的那个点
- 避免主观偏差：别靠感觉选参数，用数据说话
核心观点：参数优化不是「调得越精细越好」，而是在「拟合历史」和「预测未来」之间找平衡。
1.2 过拟合与欠拟合
这两个概念，我当年花了整整三个月才真正搞明白。咱们用个简单的例子来说：
假设你有一组历史价格数据，想用一个多项式去拟合它。
- 欠拟合：用一条直线去拟合波浪形的价格——太简单了，根本抓不住规律
- 过拟合：用一个20次多项式去拟合——完美穿过每个点，但稍微来点新数据就崩了
在量化策略里，过拟合的表现特别典型：
- 回测年化收益50%，最大回撤只有5%——这基本是假的
- 参数稍微变一点点，收益就从50%掉到-20%
- 换一个时间段回测，结果天差地别
避坑指南：我曾经优化一个网格策略，把参数调到了小数点后四位，回测曲线完美得像教科书。结果实盘第一周就亏了8%。后来发现，那个「最优参数」完全是在拟合历史数据里的随机噪声。记住：回测越完美，越要警惕过拟合。
欠拟合相对好判断——策略在大多数市场环境下都表现平平，收益曲线跟大盘差不多。说白了就是没找到真正的规律。
1.3 优化目标与评价指标
参数优化不能只看「总收益」。我见过太多人盯着年化收益率调参数，结果调出一个高收益但回撤30%的策略——你敢实盘吗？
我个人习惯用这几个指标来评价：
| 指标 | 计算公式 | 说明 |
|---|---|---|
| 夏普比率 | (策略收益 - 无风险利率) / 收益标准差 | 衡量每单位风险获得的超额收益，>1算及格，>2算优秀 |
| 最大回撤 | 从峰值到谷底的最大跌幅 | 控制在20%以内比较安全，我一般要求<15% |
| 卡玛比率 | 年化收益 / 最大回撤 | 比夏普更直观，>2算不错 |
| 胜率 | 盈利交易次数 / 总交易次数 | 不是越高越好，高胜率低盈亏比也没用 |
| 盈亏比 | 平均盈利 / 平均亏损 | 一般要求>1.5，趋势策略可以到2-3 |
我的经验：优化时别只看单一指标。比如夏普比率很高但最大回撤也很大，这种策略在实盘里会让你很难受。我一般用「夏普比率 × (1 - 最大回撤/100)」作为综合评分，效果还不错。
另外，评价指标要分场景：
- 趋势策略：重点看盈亏比和胜率，趋势策略胜率通常不高（30%-40%），但盈亏比要大
- 震荡策略：重点看胜率和最大回撤，震荡策略胜率高（60%-80%），但单笔盈利小
- 高频策略：重点看夏普比率和交易成本，高频策略对滑点特别敏感
最后说一句：参数优化不是一锤子买卖。市场在变，参数也要跟着调。我每季度会重新跑一次参数优化，看看之前的参数还适不适用。嗯，今天就到这儿，下节课咱们聊聊具体的优化方法。