第十二章：模拟退火调优——从“热锅上的蚂蚁”到“精准落子”

说到参数调优，很多朋友第一反应就是网格搜索或者随机搜索。这两种方法简单粗暴，但有个致命伤——容易陷入局部最优。就像你爬山，爬到一个小山头就以为到顶了，其实旁边还有更高的山峰。

今天聊的模拟退火，就是专门解决这个问题的。它的灵感来自冶金学里的退火工艺——先把金属加热到高温，再慢慢冷却，让原子有足够时间找到能量最低的排列。说白了，就是先让参数“乱跑”，再慢慢“收网”。

12.1 模拟退火原理——热力学给量化交易的礼物

模拟退火算法模拟的是固体退火过程。高温时，粒子动能大，可以自由移动；温度降低，粒子逐渐稳定在低能态。对应到参数调优：

• 状态 = 一组参数组合（比如均线周期、止损比例）
• 能量 = 目标函数值（比如夏普比率、年化收益）
• 温度 = 控制参数搜索的“随机性”

我刚开始接触这个算法时，总觉得它像个“醉汉走路”——明明找到了好参数，还要故意往坏的方向走。后来才明白，这正是它的高明之处。

12.2 温度衰减函数——降温的节奏很重要

温度怎么降，直接决定了算法能不能找到好参数。常见的衰减方式有几种：

衰减方式	公式	特点
指数衰减	T = T₀ × α^k	最常用，α通常取0.8~0.99
线性衰减	T = T₀ - k × ΔT	降温太快，容易陷入局部最优
对数衰减	T = T₀ / ln(1 + k)	降温慢，理论上能保证收敛到全局最优

我个人习惯用指数衰减，α取0.95左右。为什么？因为前期降温快一点可以快速排除明显不好的区域，后期降温慢一点可以在好区域精细搜索。你想想看，这跟交易里“先大周期定方向，再小周期找入场”是一个道理。

12.3 Metropolis准则——接受差解的智慧

这是模拟退火最核心的部分。简单说：

• 如果新参数比旧参数好（能量更低），100%接受
• 如果新参数比旧参数差，以概率 P = exp(-ΔE / T) 接受

其中ΔE是能量差（新解减旧解），T是当前温度。温度高时，P接近1，差解也容易被接受；温度低时，P接近0，基本只接受好解。

嗯，这里要注意：ΔE是负的（新解更差），所以exp(-ΔE/T) = exp(|ΔE|/T)，这个值在0到1之间。我刚开始写代码时搞反了符号，结果算法一直在接受差解，永远不收敛。调试了一下午才发现。

# Metropolis准则的Python实现
def metropolis(old_energy, new_energy, temperature):
    if new_energy < old_energy:
        return True  # 新解更好，直接接受
    else:
        delta = new_energy - old_energy
        probability = np.exp(-delta / temperature)
        return np.random.random() < probability

12.4 模拟退火在参数调优中的应用

拿基差交易举个例子。假设我们要优化三个参数：

• 入场阈值（基差偏离均值的标准差倍数）：1.0 ~ 3.0
• 止损倍数（ATR的倍数）：1.5 ~ 4.0
• 持仓周期（交易日数）：5 ~ 30

目标函数是夏普比率。模拟退火的流程：

1. 随机初始化一组参数，计算夏普比率
2. 在当前参数附近随机扰动，得到新参数
3. 用Metropolis准则判断是否接受新参数
4. 按衰减函数降低温度
5. 重复2-4步，直到温度降到接近0

我记得有一次做螺纹钢的基差策略，网格搜索跑了整整一个周末，结果还不如模拟退火跑3小时找到的参数好。为什么？因为网格搜索的步长是固定的，很容易跳过最优区域；而模拟退火在好区域会自动加密搜索。

12.5 调优技巧——让模拟退火更实用

做了这么多年参数调优，我总结了几条实战技巧：

• 初始温度怎么定？ 先跑几十次随机搜索，看目标函数值的波动范围。初始温度设为这个范围的10倍左右。比如夏普比率波动在0.5~1.5之间，初始温度设10~15。
• 扰动步长要自适应： 温度高时步长大，温度低时步长小。我一般用 T / T₀ × 初始步长 来控制。
• 多次运行取最优： 模拟退火有随机性，跑一次可能运气不好。我习惯跑5~10次，取最好的结果。
• 结合局部搜索： 模拟退火结束后，再用爬山法在最优解附近精细搜索一下。这叫“退火+精炼”，效果很好。

12.6 模拟退火流程图

下面这张图展示了模拟退火的核心逻辑，我画得比较简洁，方便你理解整个流程：

这张图把整个流程串起来了。你从“初始化”开始，沿着箭头走一遍，就能理解模拟退火是怎么一步步找到好参数的。说白了，就是“先乱跑，再收网”。

---