在之前介紹均線系統(tǒng)的時(shí)候，我說了均線系統(tǒng)的日線的置信區(qū)間在5-36這個(gè)范圍，也就是說，如果要以單均線來作為開平倉模塊的話，應(yīng)該這個(gè)參數(shù)選擇在5-36之間。

這個(gè)區(qū)間是怎么得到的呢，主要是靠兩個(gè)方面，一是經(jīng)驗(yàn)，二是回測。經(jīng)驗(yàn)需要大量的交易去試錯，而回測則可以通過電腦技術(shù)來縮短這個(gè)時(shí)間周期，但回測需要花點(diǎn)功夫來學(xué)習(xí)編程，你要得到有價(jià)值的信息，必然通過這兩個(gè)途徑，其本質(zhì)都是通過歷史數(shù)據(jù)來尋找有價(jià)值的線索，并且都需要付出努力和事件，努力的過程將貫穿著整個(gè)交易生涯，無論是主觀交易還是量化交易均無捷徑。

在選擇具體的參數(shù)上，我不會去選擇一個(gè)單品種的最優(yōu)化參數(shù)來作為這個(gè)品種的參數(shù)，因?yàn)闅v史數(shù)據(jù)并不能代表未來，如果通過數(shù)據(jù)挖掘的方法，必然會有一個(gè)參數(shù)會實(shí)現(xiàn)最佳業(yè)績，哪怕是一個(gè)本身并不賺錢的策略，也可以通過這種挖掘方式找到一個(gè)參數(shù)來實(shí)現(xiàn)盈利，那么這個(gè)盈利能否保持下去，就是一個(gè)非常值得懷疑的問題。

在單一參數(shù)的選擇上，我會選擇一個(gè)多品種組合最適合的參數(shù)，假設(shè)我選擇20日均線，在40個(gè)品種的5年歷史回測中，有35個(gè)品種能夠獲利，并且過去5年中，每年也能夠?qū)崿F(xiàn)比較平均的獲利，那么20這個(gè)參數(shù)，就是一個(gè)非常值得信任的參數(shù)。

除了盈利的多少外，還有一個(gè)比較值得關(guān)注的值，就是最大回撤，基本上這兩個(gè)信息需要綜合來考慮，并不能簡單的認(rèn)為盈利最大的策略就是最優(yōu)的策略，如果策略A最終收益是100萬，最大回撤是50萬；而另外一個(gè)策略B的最終收益是80萬，最大回撤僅10萬。無疑后者將是一個(gè)比前者更加優(yōu)秀的策略，我會毫不猶豫的選擇策略B，然后把杠桿增加5倍，就可以承受和策略A一樣的50萬的風(fēng)險(xiǎn)（回撤）的基礎(chǔ)上，實(shí)現(xiàn)400萬的最終收益。所以一個(gè)策略一定要結(jié)合風(fēng)險(xiǎn)來看收益，很多盈利因子、夏普比率、MAR等風(fēng)險(xiǎn)參考指標(biāo)無非也是基于收益和風(fēng)險(xiǎn)的關(guān)系來設(shè)計(jì)和計(jì)算的，所以與其去簡單的對比夏普比率，不如更多的了解其內(nèi)在的機(jī)制，直接從風(fēng)險(xiǎn)和收益的整體角度來考慮問題。

每個(gè)人確定參數(shù)的方法是不同的，我的方法則很簡單。我將所有參數(shù)都測試一遍，得到所有參數(shù)下多品種組合的收益/風(fēng)險(xiǎn)數(shù)據(jù)，我將收益/風(fēng)險(xiǎn)得到一個(gè)值，假設(shè)用5這個(gè)參數(shù)的均線交易系統(tǒng)5年的收益是2000%，最大回撤是10%，那么這個(gè)值就是2000%/10%=200，這個(gè)值沒有任何價(jià)值也不代表任何東西，僅僅是代表在某個(gè)參數(shù)下風(fēng)險(xiǎn)和收益之間的關(guān)系，它僅僅用于各參數(shù)之間的橫向比較參數(shù)。

