参数优化

策略里 Params 声明的参数（如均线周期 5/20）到底用多少最好？靠拍脑袋不如让程序遍历一遍。 TBQuant 内置「策略优化」功能，自动帮你测试不同参数组合的回测表现。本章讲怎么用、怎么读结果、怎么不被「过拟合」骗到。

为什么用 Params 声明参数

回顾 TB语言类型与变量：Params 段声明的参数，回测和实盘时能在属性框里直接改，无需改代码。 这正是参数优化的前提——把关键周期、阈值写成参数，优化器才能遍历它们。

Params
    Numeric FastLen(5);      // 优化器会尝试不同的 FastLen
    Numeric SlowLen(20);     // 和 SlowLen 的组合

优化入口

• 菜单 策略 → 策略优化，打开优化工作区。
• 选择要优化的策略、合约、周期、回测区间。
• 对每个参数设置：最小值、最大值、步长。

例如 FastLen 设 315 步长 2（取 3,5,7,…,15），SlowLen 设 1040 步长 5， 优化器会遍历所有组合（本例约 7×7=49 组），逐组跑回测，汇总绩效。

设置参数区间

经验：先用大步长粗扫（如步长 5），锁定较优区间；再用小步长（如步长 1）在该区间细扫。

解读优化结果

优化完会输出一张参数组合 × 绩效指标的表/图：

• 净利润 / 收益率：越高越好，但不能只看这个。
• 最大回撤：关注收益好且回撤小的组合——稳健。
• 收益回撤比（净利润/最大回撤）：综合衡量「赚得多还扛得住」。
• 参数平原 vs 参数孤峰：
  • 好的结果：最优点周围一片都不错（参数平原），说明策略对参数不敏感、稳健。
  • 危险的结果：只有一个孤立尖峰、周围都很差（参数孤峰），极可能是过拟合。

防范过拟合

过拟合是参数优化的头号大敌——参数对历史调得太完美，未来却不灵。防范方法：

1. 样本外检验：用 A 时段优化得到参数，再在 B 时段（未参与优化的数据）回测，看是否依然有效。
2. 看参数平原：选「一片都好」的区域中心值，而不是孤峰极值。
3. 少而稳的参数：参数越少，过拟合风险越低；能合并就合并。
4. 跨品种验证：同一组参数在多个品种上都还行，比只在一个品种上完美更可信。
5. 交易次数要够：参数组合只产生三五次交易，统计意义不足，再多测也不可信。

核心心态：优化是为了「排除明显差的参数」，不是为了找到「历史最完美的参数」。后者几乎一定过拟合。

优化后的下一步

• 选定的参数拿去做样本外回测和模拟盘验证。
• 实盘用「轻仓 + 监控」，确认表现与回测大体一致后再逐步加仓。
• 定期重新评估参数（市场风格会变），但别频繁改动——追着最近行情调参也是过拟合。

小结

策略优化遍历参数组合找表现好的配置；设置合理的区间与步长，先粗扫再细扫； 重点看收益回撤比和「参数平原」；务必做样本外检验防范过拟合。优化是辅助决策，不是寻宝。

下一步

单品种策略之外，TBQuant 还支持多品种组合与 Python 接口 TBPY： 多品种组合与TBPY。