参数优化与过拟合风险

优化太少把优势留在桌上。优化太多你拟合的是噪音。这条线就是整场游戏。

优化是什么

参数优化把策略的可调输入（EMA 周期、RSI 阈值、止损距离）扫过一组值，报告哪组组合产生最佳历史结果。做得好，找到稳健参数区。做得差，造出幻觉优势。

过拟合机制

一套有 N 个自由参数的交易系统，给足组合数能拟合任何历史权益曲线。5 个参数每个 10 个值，就有 10 万个组合——光靠运气，有些看起来会很惊艳。

你调的参数越多，越是在为不会重演的过去怪癖量身定做。优化"发现"了从来就不存在的模式。

限制过拟合风险的规则

1. 参数数量保持低

零售系统三个或以下可调参数是实际上限。每多一个参数都乘上过拟合风险。

2. 用参数区，不用单值

如果最优是 EMA = 17，但 EMA = 16 和 EMA = 18 产生几乎一样的权益曲线，你找到了稳健区。如果 EMA = 17 是个尖峰，邻居值崩盘，你找到了脆弱峰——几乎肯定过拟合。

3. 样本内优化，样本外验证

永远别用同一份数据既优化又验证。留 20-30% 数据作未触碰样本外。

4. 用前推优化

在滚动窗口上优化，下一窗口测试，重复。如果参数跨 regime 持续产出正 OOS 结果，系统稳健。

5. 要求经济学逻辑

如果最优止损距离是"23 点"没有结构理由，怀疑过拟合。"1.5 × ATR"或"近期摆动低点下方"的止损有逻辑，能扛 regime 切换。

优化曲面

把净利润对两个参数画出来是个曲面。三种形状是诊断性的：

• 平滑高原：很多参数组合产生类似利润 → 稳健
• 尖峰：单一组合主导，邻居崩盘 → 过拟合
• 随机散点：没模式 → 这些参数没真实优势

大多数零售"优化过"的系统显示尖峰。专业选手找高原。

实操优化工作流

1. 跑前定参数范围 —— 基于逻辑，不是看图
2. 在 IS 数据上用遗传算法优化（多参数时比暴力快）
3. 看曲面 —— 要高原，不要峰
4. 挑高原中心值，不是绝对最优 —— 比如 14-22 都行，挑 18
5. 在未触碰的 OOS 数据上验证
6. 跑前推分析确认参数时间稳定性
7. 对 OOS 交易跑蒙特卡洛评估回撤分布

过拟合信号

• 单值最优尖峰，邻居崩盘
• OOS 远比 IS 差
• 某参数"最优"值落在无经济学意义的奇数上
• 多参数各自最优——联合最优几乎肯定是噪音
• 权益曲线没回撤——真系统有回撤
• 小样本下回测利润因子超 2.5
• 样本只挪几个月表现就剧烈变化

打折规则

预期实盘结果比回测差 30-50%，即便方法学严谨。优化的参数越多，打折越大。8 个参数优化的系统实盘可能交出回测期望值的 0%。

遗传算法和步进搜索

遗传优化不用暴力就能找好组合，但它也能通过激进榨取侥幸组合加速过拟合。永远用独立方法验证——小网格暴力，或前推。

什么时候不用优化

如果你的系统有天然参数（比如 200 日均线、14 周期 RSI、1.5 × ATR 止损），跳过优化。历史上很多最稳健的系统——趋势跟踪、极端处均值回归——用广为接受的默认值。优化是精修用的，不是发现用的。

常见坑

• 同时优化所有参数（逼出侥幸组合）
• 在全样本上优化，然后从同数据里取子样本验证
• 报多次跑里最好的（p-hacking）
• 止损止盈一起优化（永远过拟合）
• 信遗传优化器输出不看曲面
• 任何规则改动后不复测——小规则改动让之前的优化作废

实操建议

新手第一套系统：

• 1-2 个参数，靠逻辑选
• 不优化，只查几个合理值
• 在样本外数据上验证
• 接受适度优势；拒绝可疑回报

稳健胜过峰值表现。一套年回报 10% 跑 20 年的系统，比 2018 年回报 80%、2019 年死掉的系统值钱。

下篇：用蒙特卡洛模拟压力测试活下来的系统。