参数优化

参数优化是量化策略开发中至关重要的一环。AKQuant 提供了强大的优化工具，帮助你探索参数对策略表现的影响，并评估策略的稳健性。

目前支持两种主要的优化模式：

1. 网格搜索 (Grid Search): run_grid_search
2. 滚动优化 (Walk-Forward Optimization): run_walk_forward

---

1. 网格搜索 (Grid Search)

网格搜索是一种穷举式的参数优化方法。它通过遍历给定的参数组合，在同一段历史数据上运行回测，从而找到表现最优的参数组合。

适用场景

• 探索策略对参数的敏感性。
• 确定参数的大致合理范围。
• 寻找策略在历史数据上的"理论上限"。

使用方法

使用 akquant.run_grid_search 函数：

from akquant import run_grid_search, Strategy

# 1. 定义策略
class MyStrategy(Strategy):
    def __init__(self, ma_period, stop_loss):
        # ...

# 2. 定义参数网格
param_grid = {
    "ma_period": [10, 20, 30],
    "stop_loss": [0.01, 0.02, 0.05]
}

# 3. 运行网格搜索
results = run_grid_search(
    strategy=MyStrategy,
    param_grid=param_grid,
    data=df,
    sort_by="sharpe_ratio",  # 按夏普比率排序
    ascending=False          # 降序
)

print(results.head())

多目标优化 (Multi-Objective Optimization)

在实际交易中，单一指标往往存在局限性（例如仅看夏普比率可能选出只交易一次的幸存者）。AKQuant 支持基于多个指标进行排序：

results = run_grid_search(
    strategy=MyStrategy,
    param_grid=param_grid,
    data=df,
    sort_by=["sharpe_ratio", "total_return"], # 优先按夏普，其次按总收益
    ascending=[False, False]                  # 均为降序
)

结果筛选 (Result Filtering)

为了避免“幸存者偏差”或过滤掉不符合风控要求的参数组合（例如交易次数过少、最大回撤过大），你可以使用 result_filter 回调函数：

def result_filter(metrics):
    # 筛选条件：
    # 1. 交易次数 >= 50
    # 2. 夏普比率 > 1.0
    # 3. 最大回撤 < 20%
    return (
        metrics.get("trade_count", 0) >= 50 and
        metrics.get("sharpe_ratio", 0) > 1.0 and
        metrics.get("max_drawdown_pct", 1.0) < 0.2
    )

results = run_grid_search(
    ...,
    result_filter=result_filter
)

核心参数

• strategy: 策略类。
• param_grid: 参数字典，key 为参数名，value 为参数值列表。
• data: 回测数据。
• sort_by: 排序指标，支持字符串或字符串列表。
• ascending: 排序方向，支持布尔值或布尔值列表。
• result_filter: (可选) 结果筛选回调函数，用于过滤不符合条件的组合。
• warmup_calc: (可选) 动态计算预热期的回调函数。
• constraint: (可选) 参数约束回调函数，用于过滤无效组合。

资源控制与异常处理 (Resource Control & Error Handling)

当参数组合数量庞大或某些组合可能导致死循环/内存溢出时，可以通过以下参数进行控制：

results = run_grid_search(
    ...,
    timeout=60.0,           # 单次任务最长运行 60 秒，超时则跳过
    max_tasks_per_child=1   # 强制每个 Worker 进程只执行 1 个任务后重启
)

• timeout: 单个回测任务的超时时间（秒）。如果任务在指定时间内未完成，将被标记为失败并跳过。这对于防止某些参数导致的死循环非常有用。
• max_tasks_per_child: Worker 进程重启频率。设置为 1 可以强制每次任务都使用新的进程，有效防止内存泄漏（OOM）或清理超时残留的线程资源。

持久化与断点续传 (Persistence & Resume)

对于参数组合极多（如 > 10,000 组）的场景，单机运行可能需要数小时甚至数天。如果中途断电或程序崩溃，重新运行将非常耗时。AKQuant 支持将优化结果实时写入 SQLite 数据库，并支持断点续传。

results = run_grid_search(
    ...,
    db_path="optimization_results.db"  # 指定数据库路径
)

