参数越多越容易自欺欺人
程序化交易里有个反直觉的真相：参数越多，模型在历史数据上越漂亮，实盘亏得越惨。这就像给一张照片修图，修得越精细，越不像真人。多参数模型很容易掉进过拟合的坑，历史走势被完美拟合，未来行情却完全失效。
做股票和期货的人常犯一个错：拿一个均线策略，调出十几个参数，什么周期、阈值、止损倍数、加仓比例，全用电脑跑一遍最优。结果回测曲线像火箭，实盘像滑梯。问题不在策略逻辑，在优化方法。
先砍参数，再谈优化
优化之前先做减法。一个模型超过五个参数，就要警惕。股票的多因子模型可以有很多因子，但每个因子的权重参数不能太多。期货的CTA策略，核心参数通常只有两三个：趋势周期、波动率过滤、仓位系数。
参数分两类。一类是逻辑参数，比如均线周期代表趋势跟踪的敏感度，必须保留。另一类是拟合参数，比如为了平滑曲线加的小数点后三位的阈值，这种能删就删。保留逻辑参数，删掉拟合参数，优化空间自然变小。
样本外测试是底线
多参数优化最怕没有样本外数据。把历史数据切成三段：训练段、验证段、测试段。训练段用来找参数，验证段用来挑参数，测试段用来确认参数。很多人只做前两步，测试段直接拿验证段的结果，这是耍流氓。
更严格的做法是滚动窗口优化。比如用过去两年的数据优化参数，然后拿接下来三个月做样本外。时间往前走，窗口跟着滚。这样能看出参数在不同市场环境下的稳定性。期货市场风格切换快，滚动窗口比一次性切分更靠谱。
参数平原比参数峰值更值钱
优化时别盯着最高收益的那个参数组合。要看参数平原。把参数A和参数B做成热力图，收益高的区域如果是一个小点，那是悬崖。如果是一片高原，哪怕收益不是最高，也值得用。
股票策略里，均线周期从20到25，收益变化不大，这叫平原。从20到21，收益翻倍，这叫尖峰。尖峰参数实盘必死，因为市场稍微一变，参数就滑出有效区。平原参数有容错空间，实盘更稳。
鲁棒性检验要模拟最差情况
多参数模型优化完，做三件事。第一，参数扰动测试。把每个参数上下浮动10%，看收益是否大幅回撤。第二，交易成本敏感度测试。把手续费和滑点调高50%，看策略是否还能盈利。第三，随机起点测试。把回测起始日期换几个不同时间，看结果是否一致。
期货策略对滑点特别敏感。一个高频策略优化出夏普3.0，滑点加一倍变成0.5，这种参数没有实战价值。股票策略对成交量冲击更敏感，大资金优化出来的参数，小资金能用，大资金一跑就变形。
用业务逻辑锁死参数范围
纯数学优化容易走火入魔。参数范围要符合业务逻辑。做螺纹钢期货，趋势周期不会小于5分钟，也不会大于20天。做A股股票，均线周期不会小于3天，因为T+1制度限制了短线频率。
把逻辑边界写进优化约束。比如波动率过滤参数，不能小于0.5%，因为低于这个值全是噪音。比如仓位系数，不能超过1.5，因为期货杠杆已经很高。这些边界不是拍脑袋，是交易制度、品种特性、资金规模共同决定的。
接受次优解，放弃全局最优
多参数优化最大的心理障碍是舍不得。明明有一个参数组合收益高20%，为什么要选那个收益低的？因为那个高收益组合的夏普比率低、最大回撤大、参数敏感度高。实盘里，回撤控制比收益重要十倍。
股票多因子模型里，因子权重优化到极致，不如等权配置。期货CTA策略里，参数优化到最优，不如固定几个经典参数。市场不是数学题，没有唯一解。接受次优解，反而能活得更久。
优化频率要低，不是越高越好
参数不是每天都要调。每月优化一次，甚至每季度优化一次，比每天优化更稳定。高频优化会让模型追逐短期噪音，参数频繁跳变，交易成本暴增。
股票策略通常每年优化一次，因为市场风格切换以年为单位。期货策略可以每季度优化一次，因为商品周期更短。优化频率本身也是一个参数，这个参数要基于策略逻辑，不能基于回测收益。
组合优化比单模型优化更有效
与其把一个模型优化到完美，不如做三个逻辑不同的模型，每个模型参数都简单，然后等权组合。股票里，价值、动量、质量三个因子组合，比一个多因子模型优化到死更稳。期货里，趋势、套利、反转三个策略组合，比一个多参数趋势策略更抗风险。
组合优化不追求单模型最优，追求整体夏普比率最大。单个模型可以接受次优参数，只要与其他模型相关性低。这样整体资金曲线更平滑，回撤更小，实盘心态更好。
程序化交易的优化终点是简化
多参数优化做到会发现最好的策略往往最简单。一个双均线策略，两个参数，优化空间不大，反而能长期盈利。一个多参数机器学习模型，几十个参数，历史回测完美，实盘一塌糊涂。
优化不是为了找到最赚钱的参数，是为了找到最稳健的参数。稳健意味着参数少、逻辑清晰、样本外表现一致、对成本不敏感。做到这些，参数优化才算成功。期货和股票都一样，市场奖励的是耐心和纪律，不是数学技巧。
