很多量化投资者都会遇到同一个问题：策略的参数怎么选？

比如双均线策略，是用 5 日和 20 日，还是用 10 日和 30 日？网格交易策略，是用 3% 的网格还是 5% 的网格？

手动调参不仅效率低，而且很容易陷入过拟合的陷阱：

你找到的参数可能只是刚好适合历史数据，在实盘中表现会很差。

QMT 提供了强大的参数自动优化功能，支持网格搜索、遗传算法等多种优化方法，可以自动寻找最优的参数组合，大大提高策略开发的效率，同时避免过拟合。

参数优化的基本原理

参数优化的基本思想是：在给定的参数范围内，遍历所有可能的参数组合，对每个参数组合进行回测，然后根据预设的优化目标（比如年化收益率、夏普比率、最大回撤等），选择最优的参数组合。

QMT 支持两种常用的参数优化方法：

1. 网格搜索：遍历参数范围内的所有离散值，适合参数数量少、参数范围小的情况。
2. 遗传算法：模拟生物进化的过程，通过选择、交叉、变异等操作，逐步找到最优参数，适合参数数量多、参数范围大的情况。

实战：用 QMT 优化双均线策略

我们以双均线策略为例，演示如何使用 QMT 的参数自动优化功能。

步骤 1：编写可优化的策略代码

首先，我们需要编写一个支持参数优化的双均线策略代码。在 QMT 中，你可以通过context.parameter来定义可优化的参数：

python

运行

# -*- coding: gbk -*-
"""
可优化的双均线策略
"""
def init(context):
    # 定义可优化的参数
    context.parameter.short_period = (5, 30, 5)  # 短期均线周期：从5到30，步长5
    context.parameter.long_period = (20, 60, 10)  # 长期均线周期：从20到60，步长10
    # 交易标的
    context.stock = "510300.SH"  # 沪深300ETF

def handlebar(context):
    # 获取参数值
    short_period = context.parameter.short_period
    long_period = context.parameter.long_period
    
    # 获取历史数据
    df = context.get_history(long_period + 1, "1d", "close", [context.stock])
    df = df[context.stock]
    
    # 计算均线
    df["ma_short"] = df["close"].rolling(short_period).mean()
    df["ma_long"] = df["close"].rolling(long_period).mean()
    
    # 获取最新的均线值
    ma_short = df["ma_short"].iloc[-1]
    ma_long = df["ma_long"].iloc[-1]
    ma_short_prev = df["ma_short"].iloc[-2]
    ma_long_prev = df["ma_long"].iloc[-2]
    
    # 获取当前持仓
    position = context.get_position(context.stock)
    
    # 金叉买入
    if ma_short_prev < ma_long_prev and ma_short > ma_long and position.quantity == 0:
        context.order_target_percent(context.stock, 0.8)
        print(f"金叉买入：{context.stock}，短期均线：{short_period}，长期均线：{long_period}")
    
    # 死叉卖出
    elif ma_short_prev > ma_long_prev and ma_short < ma_long and position.quantity > 0:
        context.order_target_percent(context.stock, 0)
        print(f"死叉卖出：{context.stock}，短期均线：{short_period}，长期均线：{long_period}")




在这个代码中，我们定义了两个可优化的参数：

short_period：短期均线周期，范围是 5 到 30，步长 5，可能的取值为 5、10、15、20、25、30。

long_period：长期均线周期，范围是 20 到 60，步长 10，可能的取值为 20、30、40、50、60。

总共有 6×5=30 种参数组合，QMT 会自动对每一种组合进行回测。

步骤 2：设置参数优化任务

1. 在 QMT 策略编辑器中，点击顶部的 **【参数优化】** 按钮。
2. 在弹出的参数优化窗口中，设置以下参数：
   
3. 点击 **【开始优化】** 按钮，QMT 会自动开始对所有参数组合进行回测。

步骤 3：分析优化结果

优化完成后，QMT 会生成一个参数优化报告，显示所有参数组合的回测结果，并按照优化目标排序。

你可以在报告中看到：

• 每个参数组合的年化收益率、最大回撤、夏普比率、胜率等指标。
• 最优参数组合的净值曲线和基准曲线的对比。
• 最优参数组合的交易记录和持仓分析。

我们的例子中，最优的参数组合是：短期均线 10 日，长期均线 30 日，夏普比率为 1.32，年化收益率为 12.5%，最大回撤为 18.7%。

如何避免过拟合

参数优化最大的风险就是过拟合。为了避免过拟合，你需要注意以下几点：

1. 使用足够长的回测数据：回测时间至少要覆盖 3 年以上的行情，包含不同的市场环境。
2. 限制参数的数量和范围：不要优化太多的参数，也不要把参数范围设置得太大。
3. 使用样本外数据验证：将历史数据分为训练集和测试集，用训练集进行参数优化，用测试集验证优化后的参数。如果测试集的表现和训练集差不多，说明参数没有过拟合；如果测试集的表现很差，说明参数过拟合了。
4. 选择简单的策略：简单的策略比复杂的策略更不容易过拟合。
5. 定期重新优化参数：市场是不断变化的，策略的最优参数也会随着时间变化，建议每半年或一年重新优化一次参数。

进阶：使用遗传算法优化多参数策略

如果你的策略有很多参数，或者参数范围很大，网格搜索的计算量会非常大，这时候你可以使用遗传算法。

遗传算法不需要遍历所有的参数组合，而是通过模拟生物进化的过程，快速找到近似最优的参数组合，大大提高优化的效率。

在 QMT 中使用遗传算法非常简单，只需要在参数优化窗口中，将优化方法选择为遗传算法，然后设置种群大小、进化代数等参数即可。

如果你想学习更多参数优化的技巧，或者需要解决过拟合的问题，欢迎点我头像私信。我会免费为你开通 QMT 量化权限，提供一对一的参数优化指导和策略验证服务。

风险提示：参数优化结果不代表未来收益，量化交易存在市场风险、策略失效风险等。本内容仅为投资者教育目的，不构成任何投资建议。

免责声明：本栏目刊载的信息力求准确可靠，但对信息的准确性或完整性不作任何保证，亦不对因使用该等信息而引发的损失承担责任。