2. 参数空间探索：参数类型、范围与精度

做量化策略优化，说白了就是在找那组「最舒服」的参数。我刚开始干这行的时候，总觉得参数越多越好，范围越大越好。结果呢？跑一次优化要好几天，最后出来的参数还过拟合。嗯，今天咱们就聊聊怎么科学地探索参数空间。

2.1 参数类型：你得先搞清楚对手是谁

参数不是千篇一律的。我个人习惯把它们分成三类，每一类的处理方式都不一样。

参数类型	定义	典型例子	优化方式
连续参数	在某个区间内可以取任意值	移动平均周期（20.5天）、止损比例（2.5%）	网格搜索、贝叶斯优化
离散参数	只能取整数或特定值	RSI周期（14）、持仓数量（3手）	穷举搜索、遗传算法
分类参数	没有数值大小关系，只是类别	均线类型（SMA/EMA/WMA）、入场信号（金叉/突破/背离）	组合测试、随机搜索

我在项目中遇到过一个问题：有人把「均线类型」当成连续参数，给了个1到3的数值范围。结果优化出来一个「1.7」——这算啥？SMA还是EMA？所以啊，分类参数必须用枚举，别偷懒。

2.2 参数范围设定：别把网撒得太宽

参数范围怎么定？我见过最夸张的，有人把移动平均周期设成1到1000。你想想看，周期1000的均线，对价格变化基本没反应了，这参数有意义吗？

我个人习惯用「三明治法」来设定范围：

1. 底层逻辑：先想清楚这个参数在策略里是干嘛的。比如ATR止损，它的范围应该和品种的波动率挂钩。比特币的ATR止损，和国债期货的ATR止损，能一样吗？
2. 经验边界：根据交易经验，给一个合理的上下限。比如RSI的超买超卖阈值，一般不会低于10或高于90，否则信号太稀疏。
3. 扩展测试：在经验边界的基础上，向外扩展20%-30%，看看边界附近的表现。有时候最优解就在边界上。

我曾经犯过一个错误：把布林带的标准差倍数设成1到5。结果优化出来是4.8，回测曲线漂亮得不行。但实盘一跑，一个月就亏了15%。为什么？因为4.8倍的标准差，信号太少，样本量不足，纯属运气好。后来我加了一条规则：每个参数组合至少要有50次交易信号，否则直接淘汰。

2.3 参数步长与精度：别让计算机做无用功

步长设多少？精度多高？这问题看着简单，其实坑很多。

先看一个例子：

# 错误示范：步长太小，浪费计算资源
for period in range(10, 200, 1):  # 190个参数组合
    # 计算策略收益
    pass

# 正确示范：先粗后细
# 第一轮：粗搜索
for period in range(10, 200, 10):  # 19个组合
    pass
# 第二轮：在最优区域附近细搜索
for period in range(40, 70, 2):  # 15个组合
    pass

你想想看，移动平均周期从10到200，步长1的话要跑190次。如果每个参数组合还要跑5年数据，那得算到猴年马月去？

我个人建议的步长设定原则：

• 连续参数：步长取参数范围的1%-5%。比如范围是10-200，步长取5-10就差不多了。
• 离散参数：步长就是1，没得商量。但可以限制范围，比如周期不要超过200。
• 分类参数：没有步长概念，直接枚举所有类别。

我记得有一次优化一个双均线策略，步长设成1，从5到200全跑了一遍。结果最优解是周期21和周期63。但仔细一看，周期20和周期62的表现也差不多。这说明什么？说明这个最优解是「平原上的一个小土包」，不是真正的山峰。后来我把步长改成5，重新跑，找到的周期20和周期60，实盘表现反而更好。

2.4 知识体系总览

下面这张图，是我自己总结的参数空间探索流程。每次做优化前，我都会看一眼，提醒自己别漏了步骤。

这张图的核心逻辑就是：先分类，再定范围，然后选步长，最后执行搜索。每一步都踩实了，结果才靠谱。

2.5 实战中的避坑指南

说了这么多，最后分享几个我踩过的坑：

• 范围太宽：我曾经把参数范围设得特别大，结果最优解出现在边界上。后来一查，边界外的参数根本没法用——比如周期为1的均线，那不就是价格本身吗？
• 步长太细：步长设成1，跑了三天三夜。结果发现相邻参数的表现几乎一样，白白浪费了计算资源。
• 忽略分类参数：把「入场信号类型」当成连续参数优化，结果出来个「1.5」——这算金叉还是死叉？
• 不验证稳定性：找到最优参数组合后，直接实盘。结果市场风格一变，策略就失效了。

好了，关于参数空间探索，今天就聊到这儿。记住一句话：参数不是越多越好，范围不是越大越好，步长不是越细越好。找到那个「刚刚好」的平衡点，才是真本事。