第十一章：粒子群优化调优

粒子群优化，英文叫 Particle Swarm Optimization，简称 PSO。这名字听着挺唬人，其实说白了，就是模拟一群鸟找食物的过程。每只鸟都不知道食物在哪，但它们会互相交流，共享信息，最终整个鸟群都能找到食物。

我最早接触 PSO 是在做股指期货的跨期套利时。当时网格搜索跑了一整夜，结果还不理想。后来换成 PSO，十分钟就找到了不错的参数组合。嗯，从那以后，我就把这方法当成了调参的标配。

粒子群算法的核心思想

想象一下，你有一群粒子，每个粒子代表一组参数。比如在基差交易中，一个粒子可能包含「开仓阈值=0.8，止损比例=2%，持仓周期=5天」这三个参数。

这些粒子在参数空间里飞来飞去。每个粒子都有自己的位置和速度。位置就是当前参数值，速度决定了下一步往哪飞。

关键来了——每个粒子会记住两件事：

• 个体最优：自己飞过的最好位置
• 全局最优：整个群体中最好的位置

粒子每次移动，都会参考这两个信息。说白了，就是既相信自己过去的经验，也借鉴同伴的成功经验。

粒子速度与位置更新

速度更新是 PSO 的灵魂。我习惯把速度理解成「调整的幅度和方向」。正值表示往参数增大的方向飞，负值表示往减小的方向飞。

举个例子，假设当前开仓阈值是 0.8，个体最优是 0.85，全局最优是 0.9。那么速度更新公式中的「个体学习」部分会推动粒子往 0.85 方向移动，「群体学习」部分会推动往 0.9 方向移动。两者合力，粒子就会朝着 0.85~0.9 之间的某个位置飞去。

位置更新就简单了，直接在当前位置上加上速度向量。嗯，这里要注意一点：参数是有边界的。比如止损比例不能是负数，持仓周期不能超过 30 天。我一般会在位置更新后加一个边界检查，把超出范围的参数拉回来。

惯性权重

惯性权重，英文叫 inertia weight，是控制粒子「探索」和「开发」平衡的关键参数。

• 惯性权重大：粒子倾向于保持原有方向，探索新区域的能力强
• 惯性权重小：粒子容易被拉向最优位置，局部搜索能力强

我个人的习惯是让惯性权重随时间递减。一开始设大一点，比如 0.9，让粒子充分探索参数空间。随着迭代次数增加，逐渐降到 0.4，让粒子精细搜索最优区域。

为什么会这样？你想想看，刚开始时我们不知道最优参数在哪，需要广撒网。到了后期，已经找到了不错的区域，就该收网了。

局部最优与全局最优

这两个概念是 PSO 的核心。全局最优是整个群体找到的最好位置，局部最优是每个粒子自己找到的最好位置。

但这里有个陷阱——「全局最优」其实只是当前找到的最好位置，不一定是真正的全局最优。算法可能陷入局部最优，就是所有粒子都聚集在一个不是最好的区域里。

怎么避免？我常用的方法有：

• 增加粒子数量：粒子越多，覆盖的参数空间越大
• 引入变异机制：随机让一些粒子跳出现有位置
• 多起点初始化：让粒子初始位置均匀分布在参数空间

我记得有一次做螺纹钢的基差策略调优，粒子群全部收敛到了一个局部最优，年化收益只有 8%。后来我增加了粒子数量，从 20 个增加到 50 个，结果找到了一个年化 15% 的参数组合。嗯，多花点计算时间，值！

粒子群调优实践

好了，理论说完了，咱们直接上代码。下面是一个完整的 PSO 调优示例，用于优化基差交易策略的三个参数。

import numpy as np

# 策略评估函数（模拟）
def evaluate_strategy(params):
    threshold, stop_loss, hold_days = params
    # 这里应该是你的回测逻辑
    # 返回夏普比率作为适应度
    sharpe = - (threshold - 0.8)**2 - (stop_loss - 0.02)**2 - (hold_days - 5)**2
    return sharpe + np.random.normal(0, 0.1)  # 加一点噪声模拟市场随机性

# PSO 参数
n_particles = 30
n_iterations = 50
w_start = 0.9  # 初始惯性权重
w_end = 0.4    # 最终惯性权重
c1 = 2.0       # 个体学习因子
c2 = 2.0       # 群体学习因子

# 参数边界
bounds = np.array([
    [0.5, 1.0],    # 开仓阈值
    [0.01, 0.05],  # 止损比例
    [1, 10]        # 持仓周期
])

# 初始化粒子
positions = np.random.uniform(bounds[:, 0], bounds[:, 1], (n_particles, 3))
velocities = np.random.uniform(-0.1, 0.1, (n_particles, 3))
personal_best = positions.copy()
personal_best_scores = np.array([evaluate_strategy(p) for p in positions])
global_best = personal_best[np.argmax(personal_best_scores)]
global_best_score = np.max(personal_best_scores)

# 主循环
for iteration in range(n_iterations):
    w = w_start - (w_start - w_end) * iteration / n_iterations
    
    for i in range(n_particles):
        # 更新速度
        r1, r2 = np.random.random(3), np.random.random(3)
        velocities[i] = (w * velocities[i] + 
                        c1 * r1 * (personal_best[i] - positions[i]) + 
                        c2 * r2 * (global_best - positions[i]))
        
        # 更新位置
        positions[i] = positions[i] + velocities[i]
        
        # 边界处理
        positions[i] = np.clip(positions[i], bounds[:, 0], bounds[:, 1])
        
        # 评估
        score = evaluate_strategy(positions[i])
        
        # 更新个体最优
        if score > personal_best_scores[i]:
            personal_best[i] = positions[i].copy()
            personal_best_scores[i] = score
            
            # 更新全局最优
            if score > global_best_score:
                global_best = positions[i].copy()
                global_best_score = score
    
    if iteration % 10 == 0:
        print(f"迭代 {iteration}: 全局最优得分 = {global_best_score:.4f}")

print(f"\n最优参数: 阈值={global_best[0]:.3f}, 止损={global_best[1]:.3f}, 持仓={int(global_best[2])}天")
print(f"最优得分: {global_best_score:.4f}")

PSO 调优的完整流程

下面这张图展示了 PSO 调优的完整流程，从初始化到最终输出最优参数：

这个流程看起来简单，但实际应用中要注意几个细节：

• 适应度函数设计：不要只用收益率，我一般用夏普比率或卡玛比率，这样能找到风险调整后的最优参数
• 早停机制：如果连续 10 次迭代全局最优都没变化，可以提前终止，节省计算时间
• 多次运行：PSO 有随机性，我习惯跑 5~10 次，取最优结果

好了，粒子群优化调优的内容就这些。说白了，PSO 就是让一群「参数粒子」在参数空间里飞，互相学习，最终找到最优解。这个方法比网格搜索高效得多，尤其适合参数多、范围大的场景。

我个人建议，刚开始用 PSO 时，先跑一个简单的测试案例，把惯性权重、学习因子这些参数调明白。等熟悉了，再应用到实际的基差交易策略中。嗯，实践出真知，多试几次就找到感觉了。

---