理论上说，历史测试最优的参数，在未来的表现同样最优的几率微乎其微，那么我们该如何对系统测试出的最优参数呢？ 我现在是这样做的：先分别测试出每一年的最优参数，然后用这个参数测试其他年份的最大回撤、收益率，这样得到一组二维的表格，把各组参数测试结果中历年表现最不稳定、收益最小、回撤最大（三者之间用“or”）的去除掉，得到表现相对稳定的几组，把这几组参数分别用在同一模型中，把这些模型（不同参数的同一模型，相当于不同的模型）叠加起来使用。 在参数优化方面，哪位还有更好的办法？请指点一二，多谢！
这是个有趣的话题，说实在话，也是一个也很困难的话题。我觉得如果系统或者算法本身不行的话，怎么优化参数都没有用，就跟一个非正期望值的系统，怎么做资金管理，都很难把这个系统变成正的是一样道理的。所以，假设我们讨论的是一个有正期望值的系统。 我现在在自己的系统里是这么做的： 首先，不管一个系统是简单还是复杂，不管你叫它做model，Algo，structure，strategy，system或者任何什么东西，从本质上，我把它看成一个函数，它的形式是这样的： Action=f(P, D); 其中： Action是函数的产出，是一个买卖的信号（在这里假设我们不去考虑position sizing的问题）; D是市场的数据，这是由市场决定的，我们无法做任何改变； P是一个参数组，假设P={p1,p2,p3,p4....}，由我们自己来设置，修改，优化。 我的做法就是把P这个参数组看成基因，然后我用遗传算法，对{p1,p2,p3,p4....}进行一代又一代的优化，最后产生一个比较稳定而高质量的参数组——说起来跟袁隆平培育超级水稻有点像。 当然，细节还会比这个复杂一点，因为遗传算法经常会导致参数组过度优化，或者收敛在局部最优，所以还需要一些措施来矫正。
“遗传算法是计算数学中用于解决最优化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。 遗传算法通常实现为一种计算机模拟。对于一个最优化问题，一定数量的候选解（称为个体）的抽象表示（称为染色体）的种群向更好的解进化。传统上，解用二进制表示（即0和1的串），但也可以用其他表示方法。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中，整个种群的适应度被评价，从当前种群中随机地选择多个个体（基于它们的适应度），通过自然选择和突变产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。” http://zh.wikipedia.org/zh-cn/遗传算法
30^6=7亿2千9百万。 每组几千个，按一千个算。 30^6*1000=7千2百9十亿。。。 1天24小时，86400秒 每秒速度=7千2百9十亿/86400=8百4十3万8千每秒 你那是什么算法啊？
你讨厌～～害得人家的心激动的扑通扑通的:o ------------------------------------------ 运用熵率，以及最大熵，我倒是把部分算法的浮点运算效率提高了8*10^8倍，但是我发现，还是差点儿事儿。