那么我會把這個(gè)值輸入到Excel表格中，生成一個(gè)數(shù)據(jù)集，然后來尋找在不同的參數(shù)下，可信度比較高的幾個(gè)值。

這些回測數(shù)據(jù)本身就是通過多品種得到的，未來是充滿未知性的，所以這也是能夠通過歷史數(shù)據(jù)得到最有可能接近未來最優(yōu)參數(shù)的唯一方法了。由這張圖片可以看到，在5這個(gè)參數(shù)和17這個(gè)參數(shù)附近是一個(gè)持續(xù)的高點(diǎn)，并且它們附近的參數(shù)都普遍比較高，5和17這兩個(gè)參數(shù)并非一個(gè)孤例，所以我認(rèn)為5和17這兩個(gè)參數(shù)的置信度是最高的，我很有可能將這兩個(gè)參數(shù)分別用于實(shí)盤交易。而29這個(gè)參數(shù)，是一個(gè)突然變高的數(shù)值，這個(gè)值周圍均無可支撐的數(shù)據(jù)，這就是一個(gè)孤例，29這個(gè)參數(shù)，它的置信度就沒有5和17那么高。

關(guān)于雙參數(shù)，其選擇的本質(zhì)和單參數(shù)是一樣的，就是通過多參數(shù)的組合來選擇一個(gè)可信的參數(shù)組合。常規(guī)的做法就是把所有的參數(shù)結(jié)果都輸入進(jìn)去，然后生成一張三維柱狀圖，來篩選其中的高點(diǎn)。

這個(gè)方法的優(yōu)點(diǎn)是比較直觀，但缺點(diǎn)也是顯而易見的，那就是比較繁瑣，還需要一些數(shù)學(xué)軟件的支持，并且還有一個(gè)致命的缺陷就是當(dāng)有第三組甚至第四組參數(shù)的時(shí)候，基本上就不能采取這種方法了。

我介紹一種更簡單高效的辦法，那就是不做組合參數(shù)的優(yōu)化，只做單參數(shù)的優(yōu)化。

比如我做一個(gè)三均線的參數(shù)優(yōu)化，有a，b，c三個(gè)參數(shù)，這個(gè)系統(tǒng)是a上穿b做多，反之做空，參數(shù)c作為過濾參數(shù)，b在c之上，只開多，反之只開空。這個(gè)系統(tǒng)該如何優(yōu)化參數(shù)呢？

三個(gè)參數(shù)構(gòu)建的系統(tǒng)，其穩(wěn)定性本來就不如單參數(shù)或雙參數(shù)，如果再通過尋找3個(gè)最佳參數(shù)來擬合交易系統(tǒng)的話，就非常容易的就產(chǎn)生過量優(yōu)化。那么如何解決這個(gè)問題呢？首先我會考慮，這個(gè)系統(tǒng)的核心參數(shù)是b，因?yàn)閍實(shí)際上是為了過濾收盤價(jià)穿過B頻繁發(fā)出信號而設(shè)計(jì)的，當(dāng)a穿過b之后會開多或開空，b才是決定趨勢的關(guān)鍵因素，所以最關(guān)鍵的一點(diǎn)就是要優(yōu)化好參數(shù)b。

這個(gè)道理和邏輯顯而易見，因?yàn)槲疫@套系統(tǒng)就是以參數(shù)b的均線來定義是否出現(xiàn)趨勢行情的，所以我率先只優(yōu)化參數(shù)b，這里的唯一邏輯是，如果這個(gè)交易系統(tǒng)能夠獲利，那么最關(guān)鍵的是看短期價(jià)格和b均線之間的位置能否對后續(xù)行情產(chǎn)生概率上的預(yù)測。如果收盤價(jià)和b之間的關(guān)系不能盈利，那么優(yōu)化a參數(shù)和c參數(shù)就沒有任何邏輯支撐，策略整體上就可能就會出現(xiàn)問題，所以我最開始僅尋找收盤價(jià)和b之間的關(guān)系。假設(shè)b的參數(shù)優(yōu)化好之后得到的最佳值是17，那么我就會將參數(shù)b看作是一個(gè)常量17，這個(gè)值就不再變了。

