网格搜索法

网格搜索（Grid Search）是参数优化中最直观、最系统的方法。它通过穷举遍历预先定义的参数组合空间，评估每组参数下的策略表现，从而选出最优参数集。本节将深入剖析网格搜索的原理、步长与范围设定策略、优缺点，并给出完整的 Python 实现示例。

网格搜索原理

网格搜索的核心思想是将待优化的参数空间离散化为有限个候选点，然后逐一评估每个候选点的目标函数值（如夏普比率、年化收益率、最大回撤等），最后选择使目标函数最优的参数组合。

假设有两个待优化参数：param_a 和 param_b，取值范围分别为 [a_min, a_max] 和 [b_min, b_max]，步长分别为 step_a 和 step_b。则网格搜索会生成一个二维网格，每个网格节点对应一组参数组合 (a_i, b_j)，共 N_a × N_b 个组合，其中 N_a = (a_max - a_min) / step_a + 1，N_b 同理。

网格搜索属于无梯度优化方法，不依赖目标函数的导数信息，因此适用于任何可计算的策略评估指标，即使目标函数不连续、不可导或存在多个局部极值。

步长与范围设定

步长和范围的设定直接影响网格搜索的效果与效率。下表总结了不同参数类型的设定原则：

网格搜索的优缺点

网格搜索在量化策略优化中应用广泛，但也存在明显的局限性。下表对比了其主要优缺点：

网格搜索流程

下图展示了网格搜索的完整执行流程：

Python 实现示例

以下代码展示了如何使用网格搜索优化一个双均线策略的两个参数：短期均线周期 short_window 和长期均线周期 long_window。

import numpy as np
import pandas as pd
from itertools import product

def grid_search_backtest(data, short_range, long_range, short_step, long_step):
    """
    网格搜索双均线策略最优参数
    
    参数:
        data: DataFrame, 包含 'price' 列的历史价格数据
        short_range: tuple, 短期均线范围 (min, max)
        long_range: tuple, 长期均线范围 (min, max)
        short_step: int, 短期均线步长
        long_step: int, 长期均线步长
    
    返回:
        DataFrame, 包含所有参数组合及其绩效指标
    """
    # 生成参数网格
    short_values = range(short_range[0], short_range[1] + 1, short_step)
    long_values = range(long_range[0], long_range[1] + 1, long_step)
    
    results = []
    
    for short_win, long_win in product(short_values, long_values):
        # 跳过长期小于等于短期的无效组合
        if long_win <= short_win:
            continue
        
        # 计算均线
        data['sma_short'] = data['price'].rolling(window=short_win).mean()
        data['sma_long'] = data['price'].rolling(window=long_win).mean()
        
        # 生成交易信号：短期上穿长期为买入，下穿为卖出
        data['signal'] = 0
        data.loc[data['sma_short'] > data['sma_long'], 'signal'] = 1
        data.loc[data['sma_short'] <= data['sma_long'], 'signal'] = -1
        
        # 计算持仓和收益
        data['position'] = data['signal'].shift(1)
        data['returns'] = data['price'].pct_change()
        data['strategy_returns'] = data['position'] * data['returns']
        
        # 计算绩效指标
        total_return = data['strategy_returns'].sum()
        sharpe_ratio = (data['strategy_returns'].mean() / 
                        data['strategy_returns'].std()) * np.sqrt(252)
        max_drawdown = (data['strategy_returns'].cumsum().cummax() - 
                        data['strategy_returns'].cumsum()).max()
        
        results.append({
            'short_window': short_win,
            'long_window': long_win,
            'total_return': total_return,
            'sharpe_ratio': sharpe_ratio,
            'max_drawdown': max_drawdown
        })
    
    return pd.DataFrame(results)

# 使用示例
if __name__ == "__main__":
    # 模拟价格数据
    np.random.seed(42)
    dates = pd.date_range('2020-01-01', periods=1000, freq='D')
    prices = 100 + np.cumsum(np.random.randn(1000) * 0.5)
    data = pd.DataFrame({'price': prices}, index=dates)
    
    # 执行网格搜索
    result_df = grid_search_backtest(
        data=data,
        short_range=(5, 50),
        long_range=(20, 200),
        short_step=5,
        long_step=10
    )
    
    # 按夏普比率降序排列，显示最优参数
    best_params = result_df.sort_values('sharpe_ratio', ascending=False).head(5)
    print("最优参数组合（Top 5）：")
    print(best_params[['short_window', 'long_window', 'sharpe_ratio', 
                        'total_return', 'max_drawdown']])

网格搜索可视化

下图展示了二维网格搜索的结果热力图，颜色深浅代表夏普比率的高低，帮助直观定位最优参数区域：