第八讲：随机搜索调优——当穷举法遇上随机性

网格搜索听起来很完美，对吧？把所有参数组合都试一遍，总能找到最优解。但我在实盘交易中遇到过一个问题：当参数空间超过3维时，网格搜索的计算量会爆炸式增长。你想想看，如果每个参数取10个值，5个参数就是10万次回测——这还不算交叉验证。

这时候，随机搜索就派上用场了。说白了，它就是在参数空间里随机撒点，用更少的计算资源找到足够好的解。嗯，这里要注意：随机搜索不是瞎蒙，它背后有扎实的数学原理。

随机搜索原理

随机搜索的核心思想很简单：在参数空间中随机采样，评估每个样本点的性能，然后选择最优的。但为什么这种方法有效？

我个人的理解是：大多数优化问题中，好的参数区域只占整个空间的一小部分。网格搜索会把大量计算浪费在"坏区域"的精细扫描上，而随机搜索则能更快地覆盖到"好区域"。

我在做基差交易策略时，遇到过参数空间高达8维的情况。如果用网格搜索，每个参数取10个值，那就是1亿次回测。我的笔记本直接罢工了。改用随机搜索后，5000次采样就找到了不错的参数组合。

随机采样策略

随机搜索不是简单地用均匀分布采样。不同的采样策略会影响搜索效率。我常用的几种策略：

采样策略	适用场景	我的经验
均匀采样	参数范围明确，无先验知识	最常用，简单可靠
对数均匀采样	参数跨度大（如学习率1e-5到1e-1）	做止损参数时必用
拉丁超立方采样	需要更好的空间覆盖	高维参数空间效果显著
自适应采样	已有部分好结果，想聚焦搜索	第二阶段调优常用

举个例子，如果你要优化基差交易中的持仓周期参数，范围是1到100天。用均匀采样，每个值被选中的概率相同。但如果你觉得最优值可能在10天以内，可以用对数均匀采样，让短周期有更高的采样密度。

# 对数均匀采样示例
import numpy as np

def log_uniform_sample(low, high, size):
    """在log空间均匀采样"""
    log_low = np.log(low)
    log_high = np.log(high)
    return np.exp(np.random.uniform(log_low, log_high, size))

# 采样100个持仓周期参数
samples = log_uniform_sample(1, 100, 100)
print(f"采样范围: {samples.min():.1f} - {samples.max():.1f}")
print(f"中位数: {np.median(samples):.1f}")

随机搜索 vs 网格搜索

这个问题我经常被问到。直接说结论：在低维空间（≤3维），网格搜索更好；在高维空间，随机搜索完胜。

为什么会这样？我画个图你就明白了。

看到没？网格搜索在9个点上均匀分布，但只有1个点落在最优区域附近。随机搜索用了12个点，有2个点直接命中了最优区域。这就是随机搜索的威力——同样的计算量，覆盖效率更高。

随机搜索的收敛性

收敛性这个问题，说白了就是：随着采样次数增加，找到的解会不会越来越接近全局最优？答案是肯定的，但有个前提——采样必须覆盖整个参数空间。

我曾经犯过一个错误：在调优基差交易策略的开仓阈值参数时，我把采样范围设得太窄，结果找到了一个局部最优，但错过了真正的全局最优。后来我学乖了，先用大范围粗搜，再在小范围精搜。

随机搜索的收敛速度可以用一个公式描述：

P(找到ε-最优解) ≥ 1 - (1 - δ)^n

其中：
- ε: 可接受的误差范围
- δ: 最优区域占整个参数空间的比例
- n: 采样次数

这个公式告诉我们：收敛速度取决于最优区域的大小，而不是参数空间的维度。这就是为什么随机搜索在高维空间依然有效。

随机搜索的实践技巧

做了这么多年量化交易，我总结了几条随机搜索的实战技巧：

1. 先粗后精：先用大范围采样100-200次，找到有希望的区域，再缩小范围精细搜索。
2. 多阶段搜索：我习惯分3个阶段——粗搜（500次）、精搜（200次）、微调（50次）。
3. 使用随机种子：固定随机种子，确保结果可复现。不然你找到好参数后，下次跑不出来了。
4. 并行化采样：随机搜索天然适合并行。我经常用多进程同时跑几十个回测。
5. 记录所有结果：不要只记最优解，把所有采样点的参数和性能都记下来。这些数据对后续分析很有用。

# 带约束的随机搜索示例
def constrained_random_search(param_ranges, constraints, n_iter=1000):
    best_score = -np.inf
    best_params = None
    
    for i in range(n_iter):
        # 采样参数
        params = {name: np.random.uniform(low, high) 
                  for name, (low, high) in param_ranges.items()}
        
        # 检查约束
        if not all(constraint(params) for constraint in constraints):
            continue
        
        # 评估性能
        score = evaluate_strategy(params)
        
        if score > best_score:
            best_score = score
            best_params = params.copy()
    
    return best_params, best_score

# 约束条件示例：止损比例不能大于持仓周期的1%
constraints = [
    lambda p: p['stop_loss'] < p['holding_period'] * 0.01
]

嗯，最后说一句：随机搜索不是万能药。如果你的参数空间非常小（比如只有2-3个参数），网格搜索可能更直接。但面对高维、复杂的参数优化问题，随机搜索绝对是你的得力助手。

我在实盘交易中，80%的参数调优都是用随机搜索完成的。它帮我节省了大量时间，而且找到的参数组合往往比网格搜索更稳定——因为随机搜索天然避免了过拟合到网格点上的风险。

---

公众号:蓝海资料掘金营，微信deep3321