16、多目标优化：多目标优化问题定义、Pareto前沿、加权求和法、NSGA-II算法、多目标调优实践

做基差交易策略调优，最头疼的是什么？

不是参数太多，而是你发现——收益和回撤，天生就是一对冤家。

你调高杠杆，收益上去了，回撤也跟着飙升。你收紧止损，回撤控制住了，收益又缩水了。这就是典型的多目标优化问题。今天我们就来聊聊，怎么在多个互相打架的目标之间，找到那个最舒服的平衡点。

16.1 多目标优化问题定义

先给个定义。多目标优化，说白了就是同时优化多个目标函数。在基差交易里，常见的优化目标有：

  • 最大化年化收益率
  • 最小化最大回撤
  • 最大化夏普比率
  • 最小化交易成本

这些目标之间，往往是冲突的。你不可能让所有目标都达到最优。这就是多目标优化的核心难点——没有绝对的最优解，只有折中解。

数学定义：

给定决策变量 x，优化目标函数 f₁(x), f₂(x), ..., fₙ(x)，在约束条件下，找到一组解，使得所有目标函数尽可能好。

我在项目中遇到过最典型的例子：一个螺纹钢跨期套利策略，参数调优时，年化收益从12%提到18%，但最大回撤从3%飙到了8%。你说哪个好？这得看你的风险承受能力。所以，多目标优化的本质，是帮你在帕累托前沿上做选择。

16.2 Pareto前沿

Pareto前沿，也叫帕累托最优边界。这个概念其实不复杂。

假设有两个解 A 和 B。如果 A 在所有目标上都优于或等于 B，并且至少有一个目标严格优于 B，那我们就说 A 支配 B。所有不被其他解支配的解，就构成了Pareto前沿。

举个例子。你调优一个豆粕基差策略，得到三组参数：

参数组 年化收益 最大回撤
方案A 15% 4%
方案B 18% 6%
方案C 12% 3%

你看，A、B、C 之间互不支配。A收益比C高，但回撤也比C大。B收益最高，但回撤也最大。这三个方案都在Pareto前沿上。你选哪个？取决于你的偏好。

我的经验：在实际调优中，我一般会先跑出Pareto前沿，然后根据资金曲线和实盘感受，选一个自己最舒服的点。别迷信数学最优，交易是门艺术。

16.3 加权求和法

加权求和法是最直观的多目标处理方法。把多个目标加权成一个综合指标：

综合得分 = w₁ * 收益 - w₂ * 回撤 + w₃ * 夏普比率

权重 w₁、w₂、w₃ 由你设定。比如你特别在意回撤，就把 w₂ 设大一点。

听起来很简单对吧？但这里有个坑——目标量纲不同。收益是百分比，回撤也是百分比，但夏普比率是比值。直接加权，权重意义不明确。

我曾经踩过的坑：一开始直接用原始值加权，结果夏普比率权重设了0.3，收益权重设了0.5，但夏普比率数值小，几乎没起作用。后来我改成先归一化，再加权，效果就好多了。

归一化方法：

归一化值 = (原始值 - 最小值) / (最大值 - 最小值)

这样所有目标都在0到1之间，权重才有实际意义。

16.4 NSGA-II算法

加权求和法有个问题——你只能得到一个解。如果你想看整个Pareto前沿，就得反复调权重，效率很低。这时候，NSGA-II就派上用场了。

NSGA-II 是「非支配排序遗传算法」的第二版。它一次运行，就能找到一组分布在Pareto前沿上的解。核心思想就两步：

  1. 非支配排序：把种群分成不同层级，Pareto前沿上的解排第一层，被支配的解排后面。
  2. 拥挤度计算：在同一层级里，优先保留那些分布稀疏的解，保证解的多样性。

说白了，NSGA-II 就是在「找好解」和「找不同的好解」之间做平衡。我习惯用 Python 的 pymoo 库来实现：

from pymoo.algorithms.moo.nsga2 import NSGA2
from pymoo.optimize import minimize
from pymoo.core.problem import ElementwiseProblem

class MyProblem(ElementwiseProblem):
    def __init__(self):
        super().__init__(n_var=3, n_obj=2, xl=[0,0,0], xu=[1,1,1])
    
    def _evaluate(self, x, out, *args, **kwargs):
        # 假设三个参数：开仓阈值、止损比例、仓位比例
        threshold, stop_loss, position = x
        # 这里调用你的回测函数
        ret, drawdown = backtest(threshold, stop_loss, position)
        out["F"] = [-ret, drawdown]  # 收益取负，因为pymoo默认最小化

algorithm = NSGA2(pop_size=100)
res = minimize(MyProblem(), algorithm, termination=('n_gen', 50))

跑完之后，res.F 就是Pareto前沿上的所有解。你可以画个散点图，一目了然。

注意：NSGA-II 是启发式算法，每次运行结果可能略有不同。建议多跑几次，取稳定解。

16.5 多目标调优实践

理论说完了，来点实战。我拿一个真实的铁矿石基差套利策略举例。

策略参数有三个：

  • 开仓阈值：基差偏离多少时开仓（0.5% ~ 2.0%）
  • 止损比例：亏损多少止损（0.5% ~ 3.0%）
  • 持仓周期：最长持有天数（5 ~ 20天）

优化目标两个：最大化年化收益、最小化最大回撤。

我用了NSGA-II，种群大小200，迭代100代。结果如下：

方案 开仓阈值 止损比例 持仓周期 年化收益 最大回撤
P1 1.2% 1.5% 12天 16.3% 4.1%
P2 0.8% 2.0% 15天 19.7% 6.8%
P3 1.5% 1.0% 8天 13.2% 2.9%

这三个方案都在Pareto前沿上。我个人习惯选P1——收益不错，回撤可控。P2收益高但回撤大，适合激进型。P3回撤小但收益低，适合保守型。

避坑指南：我曾经直接选了P2，结果实盘遇到一次极端行情，回撤直接超了历史最大值。从那以后，我选参数都会留点安全边际，比如在Pareto前沿上选一个回撤比预期小20%的点。

最后，多目标优化不是一劳永逸的。市场在变，参数也要跟着调。我建议每季度重新跑一次NSGA-II，看看Pareto前沿有没有漂移。

嗯，多目标优化就聊到这儿。记住一句话：没有完美的策略，只有适合你的折中。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →