作 者：老余捞鱼
原创不易，转载请标明出处及原作者。
文中示例仅用于技术讨论，不构成任何操作建议。
量化策略开发应以学习和技术交流为目的。
本号不荐股、不卖课、不承诺收益。
市场有风险，请合法合规投资。
本文约 3800 字 | 预计阅读 8-12 分钟，建议先收藏。
· · ·
几周前读到一篇文章，一群人用数学模型在预测市场（Polymarket）里，一年赚了 4000 万美元。整数规划、Bregman 投影、Frank-Wolfe 优化算法，一整套框架。这类文章看完通常我就翻过去了，但这次没有。
预测市场套利，一套完整的数学框架
让我停下来的不是预测市场本身，我不玩那些。是文章里一个思路：他们面对的市场可能有 2 的 63 次方个结果，不可能全算一遍。所以赢家的做法是逐个构建”已验证有效点”的小集合，用已有认知来决定下一个该看哪里。不遍历，而是让搜索变聪明。
这和我手上一个问题一模一样。
问题在哪
我维护一个策略实验室。回测、滚动窗口调参，样本外稳了就上线。参数优化我一直用的是网格搜索，穷举范围内所有组合，谁夏普最高就选谁。
能用，但一直有点慢。更关键的是，我从没认真想过它找到的到底是不是全局最优，还是仅仅在我检查过的组合里排第一。
挑了手头最简单的策略做实验：AAPL 双均线金叉死叉，快慢线两个参数。打算用网格搜索和预测市场那篇论文的 Frank-Wolfe 思路对打一轮。这个思路落到我的场景就是贝叶斯优化，，先搭一个”好区域大概在哪”的代理模型，只在值得看的地方花评估预算，不撒胡椒面。
基准线：丐版的网格搜索
在搞花活之前，我需要一个真实的对比基准。网格搜索快线周期从 5 天到 59 天，慢线周期从 20 天到 199 天，9,080 组参数全部跑完：
import pandas as pd
import numpy as np
import yfinance as yf
import vectorbt as vbt
import itertools
import time
symbol = "AAPL"
df = yf.download(symbol, start="2015-01-01", end="2024-01-01", multi_level_index=False)
# 参数搜索范围
fast_range = range(5, 60) # 55 个值
slow_range = range(20, 200) # 180 个值
results = []
start_time = time.time()
for fast, slow in itertools.product(fast_range, slow_range):
if fast >= slow:
continue # 快线必须低于慢线
sma_fast = df['Close'].rolling(fast).mean()
sma_slow = df['Close'].rolling(slow).mean()
# 金叉入场，死叉出场
entries = (sma_fast > sma_slow) & (sma_fast.shift(1) <= sma_slow.shift(1))
exits = (sma_fast < sma_slow) & (sma_fast.shift(1) >= sma_slow.shift(1))
pf = vbt.Portfolio.from_signals(
close=df['Close'], entries=entries, exits=exits,
init_cash=100_000, fees=0.001, slippage=0.002, freq='1d'
)
results.append({'fast': fast, 'slow': slow, 'sharpe': pf.sharpe_ratio()})
elapsed = time.time() - start_time
print(f"共评估 {len(results)} 组参数，耗时 {elapsed:.1f} 秒")
best = max(results, key=lambda r: r['sharpe'] if not pd.isna(r['sharpe']) else -999)
print(f"网格搜索最优: {best}")跑出来的：
- 共评估 9,080 组参数组合
- 耗时 197.3 秒（约 3.3 分钟）
- 最优参数：快线=18 天，慢线=24 天，夏普比率 1.2913
均线策略参数空间存在两个截然不同的峰值，短周期均值回归 vs 长周期趋势跟踪
两个参数的全网格 3.3 分钟跑完，还行。但滚动窗口优化要拆 10 个窗口，这就 33 分钟了。再加一个止损参数，哪怕只取 20 个候选值，立刻暴涨到约 11 小时。这才是我在真实策略里撞到的墙，也是那篇预测市场论文瞄准的靶心：维度的诅咒。他们管的是二元市场结果，我管的是连续参数空间，本质上是一回事。
用那个思路实测：贝叶斯优化
那篇文章里的核心思路是：不用列举指数级大的空间，而是构建一个”已评估点”的主动集合，用已经检查过的点的信息来决定下一个加哪个点。重复直到收敛，从不碰空间里的大部分区域。
对于夏普比率这类黑盒，最直接的翻译就是贝叶斯优化：用一个代理模型学习已知点上的目标函数形状，在”这里看起来不错”和”这块还没探过”之间做权衡，决定下一个采样点。我跑的代码：
import optuna
import pandas as pd
import yfinance as yf
import vectorbt as vbt
symbol = "AAPL"
df = yf.download(symbol, start="2015-01-01", end="2024-01-01", multi_level_index=False)
def objective(trial):
# Optuna 自动在范围内采样参数
fast = trial.suggest_int('fast', 5, 60)
slow = trial.suggest_int('slow', 20, 200)
if fast >= slow:
raise optuna.TrialPruned() # 无效参数直接跳过
sma_fast = df['Close'].rolling(fast).mean()
