程序员量化交易实战 13：给策略参数做第一版网格搜索

有了指标以后，可以开始比较参数。

第 13 篇先做最朴素的网格搜索：短均线窗口、长均线窗口、仓位比例三类参数组合起来，每组跑一次回测，然后按评分排序。它不聪明，但透明、可复现，适合作为后面大模型辅助策略研究的基线。

先不要急着让模型改策略

参数搜索最容易变成过拟合。

所以第一版先把过程写得足够清楚：候选参数怎么生成，哪些组合被过滤，评分怎么算，结果怎么排序。

参数候选

第 13 章新增 app/parameter_search.py。

@dataclass(frozen=True)
class ParameterCandidate:
    short_window: int
    long_window: int
    position_ratio: float

候选生成时会过滤无效组合：

if short_window <= 1 or long_window <= short_window:
    continue
if not 0 < position_ratio <= 1:
    continue

这能避免出现短窗口大于长窗口、仓位比例为 0 或超过 100% 这类明显无意义参数。

每组参数都跑同一套回测

搜索函数会遍历候选参数：

backtest = run_signal_backtest(
    symbol,
    all_bars,
    initial_cash=initial_cash,
    position_ratio=params.position_ratio,
    short_window=params.short_window,
    long_window=params.long_window,
)
metrics = compute_performance_metrics(backtest.equity_curve, backtest.trades, initial_cash, backtest.max_drawdown)

这样第 10 篇的回测和第 12 篇的指标就串起来了。

评分要惩罚风险和无交易

当前评分函数很简单：

def score_search_result(result: ParameterSearchResult) -> float:
    metrics = result.metrics
    drawdown_penalty = abs(metrics.max_drawdown) * 0.5
    turnover_penalty = max(0.0, metrics.turnover - 4.0) * 0.02
    trade_penalty = 0.01 if metrics.trade_count == 0 else 0.0
    return round(metrics.total_return - drawdown_penalty - turnover_penalty - trade_penalty, 6)

它不会保证最优，但能表达一个工程态度：收益不是唯一目标，深回撤、高换手和无交易候选都应该被扣分。

本章更新与代码仓库

本章更新内容：

• 新增 app/parameter_search.py。
• 实现参数网格生成、候选回测、指标计算、风险惩罚评分和结果 payload。
• 新增 tests/test_parameter_search.py，覆盖无效参数过滤、排序和空数据边界。

代码仓库：

https://github.com/ax2/zi-quant-platform

本章代码：

git clone https://github.com/ax2/zi-quant-platform.git
cd zi-quant-platform
git checkout chapter-13
uv sync --extra dev
uv run pytest tests/test_parameter_search.py

第 13 章全量测试通过：179 passed，仍只有既有 FastAPI deprecation warning。

本篇小结

参数搜索不是为了榨出漂亮收益，而是为了让策略候选的产生过程可复查。

第 13 篇把参数候选、回测、指标和排序串起来。下一篇把候选结果保存成实验记录，为后面的策略晋升做准备。