程序化交易中的参数优化是否能提升你未来获利概率及空间[程序化新手]

在程序化交易中，最佳化参数是乎是必要的恶，一个程式策略的产生，必定会用历史资料去检测这个策略的可行性，在检测的过程中，很难不会作参数最佳化，希望能由过去的历史资料，归纳出市场的趋势特性与参数，而能在未来的市场中获利。

当然我们都知道，过去的最佳化参数，并不能代表未来会有最佳的获利，但也不能排除最佳化参数完全有可能提昇未来的绩效，对同一策略而言，若是一组参数在过去历史的绩效比较好，另一组参数在过去历史的绩效比较差，在没有其他的辅助讯息下，应该都会选绩效比较好的参数。

因此，我们不一定要排斥参数最佳化，而是要问，参数最佳化是真的可以提昇未来的绩效，还只是过度的curve fitting，造成绩效的假象，一般来说，要避免 curve over-fitting 的问题，通常是看是否为参数孤岛，可参考文章(http://www.cxh99.com/2012/09/19/7314.shtml)。

在这一篇文章中，我们从另外一种分析方法，来探讨参数最佳化是否能提昇你未来获利的绩效，假设我们有十组参数，经过backtesting，一定可以排出第一名到第十名，但是第一名的参数，是不是在未来还会是第一名呢? 因此我们可能不止看每个参数最后绩效的总排名，我们可能也要看每一年的排名。（www.cxh99.com ）

若是每一年，这组参数都是第一名(超级资优生)，我们大概可以有很高的期望，明年还是会考第一名。 但若是今年第一名，次年第5名，再次年最后名，后来又回到第2名，即使最后总排名是第一名，我们对它在明年的表现还是会有比较多的疑虑。因此我们要检测我们的系统是属于前一种，还是后面这一种。

概念讲完了，在来说明如何量测，基本上是参考 Lars Kestner 在 Quantitative Trading Strategies (中译本：计量技术操盘略)中衡量最佳化程序的方法，方法是将每一年最佳化绩效的排名与下一年的排名，排成一个 array，如1990年排名第三，1991年排名第八，就在 (3,8) 标一点，标示所有年份与所有参数的组合后，我们可以判断今年与隔年表现，利用迴归分析，检测是否存在线性关性。 若是45度斜上表示最佳化参数一致性，今年第一名的绩效，次年还是第一名，今年最后一名的绩效，次年还是最后一名，表非「参数最佳化非常有助于隔年的绩效」，若是近于水平则表示参数最佳化没有助于隔年的绩效，另外若是一由左上到右下，表示去年最差绩效的参数，在今年表现反而不错，这种参数不一致的现象，可能要特别小心，可能要检讨策略与参数的关系。（www.cxh99.com 整理）

接下来，我们以一个实例来说明，使用的是 YG (小黄金) 过去7年的资料(2002/7-2009/7)，time frame = 30 min，策略是用 Price Channel Breakout ，参数 Length 从102 - 198，间格为 4，共 25 组，我们记录每一个参数在每一年与次一年的绩效排名，可以得到下图的结果，经过迴归分析，可得到紫红色的迴归直线，slope=0.188，相关系数也是 0.188，在检测上是为显著，代表这个策略的最佳化今年绩效与次年绩效有一定的相关，因此最佳化在某种程度上有助于未来的绩效。
 

另外，我们将每一个参数的历年的平均排名(蓝线)与历年的获利(紫红线)画成下图，从这个图来看，参数 180 附近是最佳的参数选择，因为这个区域有最佳的获利，而且是一个参数高原，另外历年的平均排名也是相当低，表示每一年都考前几名的次数比较多。

基本上，经过上面的分析，我们可以知道参数最佳化对策略的影响，并且由历年的绩效排名，在选择参数上，有更客观的参考，但最后还是要提醒大家，所有这些都只是过去历史资料的统计分析，「在统计上过去的最佳的投资策略，还是不能代表未来会有最佳的获利」，我们将平均排名前三名与平均排倒数第二名(第24名)的过去7年的排名画出。

我们可以看到前三名在2003-2005表现都非常好，但在2006年表现都是20名以上(倒数5名内)，反而倒数第二名在2006年表现是第一名，但在其他年的表现却不是很好，历年资料的分析，只能给我们一些客观统计数字，但也不能完全规避市场风险。