参数优化,与过拟合的红线——用 Python 做量化 ⑦

你以为你在用代码找最优参数，其实你只是在用代码，把过去那段噪声背得更熟。

上一篇我们画出了资金曲线，也算清了一堆绩效指标。

于是你很自然地动了一个念头：

均线参数我随手填的 20，要是改成 18 会不会更好？改成 22 呢？50 呢？

反正有代码了，我把所有可能都跑一遍，挑那条资金曲线最漂亮的不就行了？

这个念头，几乎每个刚学会写回测的人都会冒出来。它听起来无比科学、无比"数据驱动"。

但它，恰恰是这一季里最危险的一步。

这一篇，我们就来做参数优化——然后非常用力地，讲清它脚下那条红线。

先把"参数优化"这个词翻译成人话。

你的策略里，总有几个可以拨动的旋钮：均线的周期、止损的距离、过滤的阈值……每一个旋钮都能拨到不同的值。

所谓优化，就是把这些旋钮的各种组合都试一遍，看哪一组在历史上表现最好。

最朴素的做法叫网格搜索（grid search）——把参数想象成一张网格，每一格是一种组合，你挨个格子去测。

用代码写出来，核心就是一个循环：

results = []for fast in range(5, 30):    for slow in range(30, 120):        equity = run_backtest(data, fast, slow)   # 第⑤篇那个引擎        results.append((fast, slow, sharpe(equity)))

这几行在干嘛？

它把"快线"从 5 试到 30、"慢线"从 30 试到 120，每一种搭配都拿第⑤篇写好的回测引擎跑一遍，把每组的夏普比率（第⑥篇的指标）记下来。

跑完，你手里就有了几千组结果。排个序，取最高的那组——

优化，完成了。

这件事，手工做几乎不可能：几千次回测，谁有耐心一组组改、一组组看？

但 Python 让它快到危险——一杯咖啡的时间，几千组就跑完了。

请记住"危险"这两个字。它不是修辞。

⚠️ 红线在哪：你挑的不是最优，是最贴合噪声的那组

现在来到这一篇的灵魂。

你排序、选出了夏普最高的那组参数。问题是——

在同一段历史上挑出来的"最优"，往往只是最贴合这段历史里的噪声的那一组。

这句话值得你停下来读三遍。

市场的历史数据，从来不是干净的规律，而是规律 + 一大堆随机噪声混在一起。

当你拿几千组参数去同一段数据上比拼，总有一组会"恰好"踩中那些随机的涨跌——它在这段历史上闪闪发光，不是因为它抓住了规律，而是因为它背熟了这段考卷的答案。

这就是第四季④讲过的过拟合：模型不是在学规律，而是在背噪声。

换一段没见过的数据，这组"最优"参数立刻原形毕露。

这正是"回测赚翻、实盘亏穿"最常见的来源之一。

而且参数越多、网格越密，这个陷阱越深——旋钮越多，"恰好踩中噪声"的自由度就越大。

所以这里有一条要刻进肌肉的认知：

在历史上挑出"最好看"的那组，和挑出"最能用"的那组，是两件完全不同的事。

回想第⑥篇我们用夏普给曲线排序——那把尺子本身没错，错的是你拿它在同一段数据里既当裁判、又当选拔标准。用同一段数据选参数，再用同一段数据夸它好，这是在自己骗自己。

🛡️ 怎么守住：从"挑最好看"到"挑最稳健"

知道了红线，问题就变成：优化不是不能做，而是怎么做才不至于骗自己？

给你三条能落地的防线。

1️⃣ 看参数曲面，是高原还是尖峰。

别只盯着那个最高分。把所有参数组合的得分画成一张"地形图"——横竖是两个参数，高低是绩效。

然后看那个最高点长什么样：

• • 如果它是一根孤立的尖峰，旁边一格就是悬崖——参数稍微动一点，绩效就崩。这种"最优"碰都别碰，它几乎注定是过拟合。
• • 如果它落在一片宽阔平缓的高原上——周围一圈参数表现都不错，差不多稳定——这才是可以信的。

这正是第四季⑨《参数高原》的核心：

你要选的是一片高原，不是一根尖峰。

宁可要一组得分没那么炸、但周围都很稳的参数，也别要那根孤零零、一碰就倒的尖刺。因为实盘里，市场不会照着你那根尖峰的脚本走。

2️⃣ 留出样本外数据，别让它参与优化。

把历史切成两段。前一段用来跑网格、挑参数（样本内）；后一段藏起来，优化时碰都不碰（样本外）。

参数定下来之后，再拿这段没见过的数据验一次。

代码上不过是一行切片：

in_sample  = data[:'2022']   # 用来挑参数out_sample = data['2023':]   # 藏起来，最后才验

逻辑很简单：真规律在新数据上也该管用；只会背噪声的参数，一到样本外就现形。

这是个朴素却极有效的诚实机制——它逼着你的策略去面对一段"没复习过"的考卷。

3️⃣ 对参数做敏感度检验。

选定一组参数后，故意把每个旋钮往两边各拨一点，再各跑一次。

如果轻轻一拨，绩效就天翻地覆，说明你站在悬崖边——这组参数对噪声太敏感，不稳。

如果拨来拨去结果都差不多，恭喜，你大概率站在高原上。

把这三条合起来，你做的事就从"在历史里挑最好看的"，变成了"挑一组换个环境也不容易翻车的"。

这件事的内核，其实还是 0.01手 那句老话：先求活下来，再求赚得多。

一根过拟合的尖峰，回测里能给你画出梦幻曲线；可它在实盘第一波没见过的行情里，就会把你掀翻。

而一片稳健的高原，回测成绩也许平平无奇，却更可能陪你走得久。

参数优化最该优化的，从来不是那个最高分，而是你对"漂亮回测"的免疫力。

📌 小结

• • 参数优化 = 用循环遍历所有参数组合，逐组跑回测、按指标排序选最优；Python 让这件事快到危险。
• • 红线：同一段历史上挑出的"最优"，常常只是最贴合这段噪声的那组——换段数据就失灵，这就是过拟合。
• • 三条防线：看参数曲面（选高原不选尖峰）、留出样本外数据别参与优化、做参数敏感度检验。
• • 目标从"挑最好看"换成"挑最稳健"——回测好看不算赢，换个环境不翻车才算。

【下一篇预告】我们留了"样本外"这一手，但只切一刀、藏一段，真的够诚实吗？下一篇讲 walk-forward：让窗口一段段往前滚，每次只用过去的数据挑参数、只在紧接着的未来验证——把"诚实"做成一套可重复的流程。

如果这篇帮你看清了"漂亮回测"背后的陷阱，欢迎点赞、关注，把它转给那个正准备"把所有参数都跑一遍"的朋友。你在优化参数时踩过哪些坑？评论区聊聊。

本文仅为个人学习记录与编程笔记，所涉代码与方法均为技术科普，非交易建议，不构成任何操作建议。市场有风险，据此操作风险自负。