• db_path: SQLite 数据库文件路径。
  • 实时保存: 每完成一个参数组合的回测，结果（参数、指标、耗时、错误信息）都会立即写入数据库。
  • 断点续传: 程序启动时会自动检查数据库。如果发现某个参数组合已经运行过（基于参数的 JSON 匹配），将直接跳过，只运行剩余的任务。
  • 结果复用: 你可以编写脚本从数据库中读取结果进行后续分析，而无需重新运行回测。

⚠️ 风险提示

网格搜索容易导致 过拟合 (Overfitting)。选出的"最优参数"可能只是恰好适应了这段历史数据的噪声，在未来实盘中往往失效。切勿直接使用网格搜索的最优结果进行实盘。

---

2. 滚动优化 (Walk-Forward Optimization)

滚动优化（Walk-Forward Analysis/Optimization, WFO）是一种更接近实战的验证方法。它模拟了真实的时间流逝，将数据切分为多个 [训练集 | 测试集] 窗口，不断滚动进行"样本内优化"和"样本外验证"。

适用场景

• 验证策略的真实稳健性。
• 评估策略在"未知"数据上的表现。
• 生成随时间动态调整的参数路径。

原理

WFO 的核心思想是：永远只用过去的数据来决定现在的参数。

1. 窗口 1:
   • 训练 (In-Sample): 使用 1-3月数据进行 Grid Search，找到最优参数 A。
   • 测试 (Out-of-Sample): 使用参数 A 在 4月数据上进行回测。
2. 窗口 2:
   • 训练: 滚动到 2-4月，重新 Grid Search，找到最优参数 B。
   • 测试: 使用参数 B 在 5月数据上进行回测。
3. 拼接: 将所有测试段的结果拼接，形成最终的资金曲线。

使用方法

使用 akquant.run_walk_forward 函数：

from akquant import run_walk_forward

# 运行 WFO
wfo_results = run_walk_forward(
    strategy=MyStrategy,
    param_grid=param_grid,
    data=df,
    train_period=250,      # 训练窗口长度 (例如250个Bar)
    test_period=60,        # 测试/滚动步长 (例如60个Bar)
    metric="sharpe_ratio", # 优化目标
    initial_cash=100_000.0,
    warmup_calc=warmup_calc, # 支持动态预热
    constraint=param_constraint # 支持参数约束
)

# wfo_results 包含拼接后的资金曲线和每段使用的参数
print(wfo_results)

核心参数

• train_period: 训练窗口长度 (Bar数量)。窗口越长，参数越稳定；窗口越短，适应变化越快。
• test_period: 测试窗口长度 (Bar数量)。通常也是滚动的步长。
• metric: 在训练集上选择最优参数的依据指标。支持单个字符串 (如 "sharpe_ratio") 或字符串列表 (如 ["sharpe_ratio", "total_return"])。
• ascending: 排序方向，与 metric 对应。支持布尔值或布尔值列表 (默认 False，即降序)。
• result_filter: (可选) 结果筛选回调函数，在每个训练窗口中过滤不符合条件的参数组合。

---

3. 高级功能

动态预热期 (Dynamic Warmup)

不同的参数组合可能需要不同的预热期（例如长均线策略需要更多历史数据）。你可以通过 warmup_calc 回调函数动态指定：

def warmup_calc(params):
    # 预热期 = 长期均线窗口 + 1
    return params["long_window"] + 1

run_grid_search(..., warmup_calc=warmup_calc)

参数约束 (Constraint)

有些参数组合在逻辑上是无效的（例如短期均线 > 长期均线）。通过 constraint 回调函数可以提前过滤这些组合，节省计算资源：

def param_constraint(params):
    # 只保留短期窗口 < 长期窗口的组合
    return params["short_window"] < params["long_window"]

run_grid_search(..., constraint=param_constraint)

---

4. Grid Search vs Walk-Forward 对比

特性	Grid Search (网格搜索)	Walk-Forward (滚动优化)
数据使用	使用全部数据一次性优化	数据滚动切分，训练集/测试集严格分离
参数结果	1 组 全局静态参数	多组 动态变化的参数
过拟合风险	极高 (看着答案找最优解)	低 (模拟真实未知环境)
核心目的	探索参数敏感性，找“理论上限”	验证策略稳健性，评估“实战预期”
代码对应	akquant.run_grid_search	akquant.run_walk_forward