9、贝叶斯优化调优：贝叶斯优化原理、高斯过程、采集函数（EI、PI、UCB）、贝叶斯优化流程、贝叶斯优化的优缺点
做基差交易策略调优，最头疼的是什么？
我猜你会说——参数太多，跑一次回测又慢。网格搜索？太笨。随机搜索？碰运气。有没有一种方法，能像老交易员一样，根据历史经验，聪明地选择下一个最值得尝试的参数？
有，就是贝叶斯优化。说白了，它就是用概率模型来指导搜索，让你少走弯路。我在做股指期货跨期套利时，用这个方法把参数调优时间从三天压缩到了半天。今天咱们就把它拆开揉碎了讲清楚。
9.1 贝叶斯优化原理：用概率说话
贝叶斯优化的核心思想，其实就一句话：用已知的观测结果，去推断未知位置的表现，并决定下一步该往哪走。
你想想看，我们调参时，每次回测得到一个夏普比率或年化收益，这就是一个“观测点”。贝叶斯优化会把这些点当成“证据”，然后构建一个概率模型，告诉我们：参数空间里每个点，大概能跑出什么结果，以及这个结果有多不确定。
我个人习惯把它比作“钓鱼”。你钓了几条鱼（观测点），就知道哪个区域鱼多（均值高），哪个区域还没试过（不确定性大）。下一步，你是继续在鱼多的地方钓，还是去未知区域碰碰运气？贝叶斯优化就是帮你做这个决策的。
核心公式（理解即可）：
后验概率 ∝ 似然 × 先验概率
在调参场景下：P(参数|观测数据) ∝ P(观测数据|参数) × P(参数)
我们不断用新观测数据更新后验，后验又成为下一步的先验。这就是“贝叶斯更新”。
9.2 高斯过程：贝叶斯优化的“大脑”
高斯过程（GP）是贝叶斯优化的核心模型。它不直接告诉你某个参数点会出什么结果，而是给出一个概率分布——包括均值（预测值）和方差（不确定性）。
举个例子。假设我们只测试了参数组合A和B，分别得到夏普比率1.2和1.5。高斯过程会推断出：
- 在A和B附近，预测值比较可靠（方差小）
- 在远离A和B的地方，预测值不确定（方差大）
- 整个参数空间，每个点都有一个“预测值±不确定性”的区间
我在项目中遇到过一个问题：参数空间有10个维度，高斯过程训练一次要很久。后来我改用Matern核函数代替RBF核，计算速度快了不少，效果也没差太多。嗯，这里要注意，核函数的选择会影响GP的平滑假设，别盲目用默认的。
我的经验：如果参数维度超过20，纯高斯过程会变得很慢。可以先用随机搜索跑几十个点，再用这些点初始化GP，能省不少时间。
9.3 采集函数：EI、PI、UCB
高斯过程给出了“地图”，但下一步往哪走，需要采集函数来决定。常用的有三种，我分别说说。
9.3.1 EI（Expected Improvement，期望提升）
EI计算的是：在某个参数点，预期能比当前最优值提升多少。它既考虑预测值的高低，也考虑不确定性的大小。
公式长这样（不用背）：
EI(x) = (μ(x) - f*) * Φ(z) + σ(x) * φ(z)
其中 z = (μ(x) - f*) / σ(x)
f* 是当前最优值，Φ是正态CDF，φ是正态PDF说白了，EI会倾向于选择“可能比当前好，而且不确定性大”的点。我个人习惯用EI，因为它平衡了探索和利用，在大多数基差交易策略调参中表现稳定。
9.3.2 PI（Probability of Improvement，提升概率）
PI只关心“比当前最优值好的概率”，不关心好多少。公式很简单：
PI(x) = Φ((μ(x) - f*) / σ(x))PI的缺点是容易陷入局部最优。为什么？因为它只看概率，不看幅度。一个点有60%概率提升0.01，另一个点有40%概率提升0.5，PI会选前者。我曾经在螺纹钢跨期套利上吃过这个亏，后来就很少用PI了。
9.3.3 UCB（Upper Confidence Bound，上置信界）
UCB的思路更直接：
UCB(x) = μ(x) + κ * σ(x)κ是一个超参数，控制探索程度。κ越大，越倾向于探索不确定性大的区域；κ越小，越倾向于利用已知的好区域。
我建议刚开始调参时，把κ设大一点（比如2.0），多探索；后期再调小（比如0.5），精细搜索。这个技巧我在做铁矿石基差策略时验证过，效果不错。
| 采集函数 | 特点 | 适用场景 | 我的推荐 |
|---|---|---|---|
| EI | 平衡探索与利用 | 大多数情况 | ⭐⭐⭐⭐⭐ |
| PI | 容易陷入局部最优 | 已知最优区域很明确 | ⭐⭐ |
| UCB | 可调节探索程度 | 需要控制探索力度 | ⭐⭐⭐⭐ |
9.4 贝叶斯优化流程：一步步来
整个流程其实不复杂，我把它总结成5步：
- 初始化：随机采样几个参数点，跑回测，得到初始观测数据。我一般取5-10个点。
- 构建GP模型：用观测数据训练高斯过程，得到整个参数空间的预测均值和方差。
- 最大化采集函数：在参数空间里找到采集函数值最大的点，作为下一个候选参数。
- 评估候选点：用这个参数跑回测，得到新的观测值。
- 更新模型：把新观测值加入数据集，重新训练GP。回到第2步，直到达到预设的迭代次数或时间。
下面这张图展示了整个流程，我建议你保存下来，调参时对照着看：
9.5 贝叶斯优化的优缺点
任何方法都有两面性，贝叶斯优化也不例外。我根据自己的实战经验，给你列个清单：
优点
- 样本效率高：相比网格搜索，通常少跑80%的回测就能找到接近最优的参数。我在做豆粕基差策略时，只跑了50次就找到了不错的参数组合。
- 能处理非凸问题：目标函数有多个局部最优时，贝叶斯优化依然能有效搜索。这一点比梯度下降强多了。
- 自带不确定性估计：GP给出的方差，可以告诉你哪些区域还没探索够，哪些区域已经比较确定。
- 对噪声鲁棒：回测结果本身有随机性（比如滑点、成交率），GP模型能很好地处理这种噪声。
缺点
- 计算开销随维度增长：参数维度超过20时，GP的训练和预测会变得很慢。我曾经在30维参数空间上跑贝叶斯优化，一次迭代要等5分钟，后来不得不降维。
- 对核函数敏感：选错了核函数，模型可能完全偏离真实情况。我建议多试几种核函数，比如RBF、Matern、周期核。
- 不适合离散参数：如果参数是离散的（比如选择哪种止损方式），贝叶斯优化的效果会打折扣。
- 需要一定的调参经验：采集函数的选择、κ值的设定、GP的初始化，这些都需要经验。新手可能会觉得有点玄学。
避坑指南：我曾经在参数空间边界附近吃过亏。贝叶斯优化倾向于在已知好点的附近搜索，容易忽略边界区域。我的做法是：在初始化时，刻意把边界点也采样几个，让GP知道边界的情况。
好了，贝叶斯优化这块就讲到这里。记住，它不是一个“一键调优”的魔法工具，而是一个需要你理解原理、结合经验的辅助方法。用好了，它能帮你省下大量时间；用不好，它也可能带你绕弯路。多试几次，找到适合你策略的那套配置。
一句话总结：贝叶斯优化 = 高斯过程（画地图） + 采集函数（指方向） + 迭代更新（一步步走）。
公众号:蓝海资料掘金营，微信deep3321