然后基于這個(gè)17，我再去優(yōu)化參數(shù)a，因?yàn)閰?shù)a和參數(shù)c都要以參數(shù)b為參照，a和b的位置決定了買賣方向，b和c的位置決定了主要的方向過濾，但本質(zhì)上a和c沒有什么關(guān)系，所以，在處理a和b的關(guān)系的時(shí)候，可以先不管c?；谶@個(gè)關(guān)系，確定了b的值之后，再去優(yōu)化參數(shù)a，假設(shè)得到a的值為5，那么到目前為止，就是5日均線上穿17日均線做多的一個(gè)系統(tǒng)。

繼續(xù)后面的工作，把這兩個(gè)參數(shù)（a為5，b為17）確定之后，再去尋找過濾系統(tǒng)c的參數(shù)，值得一提的是，如果參數(shù)c有兩個(gè)值可供選擇，一個(gè)是20，一個(gè)是200，那么就要從邏輯上來判斷這兩個(gè)值的意義了，因?yàn)閰?shù)c的存在是為了過濾長期趨勢，所以很明顯20的值并不符合過濾長期趨勢的初衷，即便是20的值有非常優(yōu)秀的表現(xiàn)，那也是一個(gè)不值得信任的值，所以我最終會選擇200這個(gè)參數(shù)來構(gòu)建這個(gè)系統(tǒng)。

確定好所有的參數(shù)之后，這個(gè)系統(tǒng)的買賣模塊我們就算基本完成了。

通過這種參數(shù)優(yōu)化的方式，我們將一個(gè)原本需要三次項(xiàng)的復(fù)雜計(jì)算，轉(zhuǎn)變?yōu)榱艘粋€(gè)簡單的乘法運(yùn)算，在大大的節(jié)省了效率的同時(shí)，還增加了穩(wěn)定性，這個(gè)方面是做量化交易最難以把握的方面，也是計(jì)算機(jī)不能實(shí)現(xiàn)的地方，需要人腦智慧去判斷和執(zhí)行，這也是為什么很多人做量化交易，但也僅有少數(shù)人能實(shí)現(xiàn)盈利的關(guān)鍵，這點(diǎn)其實(shí)和主觀交易是高度一致的，考察的是一個(gè)人能否尋找一件事情的本質(zhì)的能力。

說一句題外話，通過測試，所有加入c參數(shù)的過濾的均線系統(tǒng)，均不如單均線和雙均線的表現(xiàn)優(yōu)秀。所以，與其去增加一些額外的參數(shù)來過濾，不如就直接用最簡單的系統(tǒng)。得到這個(gè)結(jié)論，需要從大量的參數(shù)最優(yōu)化的工作中得到，你既可以簡單的相信我，也可以自己做測試尋找答案，交易是一個(gè)由簡到繁再化繁為簡的輪回。

還有一種參數(shù)最佳化的算法，叫做自適應(yīng)算法，這種算法是把上一個(gè)周期的參數(shù)用于下一個(gè)周期，這種算法看似更加智能，也更加復(fù)雜，但是這種代碼真的更加有效嗎？

從邏輯上看，這種方法是有效的，因?yàn)槟骋粋€(gè)品種走勢的背后是同一批人，這一批人往往有著同樣的操作風(fēng)格，那么交易品種的風(fēng)格就具備某種特性。另外，因?yàn)槭袌龅耐七M(jìn)的，時(shí)間會改變參與者的結(jié)構(gòu)，絕大部分自以為是的人會被淘汰，剩余的人都在使用一種方式后，方式的有效性會逐漸趨于無效，之前的老手也會被淘汰出局，堅(jiān)持到底的人會取得最終的勝利，市場始終在循環(huán)，周而復(fù)始。

這種理念僅從邏輯層面來講是可行的，但是我們需要靠回測來反饋結(jié)果，有兩種測試的方法備選：

方法一：測試2010.1-2013.1黃金的數(shù)據(jù)，最優(yōu)參數(shù)為（15，7）。而黃金的走勢在2013年之后分化為兩段行情，首先是2013.1-2013.8，這段時(shí)間內(nèi)有顯著的趨勢行情，而2013.8-2015.11期間，呈現(xiàn)無規(guī)律的震蕩行情，為了表述這兩段行情的具體表現(xiàn)，按照遺傳推進(jìn)的規(guī)則，模擬以上一個(gè)時(shí)間段的最優(yōu)參數(shù)運(yùn)用到下一個(gè)階段的表現(xiàn)性。