sma_slow = df['Close'].rolling(slow).mean()
entries = (sma_fast > sma_slow) & (sma_fast.shift(1) <= sma_slow.shift(1))
exits = (sma_fast < sma_slow) & (sma_fast.shift(1) >= sma_slow.shift(1))
pf = vbt.Portfolio.from_signals(
close=df['Close'], entries=entries, exits=exits,
init_cash=100_000, fees=0.001, slippage=0.002, freq='1d'
)
sharpe = pf.sharpe_ratio()
return sharpe if not pd.isna(sharpe) else -999
study = optuna.create_study(direction='maximize')
study.optimize(objective, n_trials=150) # 只跑 150 个点，而非 9,080 个
print(f"最优参数: {study.best_params}")
print(f"最优夏普比率: {study.best_value}")结果：
- 只评估了 150 个点（网格搜索的 1.7%）
- 耗时 11 秒（网格搜索的 5.6%，快了约 18 倍）
- 最优参数：快线=28 天，慢线=189 天，夏普比率 1.1305
第一反应：立竿见影。评估量降到 1/60，速度提了 18 倍。看 Optuna 的试跑记录更让人放心，，第 0 轮就在慢线 198 天附近跑出夏普 1.0+，到第 75 轮前后采样器明显锁在快线 25-28、慢线 185-190 的区域，一直在里面精调。收敛曲线漂亮，速度飞快。
然后我打开之前存的网格搜索结果看了一眼。
我没预料到的部分
网格搜索最优：快线 18 天、慢线 24 天，夏普 1.2913。贝叶斯最优：快线 28 天、慢线 189 天，夏普 1.1305。
不只是差了一点。它落在参数空间里一个完全不同的区域，错过了真正的最优区约 14%。而且那个更好的角落，贝叶斯优化基本没碰过。
贝叶斯优化锁死在错误的山峰上，网格搜索才能找到真正的全局最优
这迫使我重新审视最初的假设。我默认夏普比率作为这两个参数的函数，是一个平滑的单峰曲面，，找到有潜力的邻域，精调，完事。但数据说的是另一回事：这个策略至少有两个截然不同的最优区。一个在短周期（快线约 18、慢线约 24，间距仅 6 天，接近均值回归逻辑），另一个在长周期趋势跟踪区（快线约 25-28、慢线约 185-190）。两个不同的交易逻辑，独立成立，互不连通。
贝叶斯优化很早就摸到了第二个峰，然后它的机制决定了它会一直在这个峰里深挖。大多数时候这是对的，除了目标函数不只有一个峰、而你恰好锁在了错误的那一个的时候。网格搜索笨，但它从来不停下探索别处的脚步。这是它不会犯这个错的根本原因。
增加搜索预算能解决这个问题吗？
在我得出”贝叶斯优化不靠谱，用回网格”的结论前，再拿同一套配置跑 5 个随机种子试下：
- 默认 TPE 采样器：5 个种子里，最佳夏普比率最高 1.2816，平均 1.1614。只有 1 个种子找到了短周期区域。
- 强制更多前期探索（把前期强制探索次数从 10 次提高到 60 次）：最佳夏普比率最高 1.1653，平均 1.1414。仍然只有 1/5 的种子找到了短周期区域，而且这个配置实际上跑出了比默认设置更低的最优值。
- 纯随机采样：最佳夏普比率最高 1.1916，平均 1.1439。找到短周期区域 2/5次。
以上这些全没按预期走。
同一套算法、同样的试跑预算，换一颗随机种子的瞬间，最佳夏普就从 1.10 摆到 1.28，幅度接近 15%。你只跑一次的话，根本没法判断自己拿到的是这个分布的上沿还是下沿。
加大探索预算也没解决问题。把强制探索次数从 10 提到 60，仍只有 1/5 能找到短周期区，而且这批实验样本的最优值反而更低。我以为”多探索 = 更安全”，数据不买账。
最反直觉的一个：纯随机搜索找到短周期区域的概率（2/5）反而高于两种 TPE 配置（各 1/5）。但机制上说得通，，TPE 的天职就是找到一个好区然后快速深挖。当还存在另一个不相关的好区时，这个”快速深挖”恰恰挡了路。
同一个算法、同一个预算，换个随机种子，最佳夏普比率就从 1.10 摇摆到 1.28
有一个种子，2024，不管什么配置都能摸到短周期区，结果落在 1.17 到 1.28 之间。网格搜索确认的最优是 1.29，说明这个区域真实可及。但能不能在单次运行里找到它，看起来更多取决于随机数生成器，而不是你有意做了什么选择。
观点总结
这套“构建主动集合而非遍历全部”的思路本身并无问题。速度数据也确实亮眼：评估量仅为网格搜索的六十分之一，墙上时间缩短至原来的十八分之一。问题在于，我一开始带着一个错误前提进场，误以为收敛快就等同于答案正确。而这次实验，正是用最直接的数据告诉我：并非如此。贝叶斯优化收敛得干脆利落，全程没有任何警告，也没有任何异常标记，最终却给出了一个错误的结论。若没有网格搜索在旁边作为对照，我很可能就这样将其部署上线了。
与其用网格搜索全面取代贝叶斯优化，或指望加大探索预算来“压平”多峰问题，这两项操作在现有数据中都站不住脚。
我的做法是：把单次贝叶斯运行仅当作一个起始假设，而非最终结论。我会跑多个随机种子，在采信任何结果之前，先检视它们之间是否一致。如果5个种子落在了5个截然不同的区域，那么这种不一致本身便是最值得关注的信号，它应该被解读为关键信息，而不是需要被平均掉的噪声。
贝叶斯优化的正确打开方式：多 seed 验证，必要时用网格搜索兜底
那帮从预测市场赚走 4000 万的交易员，不是只跑一次 Frank-Wolfe 就拿结果下单。文章里写了执行验证层、阈值检查，还有他们在投钱之前追踪的收敛差距。我直接省略了”验证”这一步，就拿了结果。他们没跳过的那个步骤，才是真关键。
回测工具：vectorbt + Optuna，标的 AAPL，2015-01 至 2024-01，手续费 0.1%，滑点 0.2%
#参数优化 #贝叶斯优化 #网格搜索 #Optuna #量化策略 #机器学习 #策略开发 #滚动窗口优化 #预测市场 #AAPL
Be First to Comment