策略變差，重新最佳化參數有用嗎？｜量化通社群問題筆記（十）

社群成員：策略失效後，如果再換一組最近看起來比較漂亮的參數，這樣算是解決問題嗎？
量化通-Tony：就要換個思維開發了，不能無腦暴力跑參數。
量化通-Tony：其實還是要回歸到你的使用情境啦。

當原本順手的策略開始虧損，直覺可能是打開最佳化，挑一組近期表現漂亮的參數，讓績效曲線重新好看起來，但這樣做真的解決問題嗎？

策略績效下滑，不一定代表參數失效，我們需要先從程式、參數與回測報表，再逐一檢查歷史資料、交易成本、訊號到實際成交，找出績效惡化的原因。如果問題出在滑價增加、委託未如預期成交，單純調整進場門檻並不能改善策略或交易上的問題。

觸及風控界線時先處理風險

如果是策略已經破 MDD（歷史最大回撤），我們就需要進一步判斷是正常的績效波動、交易執行問題，還是策略原本的獲利優勢可能已經減弱。

破 MDD 後怎麼辦，要如何檢查風控，可以參考我們之前寫的 績效久沒創高甚至破 MDD 時，要不要下架策略。

只有在釐清績效惡化的原因，並確認問題確實可能透過重新估計參數改善後，才考慮進入最佳化流程，即使找到歷史績效更好的組合，也要進一步檢查相鄰參數的表現、成本變動的影響，以及另一段歷史資料，是否還能維持不錯的表現。

策略績效變差，問題在執行、市場，還是參數？

策略績效下滑時，我們優先要先固定原版程式與回測設定，核對實際交易與回測結果，確認歷史資料、策略訊號、委託、成交及交易成本等是否正常。

排除執行異常後，進一步再檢查市場環境是否仍符合策略原本的設計，例如：

• 趨勢策略在缺乏明確方向的行情(盤整)，難以延續原有表現
• 均值回歸策略在持續單邊行情，容易面臨較大的回撤

如果是市場結構或波動特性已經改變，就需要重新評估策略的適用性，以及原有風控是否仍符合目前的風險。

如果市場環境看起來正常，但績效還是持續惡化，我們應該進一步檢查策略的獲利優勢是否減弱，再決定是否需要重新最佳化。

重新最佳化的關鍵：選對參數，更要驗證結果

重新最佳化的重點，不是找出歷史績效最高的參數組合，而是評估不同參數對策略表現的影響，確認策略是否過度依賴特定參數。

即使找到歷史績效更好的參數，我們也要進一步檢查相鄰參數的表現、交易成本變動的影響，以及在未參與參數挑選的歷史資料中，是否仍能維持合理的表現。

真正需要檢視的不是能不能使用最佳化，而是為什麼要重新最佳化、要如何挑選參數，以及如何驗證結果，有明確的改善目標與驗證標準，才能判斷新參數是否真的改善策略，而不只是讓歷史績效曲線看起來更漂亮。

最佳參數旁邊幾組，也跑得動嗎？參數孤島的陷阱

假設策略有一個均線參數，可試 20、21、22 這三個相近值，如果在選模資料中，21 的淨利很高，但 20 與 22 都明顯虧損，先懷疑績效高度依賴精準數值，可能踩到參數孤島了。

三者在合理成本下都有相近的正向表現，至少表示這個小區域沒有那麼脆弱，但這仍不能保證未來有效，也不能靠三個數字就證明沒有過擬合。

還要看交易筆數、最大回撤、獲利是否集中在少數日期，以及參數範圍是否有策略邏輯上的理由。

參數選「普佳化」，而不是選最好的

我們應該要選擇相對穩健的參數，而不是盲目只選第一名。

這裡說的「普佳化」，是從合理的參數範圍中，找出附近多組設定都有相近表現的區域，先挑對數值較不敏感的候選參數，再做進一步驗證，會比只看回測排名更有判斷依據。

接著把候選參數與舊參數放在相同商品、資料期間、交易成本與部位設定下比較，先寫下這次要改善的問題，再看成本後獲利、最大回撤與交易筆數的變化，才知道新方案改善了哪裡，又付出了什麼代價。

選定候選參數後，還要固定設定用未參與挑選的後續資料驗證，如果結果未達事前設定的評估條件，先列為本輪未通過，回到開發資料檢查原因，如果根據這段驗證結果修改參數，它就已參與開發，下一輪須另用未參與挑選的資料驗證。

每次測過的組合與結果都要保留，連同資料區間、成本假設與採用理由一起記錄，重新最佳化的用途，是幫我們研究參數敏感度、比較新舊方案。下次要換參數前，先留下舊版、寫清楚要改善的問題，再以驗證結果來決定是否更換。

---