方法二：因?yàn)樵谥盁o法得知每年的最優(yōu)參數(shù)和市場概況，對下個(gè)時(shí)間階段到底是趨勢行情還是震蕩行情的判斷是毫無根據(jù)和意義的，所以在推進(jìn)中以年為時(shí)間周期，上年最佳參數(shù)數(shù)據(jù)，是沒有加入任何感情判斷完全是根據(jù)軟件優(yōu)化的結(jié)果照抄上去的，所以避免了過度擬合的嫌疑。

經(jīng)過權(quán)衡，我認(rèn)為方法二更加接近現(xiàn)實(shí)，因?yàn)榉椒ㄒ挥惺褂梦磥砗瘮?shù)的嫌疑，所以我運(yùn)用逐年推進(jìn)的測試方法，試分析到底應(yīng)不應(yīng)該采用自適應(yīng)參數(shù)。

另外，如果出現(xiàn)某個(gè)別數(shù)據(jù)凸起產(chǎn)生的不正常收益表現(xiàn)，這組數(shù)據(jù)是剔除了的。例如，當(dāng)參數(shù)15作為一個(gè)比較好的參數(shù)，同時(shí)13，14，16，17可以互相印證參數(shù)15，那么15被選為某個(gè)置信參數(shù)，假設(shè)參數(shù)24超過15的表現(xiàn)，但是其周圍，22，23，25，26均出現(xiàn)明顯低收益，那么24這個(gè)參數(shù)就叫做凸起參數(shù)，這個(gè)參數(shù)是一個(gè)孤例，不具備顯著的優(yōu)勢，更大可能是因?yàn)檫^度擬合的產(chǎn)物，為了更加結(jié)合現(xiàn)實(shí)，我會剔除這個(gè)參數(shù)。

我們將數(shù)據(jù)分為兩段，2012年12月以前的3組數(shù)據(jù)作為測試數(shù)據(jù)，2013年1月之后作為推進(jìn)測試，將2013年1月作為分水嶺沒有什么特別的意義，僅是隨機(jī)取中而已。

可以看出，運(yùn)用上年的最優(yōu)參數(shù)作為下年的參數(shù)，從2013年1月至今收益為負(fù)，虧損額度為87370元，；而采?。?5，7）的參數(shù)從一而終的進(jìn)行交易，有231760元利潤，說明過度擬合和追逐數(shù)據(jù)而戰(zhàn)勝市場的方法是徒勞的，更進(jìn)一步說明了一致性的重要性。雖然進(jìn)一步測試2013年1月到2015年11月的最佳參數(shù)組合是(9，5)，但是用(9，5)這組數(shù)據(jù)和之前追逐數(shù)據(jù)的的做法并無本質(zhì)的區(qū)別，不知不覺差點(diǎn)走了陷阱。

從情感上講，得出一個(gè)明顯的結(jié)果，卻不能用于操作，在現(xiàn)實(shí)中很難讓人接受，但是如果用原始參數(shù)（20，10），將發(fā)生虧損，那么從概率上考慮，應(yīng)該得出一個(gè)結(jié)論：那就是E（9，5）>E（20，10），我希望你能適應(yīng)我的這種表達(dá)方式，大于號的意思是優(yōu)于，前面的E是期望值，期望值你可以理解為風(fēng)險(xiǎn)和收益的綜合表現(xiàn)而不僅僅是收益。

那么至少現(xiàn)在應(yīng)該了解到，如果用這個(gè)策略來操作黃金，應(yīng)該避免（20，10）這組參數(shù)，而相信（15，7）和（9，5）兩組參數(shù)其中之一，答案靠回測是不能告訴你的，因?yàn)闇y試的結(jié)果肯定是（9，5）更好，因?yàn)椋?，5）本身就是最優(yōu)化出來的參數(shù)。

