—— 为你的策略寻找最优答案的自动化量化引擎

Hyper-Opt

在量化交易领域，策略参数决定了策略的核心行为模式。同一个策略，参数一变，整条收益曲线、回撤表现、胜率、交易频率都可能完全不同。

例如：

MA Crossover 的短/长均线周期Momentum 策略的动量窗口RSI Reversal 的超买 / 超卖阈值Bollinger Bands 的标准差倍数MACD 的 fast / slow / signal 数值

这些参数的不同组合，会带来完全不同的：

年化收益最大回撤夏普 / Sortino / Calmar 等风险收益指标交易频率与持仓时长策略整体稳定性

然而，手工尝试参数几乎是不可能完成的任务：

一个策略通常有 5~15 个参数每个参数有 10~200 个可取值参数组合轻松达到 10⁶ ~ 10⁹ 种每次回测都需要处理大量历史 K 线数据

这意味着：

一个人手动去调参 ≈ 几乎不可能完成 的工作。

因此，我们在 PulseForce 中引入了 智能超参优化（Hyper-parameter Optimization）：让系统自动帮你搜索、评估、筛选出 “更高收益、更小回撤、更稳定表现” 的策略参数组合。这原本是专业量化机构才具备的能力，现在 PulseForce 将它带给每一位用户。

1. 为什么需要“智能超参优化”？1.1 参数决定策略“性格”

策略的逻辑可以是固定的，但参数会改变策略的“性格”：

是更激进，还是更保守？更偏趋势，还是更偏波段？止损是否太紧、太松？是否经常“过早离场”、“踏空行情”？

一个优秀的参数组合，可以让策略：

收益更高回撤更温和胜率更合理风险收益比更漂亮

而一个糟糕的参数设置，可能会让一个原本有价值的策略变成“亏损机器”。

1.2 不同股票需要不同参数

不同标的之间差异巨大，例如：

AAPL（苹果）：流动性强，波动中等，结构相对平滑NVDA（英伟达）：高波动、高成长，趋势与回调都很凌厉TSLA（特斯拉）：情绪驱动强，方向切换快，假突破多

如果对所有标的使用同一组参数，效果往往是：

在某些标的上表现尚可在另一些标的上严重失真甚至长期亏损

智能超参优化的意义之一，就是为每一支股票生成它的“专属参数配置”。

1.3 市场环境不断变化

市场会在不同状态之间切换：

趋势市（单边上涨 / 下跌）震荡市（上下反复、区间整理）高波动时期低波动时期突发事件驱动行情

过去一段时间表现优秀的一组参数，在新的市场环境中可能完全失效。

借助超参优化，你可以：

定期为策略重新“体检”根据最近 90 天的行情重新寻找最优参数让策略行为更贴近当前市场结构，而不是死守多年前的旧参数1.4 人工调参：几乎不可能的工作量

如果你尝试手工调参，大概会经历：

改动参数 A，固定其他参数 → 回测 → 记录结果再改动参数 B → 回测 → 对比曲线再尝试不同组合 → 回测几十次甚至上百次最终还是不确定：是不是还有更好的参数没试到？是不是过拟合了？这套参数到底稳不稳？

而这些都可以交给 智能超参优化引擎 来自动完成。

2. “智能超参优化”能给你带来什么？2.1 自动为你寻找最优参数组合

系统会在你设定的参数范围内，智能地探索数以万计甚至数十万计的组合，并通过算法找到综合表现最优的参数集。

优化时考虑的指标包括但不限于：

年化收益率最大回撤（Max Drawdown）夏普比率（Sharpe）Sortino 比率Calmar 比率盈亏比利润-回撤综合指标多指标加权评分

在底层，PulseForce 内置了多种 HyperOptLoss 优化目标，例如：

OnlyProfitHyperOptLossSharpeHyperOptLossSortinoHyperOptLossCalmarHyperOptLossMaxDrawDownHyperOptLossMaxDrawDownPerPairHyperOptLossMaxDrawDownRelativeHyperOptLossProfitDrawDownHyperOptLossMultiMetricHyperOptLossShortTradeDurHyperOptLoss…等等

