3. 参数空间定义：参数类型、范围与粒度

参数空间的定义是参数优化的起点。一个定义良好的参数空间能够显著提升搜索效率，避免无效计算，并降低过拟合风险。本节将系统阐述参数类型、范围设定以及步长与粒度的选择原则。

3.1 参数类型：连续、离散与类别

根据数学性质，回测参数可分为三类，每类在优化算法中的处理方式截然不同：

3.2 参数范围设定：边界与约束

参数范围的设定直接影响搜索的收敛速度与结果的有效性。范围过宽会引入大量无效区域，范围过窄则可能遗漏最优解。

范围设定的核心原则：

• 经济合理性：参数值必须符合市场交易规则。例如，移动平均周期不应小于2（至少包含两个数据点），止损比例不应超过单日最大波动幅度。
• 统计显著性：范围应保证每个参数值在回测期间内至少触发一定数量的交易（通常建议≥30笔），避免小样本噪声。
• 避免边界效应：最优解不应落在参数范围的边界上。若发现最优解在边界，应扩展范围重新搜索。
• 约束依赖：参数之间可能存在耦合约束。例如，快线周期 < 慢线周期 必须作为硬约束加入参数空间。

3.3 步长与粒度选择：精度与效率的平衡

步长（Step Size）决定了参数空间中相邻两个取值之间的间隔。粒度（Granularity）则描述了参数空间的整体精细程度。两者共同决定了搜索的密度与计算成本。

步长选择的核心公式（经验法则）：

# 对于连续参数离散化
step_size = (upper_bound - lower_bound) / (N - 1)
# 其中 N 为该参数维度上的采样点数，建议 N ∈ [10, 50]

# 对于离散参数
step_size = 1  # 整数参数通常步长为1
# 若参数值较大（如周期100-200），可考虑步长为5或10

粒度选择的决策矩阵：

3.4 参数空间定义实践示例

以下是一个双均线交叉策略的参数空间定义示例：

# 参数空间定义（Python 字典格式）
parameter_space = {
    # 连续参数：离散化处理
    'fast_ma_period': {
        'type': 'discrete',
        'range': (5, 50),
        'step': 1,           # 步长1，共46个值
        'description': '快线周期'
    },
    'slow_ma_period': {
        'type': 'discrete',
        'range': (20, 200),
        'step': 5,           # 步长5，共37个值
        'description': '慢线周期'
    },
    # 类别参数
    'entry_signal': {
        'type': 'categorical',
        'values': ['golden_cross', 'price_above_ma', 'momentum_break'],
        'description': '入场信号类型'
    },
    # 连续参数：保留连续值用于贝叶斯优化
    'stop_loss_pct': {
        'type': 'continuous',
        'range': (0.01, 0.10),
        'description': '止损比例'
    }
}

# 约束条件
constraints = [
    'fast_ma_period < slow_ma_period',  # 快线必须小于慢线
    'slow_ma_period - fast_ma_period >= 10'  # 两线间距至少10
]