4. 粒子群优化算法：粒子群原理，在参数寻优中的应用
说到参数寻优，很多人第一反应就是网格搜索或者随机搜索。说实话，这两种方法在参数少的时候还行，一旦参数超过三四个，效率就直线下降。我早期做CTA策略时，就吃过这个亏——六个参数用网格搜索，跑了整整两天，结果还不理想。
后来我接触到了粒子群优化算法（PSO），嗯，这玩意儿确实好用。它模拟的是鸟群觅食的行为，你想想看，一群鸟在天空飞，它们不知道食物在哪，但每只鸟都知道自己当前的位置离食物有多远，也知道同伴们的位置。通过不断交流信息，整个鸟群就能快速找到食物。
核心思想：每个“粒子”代表一个候选解，粒子在搜索空间中飞行，通过个体经验和群体经验来调整自己的飞行方向和速度。
4.1 粒子群算法的数学原理
每个粒子有两个关键属性：位置和速度。位置就是参数组合，速度决定了下一步怎么移动。
粒子更新公式其实不复杂：
v_i(t+1) = w * v_i(t) + c1 * r1 * (pBest_i - x_i(t)) + c2 * r2 * (gBest - x_i(t))
x_i(t+1) = x_i(t) + v_i(t+1)我来拆解一下这个公式：
- w：惯性权重。控制粒子保持原有速度的倾向。w越大，全局搜索能力越强；w越小，局部搜索越精细。
- c1, c2：学习因子。c1是“自我认知”，c2是“社会认知”。
- r1, r2：[0,1]之间的随机数，增加搜索的随机性。
- pBest：粒子自身找到过的最优位置。
- gBest：整个群体找到的最优位置。
我个人习惯把c1和c2都设为2.0，w从0.9线性递减到0.4。为什么这样设？因为前期需要大范围探索，后期需要精细收敛。我在项目中试过固定w=0.7，结果经常陷入局部最优，后来改成动态衰减就好多了。
4.2 算法流程
流程其实很直观，我画了个图帮你理解：
4.3 在参数寻优中的应用
拿我最近做的一个双均线策略来举例。策略有三个参数需要优化：短周期S、长周期L、止损比例SL。如果用网格搜索，假设每个参数取20个值，那就是20³=8000次回测，太慢了。
用PSO的话，我一般这样设置：
# 粒子群优化参数设置
swarm_size = 30 # 粒子数量
max_iter = 50 # 最大迭代次数
w_start = 0.9 # 初始惯性权重
w_end = 0.4 # 最终惯性权重
c1 = 2.0 # 个体学习因子
c2 = 2.0 # 社会学习因子
# 参数范围
param_bounds = {
'S': (5, 50), # 短周期
'L': (20, 200), # 长周期
'SL': (0.01, 0.05) # 止损比例
}适应度函数怎么设计？我一般用夏普比率，但会加一个惩罚项。为什么？因为纯夏普比率容易选出过拟合的参数组合。我曾经吃过这个亏——优化出来的参数在回测里夏普3.0，实盘直接变成0.5。
我的经验：适应度函数建议用 夏普比率 × (1 - λ × 参数数量/总参数数)，λ取0.1~0.3。这样能自动惩罚参数过多的模型，减少过拟合风险。
4.4 避坑指南
我踩过的坑不少，挑几个典型的说说：
- 粒子数量不是越多越好。我曾经设了200个粒子，结果收敛速度反而变慢。一般20-50个就够用了。
- 速度限制很重要。不加限制的话，粒子可能直接飞出边界。我习惯把速度限制在参数范围的20%以内。
- 边界处理要小心。粒子撞到边界时，是反弹还是吸收？我测试下来，反弹策略效果更好。
特别注意：PSO是随机算法，每次运行结果可能不同。我建议至少跑5次，取最优结果。另外，如果连续10次迭代gBest都没变化，可以提前终止——别傻等50次迭代跑完。
4.5 与其他优化算法的对比
| 算法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 网格搜索 | 简单、可复现 | 维度灾难、效率低 | 参数≤3个 |
| 随机搜索 | 比网格搜索高效 | 精度不够 | 初步探索 |
| 遗传算法 | 全局搜索能力强 | 参数多、收敛慢 | 离散参数优化 |
| 粒子群优化 | 收敛快、实现简单 | 易陷入局部最优 | 连续参数优化 |
| 贝叶斯优化 | 样本效率高 | 计算开销大 | 高维、昂贵评估 |
说实话，没有银弹。我个人的选择标准是：如果参数是连续的且不超过10个，优先用PSO；如果评估函数特别贵（比如一次回测要10分钟），那就用贝叶斯优化。
4.6 实战建议
最后给几个实战中的小技巧：
- 先粗后细：先用大范围、少粒子跑一轮，锁定大致区域后再精细搜索。
- 并行化：PSO天然适合并行，每个粒子的适应度计算互不依赖。我一般开8个线程同时算。
- 记录轨迹：把每次迭代的gBest记录下来，画成收敛曲线。如果曲线抖动剧烈，说明参数设置有问题。
嗯，粒子群优化就讲这么多。它不是什么高深莫测的算法，但用好了确实能省不少时间。下次你面对一堆参数不知道怎么调的时候，不妨试试PSO——至少比瞎猜强多了。