每一种 Loss，都代表一种对“好策略”的不同理解。你可以根据自己的交易风格，选择最适合的优化方向。

2.2 战胜“凭感觉调整”的局限

人类在调参时非常容易受到主观影响：

觉得“这个参数看起来顺眼就行了”只记住几次盈利的样本，忽略大样本统计害怕大幅调整，更多停留在熟悉区间

而机器优化则具备天然优势：

不会疲倦不会产生情绪偏差严格按照设定规则打分可以系统性遍历巨大参数空间

最终结果往往比“凭感觉反复微调”强上数倍。

2.3 为你的策略提供真正的竞争优势

引入智能超参优化之后，你可以：

为每支股票找到更匹配的“独立参数”（AAPL ≠ TSLA）针对不同市场环境快速调参（震荡市、趋势市、低波动时期等）在同类策略中拥有更优胜的风控与收益表现提升策略在长期表现中的稳定性与鲁棒性

从某种意义上说，超参优化就是你的策略护城河之一。

2.4 全自动化运行（真正“点一次就好”）

智能超参优化背后会自动完成大量复杂工作，包括：

下载并缓存最近 90 天的历史 K 线数据自动构建训练集与验证集使用多线程（最多 10 个 Workers）进行并行搜索在搜索过程中动态调整搜索路径使用 Early-stop 等机制抑制过拟合评分、筛选并输出表现最优的参数组合

你只需要做的一件事，就是设定好范围 → 点击开始。

2.5 可直接“一键应用”到任务中

当超参优化完成后，你可以：

一键基于最佳参数创建回测任务一键创建自动化量化任务（Daily Run）

从“找到最优参数”到“投入实际任务运行”，只差一次点击。

3. 功能说明3.1 可优化参数（可视化编辑）

PulseForce 会针对不同策略，提供可视化的参数优化设置界面。在这个界面中，每个可优化的策略参数都可以独立设置：

最小允许值（min）最大允许值（max）初始搜索范围（如 otp_init_min / otp_init_max）

合理设置这些范围，会极大影响超参优化的 速度 与 质量。

当参数范围过大时：

搜索空间会呈指数级膨胀Workers 需要评估更多“无意义”的参数组合优化时间变长结果更容易被噪音干扰

通过为每个参数设定适当的初始搜索区间，你可以：

✅ 大幅缩小搜索空间，加快优化速度

让算法从一开始就聚焦在更有可能出好结果的区间，而不是在极端值附近徘徊。

✅ 提高“找到最优解”的概率

搜索从合理区间启动，更容易快速收敛到性能优秀的区域。

✅ 高频调整以适应市场变化

当市场结构变化（趋势转向、波动变化、成交量下降）时，你可以适度调整初始范围，让优化模型更快适应新环境。

✅ 结合你的经验值与策略理解

例如：

ema_fast 通常在 10–40ema_slow 通常在 50–150rsi_oversold 通常在 10–35

你可以直接将搜索区间限定在这些更合理的区域内，提升搜索效率与效果。

✅ 防止“极端参数”导致策略失真

例如 EMA 过低（1–3）或过高（200+）往往会让策略变得毫无实际意义。通过限制初始区间，可以避免系统在这些“废参数”上浪费大量计算资源。

参数编辑界面示意图：

3.2 优化目标（HyperOptLoss）

在 PulseForce 中，你可以根据偏好选择不同的优化目标（HyperOptLoss），例如：

追求最大收益：OnlyProfitHyperOptLoss追求风险收益比：SharpeHyperOptLossSortinoHyperOptLoss追求稳健、低回撤：CalmarHyperOptLossMaxDrawDownHyperOptLossMaxDrawDownPerPairHyperOptLossMaxDrawDownRelativeHyperOptLoss追求收益与风险平衡：ProfitDrawDownHyperOptLoss追求多指标综合评分：MultiMetricHyperOptLoss追求短周期高频策略表现：ShortTradeDurHyperOptLoss

不同的优化目标，会导向不同风格的“最优参数”。例如，选择 OnlyProfit 更偏重收益极致；而选择 Sharpe / Sortino / Calmar 则更侧重“收益-风险比”。

