4. 网格搜索法：穷举搜索原理、参数空间定义、并行计算加速、结果可视化
网格搜索，说白了就是最笨也最靠谱的方法。你想想看，调参这事儿，很多时候我们凭感觉试，试来试去也不知道最优解在哪。网格搜索的思路特别简单——把所有可能的参数组合都跑一遍，哪个好就用哪个。
我刚开始做量化策略的时候，总觉得网格搜索太low，不够智能。后来被市场狠狠教育了一顿，才发现很多时候简单粗暴的方法反而最有效。嗯，这里要注意，网格搜索虽然基础，但它是理解更高级调参方法的基石。
4.1 穷举搜索原理
穷举搜索，就是遍历所有可能性。比如你有两个参数要调：移动平均线周期（5到50）和止损比例（1%到5%），网格搜索会把这两个参数的所有组合都试一遍。
核心思想：参数空间中的每一个点，都是一个候选策略。网格搜索就是把这些点全部跑一遍，找到表现最好的那个。
我在项目中遇到过一个问题：参数太多，组合爆炸。比如5个参数，每个参数取10个值，那就是10万种组合。跑一遍下来，服务器都要冒烟了。
所以网格搜索虽然原理简单，但实际应用时要注意几个关键点：
- 参数范围要合理——别从1到10000瞎试，先凭经验缩小范围
- 步长要合适——步长太小，组合太多；步长太大，可能错过最优解
- 评估指标要明确——夏普比率？最大回撤？年化收益？得先定好
4.2 参数空间定义
参数空间，就是你要搜索的所有参数及其取值范围。定义得好，事半功倍；定义得差，浪费时间。
我个人习惯把参数分成三类：
| 参数类型 | 例子 | 搜索策略 |
|---|---|---|
| 连续型参数 | 止损比例、仓位比例 | 等间距取点，比如0.01, 0.02, 0.03... |
| 离散型参数 | 移动平均周期、RSI周期 | 取整数值，比如5, 10, 20, 30 |
| 类别型参数 | 入场信号类型、出场规则 | 枚举所有类别 |
举个例子，假设我们要优化一个双均线策略：
# 参数空间定义
param_grid = {
'fast_ma': [5, 10, 15, 20, 25], # 快线周期
'slow_ma': [30, 40, 50, 60, 70], # 慢线周期
'stop_loss': [0.01, 0.02, 0.03], # 止损比例
'take_profit': [0.03, 0.05, 0.07] # 止盈比例
}
# 总组合数：5 * 5 * 3 * 3 = 225种小技巧：我建议先做粗搜索，找到大致范围，再做细搜索。比如先步长10试一遍，找到最优区域后，再步长1精细搜索。这样能省不少时间。
4.3 并行计算加速
网格搜索最大的痛点就是慢。225种组合，如果每种跑1分钟，那就是将近4个小时。你想想看，谁等得起？
好在网格搜索天然适合并行计算——每种参数组合之间没有依赖关系，完全可以同时跑。
我曾经用单核跑一个网格搜索，跑了整整一个周末。后来改成并行，同样的任务，2小时搞定。嗯，从那以后我再也不单核跑了。
Python里实现并行很简单，用multiprocessing或者joblib都行：
from joblib import Parallel, delayed
import itertools
def evaluate_strategy(params):
fast_ma, slow_ma, stop_loss, take_profit = params
# 这里跑策略回测
sharpe = run_backtest(fast_ma, slow_ma, stop_loss, take_profit)
return (params, sharpe)
# 生成所有参数组合
param_combinations = list(itertools.product(
param_grid['fast_ma'],
param_grid['slow_ma'],
param_grid['stop_loss'],
param_grid['take_profit']
))
# 并行计算，n_jobs=-1表示使用所有CPU核心
results = Parallel(n_jobs=-1)(
delayed(evaluate_strategy)(params)
for params in param_combinations
)避坑指南：我曾经并行跑的时候没注意内存，一下子开了100个进程，结果服务器直接卡死。建议n_jobs不要超过CPU核心数的2倍，不然内存会爆。
4.4 结果可视化
跑完网格搜索，你会得到一大堆数据。光看数字很难看出规律，这时候就需要可视化。
我个人最喜欢用热力图——横轴一个参数，纵轴另一个参数，颜色深浅代表策略表现。一眼就能看出哪个区域表现好。
下面是我用SVG画的一个网格搜索结果热力图示例：
从这张图能看出什么？
- 颜色越绿，表现越好。左上角区域（快线10-15，慢线50-60）明显是甜区
- 右下角一片红，说明快线太大、慢线太小的时候策略表现很差
- 最优解在快线10、慢线60附近，夏普比率1.42
除了热力图，我还会用平行坐标图来看多维参数的关系。不过说实话，对于大多数场景，热力图已经够用了。
我的习惯：先画热力图找到甜区，然后在甜区附近再做一次精细网格搜索。这样既不会漏掉最优解，又不会浪费算力。
网格搜索法虽然基础，但它是所有调参方法的起点。你想想看，连所有可能性都没试过，怎么知道哪个参数好？当然，参数多了之后网格搜索就不太现实了，那时候我们会用随机搜索或者贝叶斯优化。但那是后面章节的内容了。
记住一句话：先穷举，再优化。这是量化调参的铁律。
公众号:蓝海资料掘金营，微信deep3321