如何取舍？

我是這么考慮的：首先，回測告訴我的是（9，5）參數(shù)，但這組參數(shù)通過推進(jìn)的方法在明年的表現(xiàn)會輸給一個(gè)其他參數(shù)，這種參數(shù)的回歸屬性是普遍存在的。然后從測試結(jié)果得知，黃金這個(gè)品種遵循了一個(gè)特點(diǎn)：小參數(shù)比大參數(shù)更加可靠，這點(diǎn)是很顯然的。

以上信息通過簡單的分析就不難得到，但是如果不去重視，而完全依賴回測數(shù)據(jù)，這無疑是種本末倒置的錯誤做法?；販y永遠(yuǎn)只是你的一個(gè)工具，工具的背后是一個(gè)交易者對交易的理解，如果僅能靠計(jì)算機(jī)技術(shù)就可以戰(zhàn)勝市場的話，那么每個(gè)程序員都將成為交易高手。如果你在這個(gè)問題上犯錯誤的話，說明你僅僅算是一個(gè)成功的程序員，而非成功的交易者。

通過測試的結(jié)果已經(jīng)很清楚的展現(xiàn)了，我只需要知道，海龜交易法則用于黃金這個(gè)品種，基本參數(shù)運(yùn)用要比原版的參數(shù)小，僅得出這個(gè)結(jié)論足以說明這次測試具備意義。知道得到了這個(gè)結(jié)論后，用任意一組比原版參數(shù)更小的參數(shù)都應(yīng)該是相等的預(yù)期，為了平衡，我索性用（20，10）、（15，7）、（9，5）的中間參數(shù)（15，7）。反過來看測試的表格，我也驚奇的發(fā)現(xiàn)，15，7這組參數(shù)是整個(gè)按年測試中出現(xiàn)最多的數(shù)字，從另個(gè)角度證明了該參數(shù)的有效性，我將追蹤這一測試結(jié)果，在2016年底來驗(yàn)證是否正確，如果不正確，也不要緊，因?yàn)檫@僅僅是探討一種理念，并且我很樂于犯錯。

補(bǔ)充：以上寫于2015年12月初，目前是2016年12月31日，就目前看來，最適合黃金的參數(shù)是（15，7）。

具體如下：測試時(shí)間為2016年1月1日到2016年12月24日。

參數(shù)（9，5），凈利潤：68140，優(yōu)勢1.20，最大回撤23.78%

參數(shù)（15，7），凈利潤：159330，優(yōu)勢1.60，最大回撤24.41%

參數(shù)（20，10），凈利潤：79250，優(yōu)勢1.29，最大回撤22.41%

點(diǎn)擊閱讀：

《量化交易之門》連載1：序，什么是量化交易？

《量化交易之門》連載2：怎樣成為一個(gè)成功的交易者？

《量化交易之門》連載3：成功是99%的努力，加1%的天賦

《量化交易之門》連載4：普世價(jià)值觀阻礙了人們對交易世界的探索

《量化交易之門》連載5：賭博導(dǎo)致破產(chǎn)的原因？

《量化交易之門》連載6：為什么普通人“期望的曲線”是向下的？

《量化交易之門》連載7：決定盈利與否的分水嶺——一致性

《量化交易之門》連載8：從恐懼和貪婪的角度談一致性

《量化交易之門》連載9：成功的交易習(xí)慣是反人性的

《量化交易之門》連載10：站在虧貨的對面

《量化交易之門》連載11：走出技術(shù)分析的迷宮

《量化交易之門》連載12：大部分新手虧損的原因——善于操底摸頂

《量化交易之門》連載13：趨勢交易法能夠有效獲利的原因

《量化交易之門》連載14：從零到一，構(gòu)建量化交易系統(tǒng)

《量化交易之門》連載15：交易系統(tǒng)構(gòu)建的兩種方式：自上而下VS自下而上

《量化交易之門》連載16：選擇一種方法來構(gòu)建交易系統(tǒng)的買賣模塊

《量化交易之門》連載17：交易系統(tǒng)的選擇

《量化交易之門》連載18：參數(shù)

《量化交易之門》連載19：參數(shù)最佳化

《量化交易之門》連載20：參數(shù)最佳化的三大陷阱——前視偏差、過度優(yōu)化、曲線擬合