

> 系列前情：#01~#06 我们完成了单因子/多因子选股、双均线/波动率择时、仓位管理、向量化回测框架。本篇进入策略上线前的关键一步——**参数优化与过拟合防范**。

## 一、为什么参数不能随便拍脑袋

很多初学者写策略时，均线周期随手填个 "5 日和 20 日"，回测一看年化 30%，喜滋滋准备上线。结果实盘一跑，收益直接腰斩。

问题往往不是策略逻辑错了，而是**参数在训练集上被过度优化**了。你选的 "5/20" 可能只是恰好拟合了历史行情里的几段巧合，换段时间就完全失效。

量化圈有句老话："回测是最好的骗子。" 本文给你两套工具——**网格搜索**找候选参数，**Walk-Forward** 滚动验证筛出真正稳健的参数。

## 二、本文你将得到什么

1. 一个可复制的**双均线参数网格搜索**代码（3 个短周期 × 3 个长周期 = 9 组对比）
2. **Walk-Forward 滚动验证**：用过去 30 天训练、未来 15 天测试，逐段推进
3. **过拟合快速检测**：训练集最优 vs 测试集平均，差距过大立即报警
4. 真实数据跑通（演示数据 50 条，换正式证书后可扩展）

## 三、策略逻辑：双均线 + 参数空间

我们沿用 #03 的双均线金叉策略，但不再固定短/长期，而是让它们在合理范围内"自动竞争"：

- 短周期候选：3 日、5 日、8 日
- 长周期候选：10 日、15 日、20 日
- 约束：短周期 < 长周期

对每一组 `(short, long)`，我们在训练集上跑回测，按 **Sharpe 比率** 排序取最优。

## 四、完整代码

```python
from mairui import Client
import pandas as pd
import numpy as np
import itertools

# 演示证书（对外示例用；实际项目建议放环境变量）
client = Client("LICENCE-66D8-9F96-0C7F0FBCD073")

STOCK = "600519"
raw = client.stock_history(STOCK, "d", "f")
df = pd.DataFrame(raw)
df["date"] = pd.to_datetime(df["t"])
df = df.sort_values("date").reset_index(drop=True)

# 参数空间
SHORT_RANGE = [3, 5, 8]
LONG_RANGE  = [10, 15, 20]
TRAIN_DAYS = 30
TEST_DAYS  = 15
COST = 0.0015  # 手续费+滑点


def backtest(prices, short, long, cost=COST):
    if long >= len(prices):
        return None
    ma_s = prices["c"].rolling(short).mean()
    ma_l = prices["c"].rolling(long).mean()
    signal = (ma_s > ma_l).astype(int).diff().fillna(0)

    pos = 0
    returns = []
    trades = 0
    for i in range(1, len(prices)):
        if signal.iloc[i] == 1 and pos == 0:
            pos = 1; trades += 1
        elif signal.iloc[i] == -1 and pos == 1:
            pos = 0; trades += 1

        daily_ret = prices["c"].iloc[i] / prices["pc"].iloc[i] - 1.0
        if pos == 1:
            if signal.iloc[i] != 0:
                daily_ret -= cost
            returns.append(daily_ret)
        else:
            returns.append(0.0)

    r = pd.Series(returns)
    total = (1 + r).prod() - 1
    sharpe = np.sqrt(252) * r.mean() / r.std() if r.std() > 1e-12 else 0.0
    cum = (1 + r).cumprod()
    dd = (cum / cum.cummax() - 1).min()
    return {
        "total_return": round(total * 100, 2),
        "sharpe": round(sharpe, 3),
        "max_drawdown": round(dd * 100, 2),
        "trades": trades,
    }


# ========== 网格搜索（全样本） ==========
grid_results = []
for s, l in itertools.product(SHORT_RANGE, LONG_RANGE):
    if s >= l:
        continue
    res = backtest(df, s, l)
    if res:
        grid_results.append({"short": s, "long": l, **res})

grid_df = pd.DataFrame(grid_results).sort_values("sharpe", ascending=False)
print(grid_df.head(5).to_string(index=False))
```

运行后你会看到类似这样的输出（数据为演示结果）：

```
 short  long  total_return  sharpe  max_drawdown  trades
     3    10          2.68   1.500         -2.27       6
     3    15          2.91   1.448         -2.97       4
     5    15          1.86   1.006         -2.45       4
```

