参数优化是量化策略里非常容易走偏的一步。很多人不断调参，调出一个历史最优参数，实盘直接失效。本质就是过拟合。
参数优化的目的不是调出历史最高收益，是找出稳定、鲁棒、未来还能大概率有效的参数区间。
16.1 参数扫描的正确方式：参数平面热力图
调参不能只找“最高点”，要看整个参数平面的分布。
参数热力图
两个参数为横纵轴，每个坐标对应策略夏普/收益，画出热力图。 看整个平面的分布，不是只找最高点。
好的参数区域特征
- 高原区：一大片区域表现都不错，不是只有一个尖峰。
- 连续变化：参数慢慢变，绩效慢慢变，不是断崖式变化。
- 样本外一致：训练集和样本外的高表现区域大致对应。
坏的参数区域特征
- 尖峰：只有一个点特别高，周围都很差。
- 断崖：参数动一点，绩效掉很多。
- 样本外完全错位：训练集最高点，样本外表现很差。
选参数选“高原区”的中心，不选最高点。最高点大概率是过拟合出来的巧合。
16.2 过拟合的八大识别信号
参数优化是不是过拟合，八个信号判断。
- 参数高度敏感：参数微调5%-10%，绩效大幅下滑；
- 只有孤立尖峰：参数热力图只有单个尖峰，没有平坦高原；
- 训练集远好于验证集：训练集夏普比验证集高50%以上；
- 样本外快速衰减：样本外绩效比训练集下降一半以上；
- 交易次数变少：优化之后信号大幅减少，刚好挑出来历史上几次大行情；
- 逻辑无法解释：最优参数明显不符合常识，比如3天动量比20天好很多，讲不通；
- 越优化实盘越差：参数越调，回测越好，实盘越差；
- 极端行情表现突变：正常行情很好，极端行情直接崩。
满足三条以上，大概率过拟合，参数要重新选。
16.3 鲁棒性测试：参数扰动测试、蒙特卡洛
好的策略参数，应该具备鲁棒性。也就是参数稍微变一点、价格稍微扰动，结果不会差很多。
参数扰动测试
最优参数上下浮动10%-20%，观察绩效变化。 如果浮动10%，绩效下降不超过20%，算鲁棒。 如果浮动一点直接崩塌，说明参数过拟合。
蒙特卡洛噪声测试
给价格序列加入合理的随机噪声，模拟滑点、报价误差，看策略表现。 加入千分之几的噪声，绩效就大幅下降，说明实盘会更差。 鲁棒的策略，少量噪声不影响结果。
极端情景测试
极端行情、黑天鹅、流动性枯竭场景，测试策略底线。 好的策略极端行情可以亏，但不能爆仓。
鲁棒性比历史最优收益重要的多。实盘永远有滑点、有误差、有极端情况。
16.4 禁止的操作：未来函数、滚动窥视
很多调参的人不知不觉作弊，自己骗自己。
禁止全样本参数优化
用全部历史数据调出最优参数，再跑全段回测，结果肯定好看，实盘肯定没用。 相当于偷看答案再考试。
禁止滚动窥视
每次滚动调参，都用“未来”的参数优化“过去”的交易，相当于逐段未来泄露。 实盘不可能提前知道未来最优参数。
正确优化方式
- 纯样本外参数：只用调参时间点之前的数据调参，后面的交易只用当时的参数；
- 滚动优化：每次到调参时间点，只用之前的数据优化，然后用这个参数跑下一段时间。
- 参数固定：选好鲁棒区间参数，长期固定，不反复调参。
参数优化的最高境界：知道大概什么区间有效，就够了。精确到小数点后几位的最优参数，都是拟合出来的巧合。
16.5 最终参数选择原则：选参数稳定区，不要选最高点
最终选参数，遵守几个原则。
- 选高原不选尖峰：选参数热力图里表现都不错的平坦区域中心，不选那个最高点。
- 留有余地：选偏保守的参数，不选最激进的。
- 样本外验证：最优参数在样本外表现依然稳定。
- 逻辑自洽：参数大小符合商业逻辑，不是反常识的。
参数是策略的骨架，鲁棒比完美重要。
本章实战笔记
- 参数优化不是调越高越好。调出历史最高收益的参数，大概率是过拟合陷阱。
- 看热力图不看单点。高原区的参数才是实盘能用的。
- 鲁棒性比最优重要。实盘有滑点有误差，太精致的参数用不了。
- 禁止全样本调参。偷看答案的考试，考满分也没用。
本章核心公式卡
参数鲁棒性：参数变动±10%，绩效变动<20%，认为鲁棒 过拟合识别：尖峰+断崖+样本外错位+参数敏感
正确调参方式：滚动优化，只用历史数据，不窥视未来
本章实战清单
参数优化清单
- 双参数热力图扫描，不做单参数遍历 - 观察高原区与尖峰，不选最高点 - 参数扰动测试，检验鲁棒性 - 蒙特卡洛噪声测试 - 极端情景压力测试
过拟合排查清单
- 训练集验证集样本外三段对比 - 参数敏感性测试 - 交易逻辑合理性检查 - 样本外绩效衰减程度 - 越调越差立即停止