超参数优化过拟合了？试试滚动优化回测

超参数优化过拟合了？试试滚动优化回测

引用

CSDN

1.

https://blog.csdn.net/anjingshen/article/details/142831806

在量化交易中，超参数优化是一个常见的技术手段，用于提高交易策略的性能。然而，过度优化往往会导致过拟合，使得策略在历史数据上表现优异，但在未来数据上却无法保持同样的表现。本文将探讨如何通过滚动优化回测来避免这一问题。

为什么需要滚动优化回测？

很多人在使用超参数优化后，可能会发现优化后的参数在未来的实际交易中表现并不理想。这是因为传统的固定周期回测方法存在一个根本性的问题：它假设过去的表现可以完全预测未来，而实际上市场环境是不断变化的。

滚动优化回测的方法

更符合现实的方案是采用滚动优化回测。具体来说，如果拥有最近3年的数据，可以先用最早第1年的数据进行超参数优化，使用优化后的参数对接下来的2个月进行回测；然后推迟2个月取1年的数据继续超参数优化，重复对后2个月进行回测，如此滚动。这种方法可以更好地模拟实际交易中的动态调整过程。

在banbot中，实现这一过程的命令如下：

banbot.o bt_opt -review-period 12M -run-period 2M -opt-rounds 20 -picker score

如何选择最优参数？

在滚动优化回测结束后，会得到一个包含每次优化日志的文件夹。每个log文件记录了一次超参数优化的结果。例如：

# run hyper optimize: bayes, rounds: 20
# date range: 2021-01-01 00:00:00 - 2021-12-27 00:00:00
============== freqtrade:Strategy001/5m/ =============
loss:  -81.15  bigRate: 2.02, lenSml: 19.49, midRate: 2.38  odNum: 195, profit: 109.7%, drawDown: 18.2%, sharpe: 6.89
...

从组合报告来看，如果直接选择分数最高的参数组进行回测，整体收益可能反而较差。因此，需要采用更合理的参数选择策略。

不同参数选择策略的效果对比

文章测试了多种参数选择策略，包括选择所有收益为正的参数组的平均值（goodAvg）和选择盈利参数中排名30%位置的参数组（good3）。结果显示，good3策略在保持低回撤的情况下，能够获得更高的收益。

结论

通过滚动优化回测，可以有效避免超参数优化过拟合的问题。在选择参数时，应该避免直接选择分数最高的参数组，而是采用更稳健的策略，如good3。这种方法能够在保持低回撤的同时，获得更高的收益。

想对你的策略进行滚动优化测试吗？试试banbot！