提要

在建立模型的过程中，一些拥有丰富实战经验的投资者，仅凭经验就能够选出很好的模型参数，这是其长期投资实践艺术化的体现。但对于大部分量化建模人员，通过使用科学、严谨的分析体系，通过比较参数在历史行情中的表现来确立合适的参数，更加具备可行性和科学性。当然，在具体实践中，在几个合适模型参数间的取舍，依然离不开模型开发人员的艺术性的选择。

交易系统可以理解为由内在的逻辑与外在的参数有机构成，我们希望程序化交易系统能够对未来价格进行预测，不可避免地要涉及对模型参数的正确设置。通常我们在选取参数时多会碰到两个难点：一是如何选择合适的指标来评价不同参数下模型的表现；二是如何通过参数设置提升模型对未来的适用性。前者我们在《好模型VS坏模型》一文中已经有论述，不在赘言，后者则是本文重点讨论的问题。

现在借助计算机强大的计算能力，我们可以迅速得出模型在不同参数下历史行情中的表现，但是问题在于，我们判定参数的好坏是基于历史的行情数据，而未来的行情是动态变化的，其与历史行情既有相似性，也有变异性。这种变异性，可能使基于历史行情选出的最优的参数在未来行情中并不适用，甚至带来大幅亏损。实践中，一方面，我们可以通过参数优化改进模型，让模型更好地匹配价格波动的模式，提高投资收益；另一方面，我们又要防止对参数的过度优化，导致模型的行情适用性大大降低。因此，模型参数调优是我们构建交易系统过程中的一项技术性与艺术性并重的工作。

上表是我们在股指期货主力连续合约上，在某个特定的时间周期内，对某个模型在开仓条件选取不同阀值（参数α）下的回测数据。为直观简便起见，表中参数α给出的是0—10依次增加的自然数，与模型选取的阀值一一对应。本表选取了6个评价性指标来判断不同参数下模型的好坏，其评价指标具有一定的代表性，反映的是笔者对模型好坏的判断。在实际中，投资者也可以根据自己的偏好来选取评价指标。

首先，从总盈利率和最大回撤率上来看，如果两者的比值偏低，可能与选取的特定交易时间段有关，需要另外选取数据区间进行测试。若模型表现仍无实质性提升，就趋势性模型而言，表明该模型交易胜率偏低，其开仓条件尚需进一步改进，而不仅仅是进行参数优化的问题。其次，从平均单笔盈亏比来看，随着阀值的提高，盈亏比上升明显，比较符合趋势模型小赔大赚的投资理念，模型内在的投资逻辑具有一定的可行性。但从最大盈利和最大亏损上来看，其比值过小，低于平均每笔的盈亏比值，可以认为在平仓以及止损条件的设置以及参数的选择上，仍有一定改进的空间。

我们考虑在模型仅有一个参数α的情况下，如何通过分析回测数据来选取合适的参数，既提高模型的投资收益，又保障模型未来的适用性。按照α的取值从小到大的顺序来看，当α=2时，模型回测效果很好，明显优于相邻参数取值下的表现。然而通过对比成交记录，我们发现模型优异的表现来自于刚好回避了相邻参数取值下几笔较大的亏损，其投资表现具有很强的偶然性。在仅仅做一手的测试环境以及特定的数据区间内，某个特定的参数值很容易刚好抓住几笔较大的盈利或回避较大的亏损，从而获得较高的投资收益，但该参数在未来行情中的适用性并不能保证。而当α=5，6，7，8，9时，从各项评价指标上看，模型的回测效果都较好。

参数在一定取值范围内均有较好的表现，必然是其吻合了品种价格波动的某些特性，因此就使得模型优异的表现在未来具有可复制性。从多年的实践经验来看，在参数调优的过程中，我们必须区分出模型优异的表现是来自于对历史行情数据过度的拟合，还是来自于更好地描述出价格波动的模式，只有后者才是好的参数。在确定好参数α合适的阀值范围后，我们还要尽量选取中间值，比如选取α为6的情形，而不是边缘的值，因为考虑到一旦未来行情发生改变后，在边缘阀值之外，模型的投资获利能力较差。

上述例子考虑的是单一参数条件下通过使用模型回测来选取合适的参数，而通常一个模型往往会使用多个参数，加大了参数调优的难度。一个较为可行的办法是采用三维视角来评估对比。此外，由于评估需要采用多个评价指标，很可能出现互相矛盾的结果，我们的建议是依据投资者自身的偏好，对各个评价指标进行排序，对前几位的指标分别建立多维的分析矩阵来选取合适的参数。当然，按照单一参数下的原则，异常的值仍然需要排除，我们需要参数在一定范围内都能够获取好的表现。

在建立模型的过程中，一些拥有丰富实战经验的投资者，仅凭经验就能够选出很好的模型参数，这是其长期投资实践艺术化的体现。但对于大部分量化建模人员，通过使用科学、严谨的分析体系，通过比较参数在历史行情中的表现来确立合适的参数，更加具备可行性和科学性。当然，在具体实践中，在几个合适模型参数间的取舍，依然离不开模型开发人员的艺术性的选择。