全样本最优是 `(3, 10)`，Sharpe = 1.5。但先别急着高兴——这只是**全样本拟合**的结果。

## 五、Walk-Forward 滚动验证

核心思想：**绝不把测试集当训练集用**。我们用滚动窗口：

- 第 1~30 天训练 → 选出最优参数 → 在第 31~45 天测试
- 窗口向前滚动 15 天，重复

```python
# Walk-Forward
wf_results = []
step = TEST_DAYS
start = 0
n = len(df)

while start + TRAIN_DAYS + TEST_DAYS <= n:
    train = df.iloc[start : start + TRAIN_DAYS].copy()
    test  = df.iloc[start + TRAIN_DAYS : start + TRAIN_DAYS + TEST_DAYS].copy()

    # 训练集选最优
    best_sharpe = -999
    best_params = None
    for s, l in itertools.product(SHORT_RANGE, LONG_RANGE):
        if s >= l:
            continue
        r = backtest(train, s, l, cost=0)
        if r and r["sharpe"] > best_sharpe:
            best_sharpe = r["sharpe"]
            best_params = (s, l)

    # 测试集验证
    if best_params:
        test_res = backtest(test, best_params[0], best_params[1])
        if test_res:
            wf_results.append({
                "fold": len(wf_results) + 1,
                "best_s": best_params[0],
                "best_l": best_params[1],
                **test_res,
            })
    start += step

wf_df = pd.DataFrame(wf_results)
print(wf_df.to_string(index=False))
print(f"Walk-Forward 平均 Sharpe = {wf_df['sharpe'].mean():.3f}")
```

演示数据输出（50 条日线，仅 1 个 fold）：

```
 fold  best_s  best_l  total_return  sharpe  max_drawdown  trades
    1       3      10         -1.47  -2.173         -2.18       1
```

## 六、过拟合检测：一眼看穿"假最优"

对比两组数字：

| 指标 | 全样本网格最优 (3,10) | Walk-Forward 测试集平均 |
|------|:---:|:---:|
| Sharpe | 1.500 | -2.173 |
| 总收益 | +2.68% | -1.47% |

训练集最优参数在测试集上**直接翻绿**。这就是典型的过拟合——参数把历史噪音当成了信号。

**实用判定规则**：
- 若训练集 Sharpe 比滚动测试集平均高 2 倍以上，且测试集 Sharpe < 0.5 → **过拟合警告**
- 对策：缩小参数空间、增加训练样本、降低交易频率、或放弃该策略

## 七、常见坑

1. **参数空间太大**：短周期 1~30 × 长周期 10~120 = 几百组组合，全样本最优几乎必然过拟合。建议参数空间 ≤20 组。
2. **训练窗口太短**：30 天日线样本太少，统计意义弱。正式跑建议 ≥6 个月训练 + ≥2 个月测试。
3. **忽略交易成本**：网格搜索时如果不计手续费，会高估高频策略。本文代码已内置 `COST = 0.0015`（单边千 1.5）。
4. **Walk-Forward fold 太少**：演示数据仅 50 条，只能拆出 1 个 fold。正式证书可拉 2~3 年历史数据，拆出 10+ fold 才有说服力。

## 八、小结

本文用**网格搜索 + Walk-Forward** 给双均线策略做了一次完整的参数体检。关键结论：

- 全样本最优 ≠ 未来能赚钱
- Walk-Forward 是过滤"假最优"的最小可行方案
- 参数空间宁小勿大，训练窗口宁长勿短

下一篇（#08）我们将进入本系列收官篇——**策略上线前的 checklist**：滑点、手续费、再平衡频率、模拟盘记录，把回测到实盘的最小闭环跑通。

---

**免责声明**：本文仅供技术学习交流，不构成任何投资建议。量化策略回测表现不代表未来收益，投资有风险，决策需谨慎。

**代码与文档**：https://github.com/MaiRuiApi


系列前情：#01~#06 我们完成了单因子/多因子选股、双均线/波动率择时、仓位管理、向量化回测框架。本篇进入策略上线前的关键一步——参数优化与过拟合防范。

【Python量化策略实战 #07】回测参数随手填，上线就亏？网格搜索 + Walk-Forward 防过拟合实战

编程语言

人工智能

算法

本文详解双均线策略参数优化全流程：通过网格搜索9组参数组合，结合Walk-Forward滚动验证防止过拟合，并提供训练集与测试集Sharpe比率对比检测"假最优"。代码内置交易成本，建议参数空间≤20组、训练窗口≥6个月，助力策略稳健上线。

代码解释

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

【Python量化策略实战 #07】回测参数随手填，上线就亏？网格搜索 + Walk-Forward 防过拟合实战-腾讯云开发者社区-腾讯云

【Python量化策略实战 #07】回测参数随手填，上线就亏？网格搜索 + Walk-Forward 防过拟合实战

【Python量化策略实战 #07】回测参数随手填，上线就亏？网格搜索 + Walk-Forward 防过拟合实战

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