第19章 Optuna实战

第19章：Optuna实战：安装配置、目标函数与搜索空间

说实话，做量化交易这几年，我调参调得最多的就是基差策略。以前用网格搜索，那叫一个痛苦——参数一多，组合爆炸，跑一宿都出不来结果。后来接触到Optuna，嗯，这玩意儿确实香。今天我就把Optuna这套东西掰开揉碎了讲给你听。

19.1 安装与配置：别踩这些坑

安装Optuna其实很简单，一行命令搞定：

pip install optuna

但我建议你用conda环境，尤其是做回测的时候。我曾经在系统Python里直接装，结果跟numpy版本冲突，折腾了俩小时。后来学乖了，专门建个虚拟环境：

conda create -n optuna_env python=3.9
conda activate optuna_env
pip install optuna pandas numpy matplotlib

这里有个小细节——如果你要用TPE算法（后面会讲），建议装个额外的依赖：

pip install optuna[plotly]

这样可视化效果会好很多。我个人习惯把Optuna跟Jupyter Notebook配合使用，边调边看结果，效率高。

注意：Windows用户如果遇到安装报错，多半是C++编译环境问题。去装个Microsoft Visual C++ Redistributable就能解决。

19.2 定义目标函数：核心中的核心

目标函数是什么？说白了，就是你要优化的那个东西。在基差交易里，我们通常优化夏普比率或年化收益率。

来看个实际例子。假设我们有个简单的基差策略，参数就两个：zscore_threshold（开仓阈值）和lookback_window（回看窗口）。目标函数长这样：

import optuna
import numpy as np

def objective(trial):
    # 定义参数
    zscore_threshold = trial.suggest_float('zscore_threshold', 1.0, 3.0)
    lookback_window = trial.suggest_int('lookback_window', 10, 60)
    
    # 模拟回测（这里简化了）
    sharpe = backtest_strategy(zscore_threshold, lookback_window)
    
    return sharpe  # Optuna默认最大化

你可能会问：为什么返回值是夏普比率而不是收益率？嗯，我在项目里吃过亏——单纯优化收益率，容易过拟合出极端参数。夏普比率考虑了风险调整，结果更稳健。

小技巧：如果想让Optuna最小化某个指标（比如最大回撤），在返回值前面加个负号就行：return -max_drawdown

19.3 定义搜索空间：别太贪心

搜索空间就是参数的范围。Optuna支持好几种类型：

参数类型	函数	适用场景
连续型	suggest_float	阈值、比例等
离散型	suggest_int	窗口长度、次数等
类别型	suggest_categorical	策略模式、合约选择等

举个例子，我有个策略需要选择是近月还是远月合约：

contract_type = trial.suggest_categorical('contract_type', ['near', 'far'])

这里有个经验之谈——搜索空间别设太大。我曾经把lookback_window设成1到200，结果Optuna花了大量时间在无效区域探索。后来我根据经验缩到10到60，效果反而更好。你想想看，参数范围越合理，找到最优解的速度就越快。

19.4 优化器选择：TPE vs CMA-ES

Optuna内置了好几种优化算法，最常用的就两个：TPE和CMA-ES。

TPE（Tree-structured Parzen Estimator）：这是Optuna的默认算法。它的思路是——先随机采样一批参数，然后根据结果好坏，把参数空间分成"好区域"和"差区域"，接下来重点在好区域里采样。

我个人特别喜欢TPE，原因很简单：它处理离散参数和条件参数特别顺手。比如你的策略有时候用均线，有时候用布林带，TPE能自动处理这种"如果A则B"的逻辑。

CMA-ES（Covariance Matrix Adaptation Evolution Strategy）：这个算法更"暴力"一些。它通过不断调整参数分布的协方差矩阵来逼近最优解。适合连续型参数多、参数之间关联性强的情况。

怎么选？我一般这样判断：

参数少于10个，且包含离散参数 → 用TPE
参数全是连续型，且超过10个 → 用CMA-ES
不确定？先用TPE跑100次看看结果

代码上切换很简单：

# 默认TPE
study = optuna.create_study(direction='maximize')

# 指定CMA-ES
study = optuna.create_study(sampler=optuna.samplers.CmaEsSampler(), direction='maximize')

  避坑指南：我曾经在参数维度很高（20+）的时候用了TPE，结果收敛特别慢。换成CMA-ES后，虽然每次迭代计算量大了点，但整体收敛速度反而更快。

19.5 可视化结果：一眼看出好坏

跑完优化，光看数字可不行。Optuna的可视化功能很强大，我常用的就这几个：

1. 优化历史图：看看每次迭代的目标值变化

optuna.visualization.plot_optimization_history(study)

2. 参数重要性图：哪个参数对结果影响最大？一目了然

optuna.visualization.plot_param_importances(study)

3. 平行坐标图：看参数组合与目标值的关系

optuna.visualization.plot_parallel_coordinate(study)

我一般先看参数重要性图。如果某个参数重要性接近0，说明这个参数设成啥都差不多，下次优化可以直接固定住，减少搜索维度。

下面这张图展示了Optuna调参的核心流程，我画了个简图帮你理解：

跑完优化后，记得用study.best_params查看最优参数组合：

print("最佳参数:", study.best_params)
print("最佳夏普:", study.best_value)

我的习惯：每次优化完，我会把study对象保存下来，方便以后复盘：joblib.dump(study, 'optuna_study.pkl')

好了，Optuna这套东西其实不复杂。核心就三步：定义目标函数、划好搜索空间、选对优化器。剩下的交给算法去跑就行。你只要记住——参数范围别太贪心，可视化结果多看看，基本不会出大问题。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录