优化目标选择界面示意图：

3.3 执行配置：Epochs / Workers / Min Trades / 回测区间

在创建超参任务时，你可以配置以下核心参数：

配置项

说明

Epochs

搜索轮数，越高越精细（推荐 50–200）

Workers

并发线程数（最高 10），越多速度越快（取决于服务器资源）

Min trades

要求产生至少多少笔交易才视为有效结果，避免“太少交易”的极端参数

回测区间

系统默认从最近 90 天的数据生成，兼顾实时性和计算成本

通过合理搭配 Epochs 与 Workers，可以实现：

“快速粗找解”（较少 Epochs + 多 Workers）“精细深度优化”（较多 Epochs + 多 Workers）4. 使用步骤（实战流程）

下面是使用 PulseForce 智能超参优化的完整流程示例。

Step 1：选择策略 + 股票

在任务创建界面：

选择 任务类型：超参优化输入股票代码（如：AAPL）选择策略（如：ma_crossover、momentum 等）Step 2：编辑参数范围

在参数配置界面：

勾选需要优化的参数为每个参数设置：最小值最大值初始搜索区间（如果有 otp_init_min / otp_init_max）

目标是：缩小到“合理但有弹性”的范围，而不是无限放大。

Step 3：选择优化目标（HyperOptLoss）

根据你的偏好选择优化方向，例如：

更看重收益：选择 OnlyProfit更看重稳定性和风险：选择 Sharpe / Sortino / Calmar想在多个指标之间平衡：选择 MultiMetric / ProfitDrawDownStep 4：设置 Epochs / Workers

推荐配置示例：

常规优化：Epochs = 100Workers = 4深度优化（更精细）：Epochs = 200Workers = 8

Workers 越多，对服务器资源要求越高，但搜索速度也越快。

Step 5：开始优化并查看日志

点击“开始优化”后，系统会在后台执行所有流程。当超参优化完成后，你可以在任务详情中点击“日志”按钮，查看计算结果与中间过程。

日志示例界面：

你可以看到：

每个 Epoch 的评分情况当前最优 Loss / 最优收益 / 最优回撤最佳参数组合收益曲线、回撤曲线等信息（如果前端展示支持）Step 6：应用结果

完成优化后，你可以直接：

使用“最佳参数”一键创建 回测任务，进一步验证长期表现一键创建 量化交易任务（Daily Run），将优化结果用于实际自动化策略运行

从“自动搜索参数”到“实际投入使用”，中间几乎没有额外摩擦。

5. 核心算法逻辑（面向专业用户）

PulseForce 智能超参优化在底层具备以下特点：

随机搜索 + 贝叶斯搜索避免传统 Grid Search 的指数级爆炸更高效地利用每一次回测结果多 Worker 分布式执行（最高 10 个）充分利用多核/多机资源显著缩短总耗时参数空间动态裁剪根据历史搜索结果收缩搜索区域将计算资源聚焦于更有潜力的区域Early-stop 防过拟合当某些配置在训练集表现过度极端时提供约束减少在“极端参数”上的过度搜索自定义 HyperOptLoss 评分支持多种风险收益度量可以根据业务需求扩展

总体上，搜索效率比传统的网格搜索（Grid Search）提升 10–20 倍，同时结果更稳定、更贴近实际需求。

6. 注意事项与风险提示超参优化并不预测未来，只是在历史数据上寻找表现更好的参数。系统已自动执行基本的 训练 / 验证集划分，但仍无法完全消除过拟合风险。建议每 2–4 周 或在重大行情变化后，重新运行一次超参优化。不同股票的最佳参数一定不同，不要简单复用。参数范围建议在“合理区间”内调整，过大范围会显著拖慢搜索。本功能仅作为策略优化工具，不构成任何投资建议。7. 常见问题 FAQQ1：每次优化结果都会完全一样吗？

不会，超参优化中存在一定随机性（例如随机初始点）。但在合理的 Epoch 数量下，整体方向与表现会比较接近。

Q2：Epoch 应该设置多少比较合适？入门建议：50–100想更精细搜索：150–200当参数较多时，可酌情增加 Epoch 数量Q3：能否一次优化多支股票？

目前超参任务是 “一支股票一个任务”。但你可以为多支股票分别创建多个超参任务，这样每一个标的都会得到自己的最优参数。

Q4：优化结果是否一定优于默认参数？

在绝大多数情况下，经过合理超参优化后的参数都会较默认值有明显改进，尤其是在：

收益稳定性（Sharpe / Sortino）回撤控制（MaxDD / Calmar）多指标综合表现

但依然存在个别个股 / 特定行情下，差异不大的情况，这是正常的。

8. 智能超参 = 策略性能的“涡轮增压器”

PulseForce 智能超参优化，为你做的事情可以概括为：

自动扫描海量参数可能性找到更高收益 + 更低回撤的组合根据你的偏好优化不同指标利用分布式计算大幅提速一键将结果应用到回测和自动化任务

它让你从繁琐的手工调参中解放出来，把重复计算交给机器，把精力留给策略设计与交易决策。

你的策略，将因此变得：

更专业更稳定更具竞争力

欢迎在 PulseForce 中开启你的第一笔智能超参优化任务，让“为你的策略寻找最优答案”这件事真正实现自动化。