📚 课程目录第4章参数空间与网格搜索

4. 参数空间与网格搜索

参数优化是回测从“验证策略逻辑”走向“寻找最佳参数组合”的关键步骤。本章首先建立参数空间的概念，然后深入讲解最经典的搜索方法——网格搜索，并分析其适用场景与局限性。

4.1 参数空间的概念

参数空间（Parameter Space）是指策略中所有可调参数及其取值范围所构成的多维笛卡尔积空间。每一个参数对应空间中的一个维度，每一组具体的参数值对应空间中的一个点。

  核心定义： 若策略有 k 个参数，每个参数 pi 的取值范围为 Di，则参数空间 S = D1 × D2 × … × Dk。空间中的每个点代表一组完整的策略参数。

以双均线交叉策略为例，其参数空间通常包含两个维度：

参数名称	符号	数据类型	典型取值范围	步长
短期均线周期	fast	整数	[5, 50]	1
长期均线周期	slow	整数	[20, 200]	5

该参数空间的大小为 (50-5+1) × ((200-20)/5+1) = 46 × 37 = 1702 个参数组合点。随着参数数量和取值范围的增加，空间大小呈指数级增长，这就是“维度灾难”的根源。

实践要点： 定义参数空间时，应基于策略逻辑的合理范围，而非盲目扩大。例如，均线周期不应超过回测数据长度的一半；止损比例不应超过历史最大回撤的合理倍数。

4.2 网格搜索原理

网格搜索（Grid Search）是最直观的参数优化方法。它遍历参数空间中所有预定义的离散点，对每个点执行完整的回测，并记录性能指标，最后根据目标函数选择最优参数组合。

网格搜索的数学本质是：给定目标函数 f(p₁, p₂, …, p_k)，在离散化的参数空间 S 上求解：

p* = argmax f(p) , p ∈ S

以下是一个简单的网格搜索实现示例：

import itertools
import pandas as pd

def grid_search(data, param_grid, strategy_func, metric='sharpe'):
    """
    网格搜索参数优化

    参数:
        data: 历史行情数据
        param_grid: dict, 参数名 -> [候选值列表]
        strategy_func: 策略函数, 接收(data, **params)返回回测结果
        metric: 优化目标指标名

    返回:
        DataFrame, 包含所有参数组合及对应指标
    """
    keys = list(param_grid.keys())
    values = list(param_grid.values())
    results = []

    for combination in itertools.product(*values):
        params = dict(zip(keys, combination))
        result = strategy_func(data, **params)
        results.append({**params, metric: result[metric]})

    df_results = pd.DataFrame(results)
    best_idx = df_results[metric].idxmax()
    best_params = df_results.iloc[best_idx][keys].to_dict()

    return df_results, best_params

# 使用示例
param_grid = {
    'fast': [5, 10, 15, 20],
    'slow': [30, 40, 50, 60]
}
df_all, best = grid_search(data, param_grid, dual_ma_strategy)
print(f"最优参数: {best}")

4.3 网格搜索的优缺点

网格搜索作为最基础的参数优化方法，其优缺点非常鲜明，理解这些特性有助于在实际工作中做出正确选择。

维度	优点	缺点
完备性	遍历所有离散点，保证在给定网格内找到全局最优	网格分辨率有限，可能遗漏真正最优参数（位于网格点之间）
可解释性	结果直观，可生成参数-性能热力图，便于分析参数敏感性	无法提供参数间的交互效应信息，需额外分析
实现难度	逻辑简单，易于并行化，适合分布式计算	对连续参数需手动离散化，步长选择影响结果
计算成本	可提前预估计算量，便于资源规划	随参数数量指数增长，3个以上参数时计算量剧增
过拟合风险	遍历所有组合，便于观察过拟合迹象（如最优参数位于边界）	搜索空间越大，偶然找到高绩效参数的概率越高，过拟合风险增大

重要警示： 网格搜索的“完备性”是双刃剑。当参数空间包含 5 个以上参数，每个参数取 10 个候选值时，组合数已达 10⁵ = 100,000。若每次回测耗时 0.1 秒，总耗时接近 3 小时。更重要的是，如此多的组合几乎必然包含在样本内表现极好但在样本外失效的参数组合，即“过拟合参数”。

4.4 网格搜索的适用场景

基于上述优缺点，网格搜索最适合以下场景：

参数数量少（≤3个）： 此时计算量可控，且便于可视化分析参数敏感性。
参数为离散或整数值： 如均线周期、RSI 周期等，天然适合网格划分。
策略逻辑简单： 回测速度快，单次回测可在毫秒级完成。
初步探索阶段： 用于快速了解参数空间的大致形状，为后续精细优化提供方向。
教学与验证： 作为基准方法，与其他优化算法（如随机搜索、贝叶斯优化）进行对比。

实践建议： 在实际项目中，建议先用粗粒度网格（大步长）快速扫描全局，锁定高绩效区域；再在局部区域使用细粒度网格（小步长）精细搜索。这种“粗扫+精搜”的两阶段策略可有效平衡计算成本与搜索精度。

4.5 网格搜索的局限性分析

为了更直观地理解网格搜索在高维空间中的困境，下图展示了维度增加时网格点数量的爆炸式增长：

网格搜索的局限性可总结为以下三点：

维度灾难： 网格点数量随参数维度指数增长，4维以上时计算成本难以承受。
离散化误差： 连续参数必须离散化，步长选择不当会错过最优区域或浪费计算资源。
无信息引导： 每次回测独立进行，不利用已评估点的信息来指导后续搜索方向。