策略參數如何優(yōu)化？同樣的策略模型，為什么每個人的運行結果不同？

2018-10-3 / 已閱讀：2449 / 上海邑泊信息科技

程序化交易策略開發(fā)完畢，并不是就完全結束，直接投入實際操作。實際運行之前，還需要對模型策略各個參數進行優(yōu)化調整，不同的參數也會導致最后運行結果有很大差異。這就是為什么同樣的策略模型，不同人使用它的時候結果差異很大的原因之一。那么如何進行策略參數搜索優(yōu)化呢？

一個最簡單的策略模型，比如均線組合策略。它由兩個均線指標組成：MA(m)，MA(n)。如果m是長周期的話，比如取值20~40，那么n則是短周期，比如取值10~20，可以設置它們步進都是1。用它們組成程序化交易均線組合策略。當MA(n)上穿MA(m)時，買平開；上MA(n)下穿MA(m)時，賣平開。這個時候可以通過使用m*n的二維參數搜索尋找在[20~40][10~20]矩形塊上的最優(yōu)收益率。如果進一步擴大這個矩形塊，或者使用其它周圍的矩形塊做搜索實驗，會發(fā)現收益率波動也存在周期性，想波浪一樣，所以在這個小矩形塊里窮舉優(yōu)化已經夠了，不需要在更大范圍窮舉。

對于簡單的策略模型，比如只有2個參數的，直接使用窮舉優(yōu)化就夠了，不需要其它特殊的策略參數搜索優(yōu)化算法和復雜計算模型架構。而很多實際運營的模型策略可能比上面這個復雜得多，比如考慮止損和止盈的時候，可能又會增加止損點x%和止盈點y%。然后也會給它們設置一個范圍，比如從1%到20%，然后需要計算機執(zhí)行優(yōu)化給出一個最優(yōu)參數組合。這個時候搜索空間從2維擴展到了4維，如果仍然使用窮舉法，計算量會成指數增長。在不增加計算機資源的情況下，實際上可以采用參數分批優(yōu)化和嘗試。比如首先優(yōu)化MA(n)和MA(m),選擇最有點、最差點、中間點，然后針對這三種情況，固定m和n再去優(yōu)化x%和y%，看看對模型指標整體收益情況有多大改善，這個時候針對x%和y%的優(yōu)化則從原來的4維降到2維了。針對這個策略，對于大部分品種行情的實際結果是，設置x%和y%的止損和止盈，其實對策略收益率整體幫助并不大，聽起來不錯的想法，實際當中其實沒什么用，通過嘗試后，可以將這個x%和y%去掉，簡化模型為原來的2維。最后，還是簡單唯美。

有的模型策略，可能會有幾百個開關和參數，對于這種情況，也要取輕避重，除了自己明確知道開關和參數意義的以外，剩下的參數要么分批優(yōu)化，要么大部分作為基本不變的固定參數放在那里。這樣，可以將幾百維的策略空間很容易地降維到2~3維來處理。

而對于實在沒辦法分解和降維的策略模型，只能使用并行計算機加快對高維空間策略優(yōu)化的搜索速度，或者使用單純型最優(yōu)化算法、遺傳算法、人工智能神經網絡來優(yōu)化搜索最有參數組合了。而一個投入運行的程序化交易策略，可能需要每天或每周都要進行一部分參數的調整優(yōu)化，以適應市場特性的變化演化。

上一篇：跨周期策略怎么開發(fā)？如何高效運行跨周期策略？
下一篇：做股票分析的時候為什么要做除權復權處理？都有哪幾種復權？