参数优化
一个模型用默认参数跑出来效果一般，往往不是策略不行，而是参数没调好。 WT8 内置参数优化和敏感性测试，让计算机在指定范围内帮你筛最优参数。但寻优也是双刃剑—— 调过头就是过拟合，本章讲怎么用、怎么避坑。
一、参数化的前提：把常数改成参数
优化前，模型里的周期、阈值等要先写成可调参数（在公式管理器参数区定义）：
// 参数区定义：N1（缺省 5，最小 1，最大 100），N2（缺省 20）
MA5 := MA(CLOSE, N1);
MA20 := MA(CLOSE, N2);
CROSS(MA5, MA20), BK;
CROSS(MA20, MA5), SP;
AUTOFILTER;这样 N1/N2 就成了可被优化引擎遍历的变量，而不是写死的 5 和 20。
二、参数优化：枚举与遗传
加载模型回测后，在 K 线图右键选【参数优化】。
枚举
点【枚举】按钮，按你设置的步长把所有参数排列组合都算一遍，找到最优结果。
- 优点：穷举，结果可靠。
- 缺点：参数多或范围大时，计算量极大、耗时很长。
遗传
点【遗传】按钮，快速测算多个随机参数组合，筛出有潜力的组合再迭代，逼近最佳参数。
- 优点：参数多/范围大时远比枚举快。
- 缺点：是启发式搜索，不保证全局最优。
经验：参数少、范围小用枚举；参数多、范围大用遗传，再对遗传结果附近做小范围枚举精修。
三、敏感性测试：看模型稳不稳
参数稍微一动收益就大起大落的模型，是不稳定的。加载模型回测后点上方敏感性测试按钮 （或右键 → 敏感性测试）。
- 以滑点、手续费、参数等为横坐标；
- 以盈亏比、收益率、胜率等为纵坐标；
- 用线性形态直观展现参数变化对结果的影响。
理想的模型：在最优参数附近有一片平稳的高收益区域（参数微调效果不大变）， 而不是一个孤立的尖峰（换个参数就崩）。
四、避免过拟合
参数优化最容易踩的坑就是过拟合——参数和历史贴得完美，未来却失灵。防范办法：
- 样本外检验：用 A 段历史调参，再用 B 段（调参时没见过的数据）验证，B 段也得稳。
- 看平稳区域而非峰值：选参数平滑带里的值，别选收益最高的那一个孤立点。
- 参数别太多：可调参数越多越容易过拟合，策略逻辑本身才是根本。
- 参数要有经济含义：比如均线周期对应交易周期，而不是纯靠数字拼凑出高收益。
- 定期重检：市场变了参数可能失效，一段时间表现好不代表永远好，要定期回测重调。
运行优化函数（
CHECKSIG等）也属于「执行层」参数，研究策略时别过度依赖，否则会干扰对策略本身的判断。
五、正确看待优化结果
- 参数优化是找稳健参数的工具，不是「证明一定赚钱」的保证。
- 一组好结果 + 平稳的敏感性图 + 样本外稳健，才值得小仓位试水。
- 优化完的模型要先在模拟模组跑一段，再上实盘。
小结
- 把常数改成参数，用枚举（穷举）或遗传（随机迭代）寻优。
- 用敏感性测试找平稳的高收益区域，避开孤立尖峰。
- 样本外检验、参数有经济含义，是避免过拟合的关键。
下一步
模型回测和优化都满意了，最后一步是装入模组、自动运行。看 模组实盘与移仓，从模拟盘过渡到实盘。
