第21章 Scikit-optimize实战

21、Scikit-optimize实战：BayesSearchCV、空间定义、回调函数、并行搜索、结果可视化

各位做量化交易的朋友，今天我们来聊聊参数调优的终极武器——Scikit-optimize。说实话，我刚开始做基差交易策略时，参数调优全靠手动试，那叫一个痛苦。后来接触到贝叶斯优化，才算是找到了正路。

这一章，我带你手把手过一遍BayesSearchCV的完整流程。从空间定义到并行搜索，再到结果可视化，咱们一步到位。

21.1 为什么是贝叶斯优化？

先说说为什么不用网格搜索。网格搜索说白了就是穷举，把所有参数组合都试一遍。你想想看，如果参数空间是5维的，每维10个值，那就是10万次组合。我当年在回测一个螺纹钢基差策略时，网格搜索跑了整整两天，结果发现最优参数在边界上——白费功夫。

贝叶斯优化就不一样了。它像是个聪明的猎手，先试探几个点，然后根据结果推测哪里可能有猎物，再重点搜索。效率高得多，通常只需要网格搜索1/10的计算量就能找到差不多的最优解。

核心思想：贝叶斯优化通过构建概率代理模型（通常是高斯过程），来估计目标函数在未知点的表现，然后通过采集函数（如EI、PI、UCB）决定下一个采样点。

21.2 BayesSearchCV实战

好，咱们直接上代码。我用的是scikit-optimize库里的BayesSearchCV，它和sklearn的GridSearchCV接口几乎一样，上手很快。

from skopt import BayesSearchCV
from skopt.space import Real, Integer, Categorical
from sklearn.ensemble import RandomForestRegressor
import numpy as np

# 假设我们有一个基差交易策略的评估函数
# 返回夏普比率作为目标值
def evaluate_strategy(ma_short, ma_long, stop_loss, position_size):
    # 这里省略具体策略逻辑
    # 返回一个模拟的夏普比率
    return np.random.uniform(0.5, 2.0)

# 定义参数空间
search_spaces = {
    'ma_short': Integer(5, 50, name='ma_short'),
    'ma_long': Integer(20, 200, name='ma_long'),
    'stop_loss': Real(0.01, 0.05, name='stop_loss'),
    'position_size': Categorical([0.1, 0.2, 0.3, 0.5], name='position_size')
}

# 创建贝叶斯搜索对象
opt = BayesSearchCV(
    estimator=None,  # 这里我们用自定义评估函数
    search_spaces=search_spaces,
    n_iter=50,       # 迭代次数
    cv=3,            # 交叉验证折数
    n_jobs=-1,       # 使用所有CPU核心
    verbose=1,
    random_state=42
)

嗯，这里要注意一点。BayesSearchCV默认是配合sklearn估计器用的，但咱们做量化策略时，往往需要自定义评估函数。我个人的做法是包装成一个伪估计器，或者直接用skopt.gp_minimize。

我的经验：在实盘策略中，我建议先用少量迭代（比如20次）快速探索，找到大致区域后，再在这个区域做精细搜索。这样效率最高。

21.3 空间定义的艺术

参数空间定义得好不好，直接决定了优化效果。我见过太多人随便给个范围就开始跑，结果浪费大量计算资源。

参数类型	适用场景	示例
Integer	离散整数参数，如均线周期	Integer(5, 50)
Real	连续实数参数，如止损比例	Real(0.01, 0.05, prior='log-uniform')
Categorical	类别参数，如入场信号类型	Categorical(['均线突破', '布林带', 'RSI'])

这里有个坑，我当年踩过。对于止损比例这类参数，用均匀分布（uniform）其实不太合理。因为0.01到0.02之间的差异，和0.04到0.05之间的差异，对策略的影响是完全不同的。这时候应该用对数均匀分布（log-uniform），让搜索更关注小值区域。

# 正确的做法
search_spaces = {
    'stop_loss': Real(1e-2, 5e-2, prior='log-uniform'),
    'take_profit': Real(1e-2, 1e-1, prior='log-uniform')
}

21.4 回调函数：让搜索更智能

回调函数是BayesSearchCV里一个很实用的功能。你可以用它来监控搜索进度、提前停止、或者保存中间结果。

from skopt.callbacks import EarlyStopper, VerboseCallback

# 自定义回调：记录每次迭代的最佳结果
class ResultLogger:
    def __init__(self):
        self.results = []
    
    def __call__(self, res):
        self.results.append({
            'iter': len(self.results),
            'best_score': res.fun,
            'best_params': res.x
        })
        # 每10次迭代打印一次
        if len(self.results) % 10 == 0:
            print(f"第{len(self.results)}次迭代，当前最佳：{res.fun:.4f}")

# 使用回调
logger = ResultLogger()
early_stopper = EarlyStopper(n_jobs=1, n_points=10, min_iter=20)

# 在优化中使用
result = gp_minimize(
    evaluate_strategy,
    dimensions=search_spaces,
    n_calls=50,
    callback=[logger, early_stopper],
    random_state=42
)

我曾经在一个股指期货的跨期套利策略中，用回调函数实现了动态调整搜索范围。当发现某个参数区域表现明显差时，自动缩小搜索范围，节省了大约30%的计算时间。

注意：EarlyStopper要慎用。它可能会在找到真正最优解之前就停止。我建议设置一个较大的min_iter，确保至少探索了足够多的点。

21.5 并行搜索：让多核CPU跑起来

做量化的人，时间就是金钱。并行搜索能让你充分利用多核CPU，大幅缩短调优时间。

# 方法1：使用n_jobs参数
opt = BayesSearchCV(
    ...,
    n_jobs=-1,  # 使用所有核心
    n_points=4  # 每次并行评估4个点
)

# 方法2：使用joblib后端
from joblib import Parallel, delayed
import multiprocessing

def parallel_evaluate(params):
    return evaluate_strategy(**params)

# 手动并行
n_cores = multiprocessing.cpu_count()
results = Parallel(n_jobs=n_cores)(
    delayed(parallel_evaluate)(params) 
    for params in candidate_params
)

这里有个细节要注意。并行搜索不是越多越好。如果每次评估时间很短（比如小于1秒），并行带来的通信开销反而会拖慢速度。我一般建议每次评估时间在5秒以上时，才开启并行。

21.6 结果可视化：一眼看出最优参数

跑完优化，光看数字是不够的。可视化能帮你直观理解参数之间的关系。

from skopt.plots import plot_convergence, plot_objective, plot_evaluations
import matplotlib.pyplot as plt

# 假设result是优化返回的结果对象
# 1. 收敛曲线
plot_convergence(result)
plt.title('优化收敛过程')
plt.show()

# 2. 目标函数等高线图
plot_objective(result, dimensions=['ma_short', 'ma_long', 'stop_loss'])
plt.show()

# 3. 参数评估分布
plot_evaluations(result, dimensions=['ma_short', 'ma_long', 'stop_loss'])
plt.show()

我个人最常用的是plot_objective。它能显示每个参数对目标函数的影响，以及参数之间的交互效应。比如，你可能会发现ma_short和ma_long之间存在明显的协同效应——两者都取中间值时效果最好。

实战技巧：看收敛曲线时，如果曲线在最后10次迭代还在明显下降，说明迭代次数不够，需要增加n_iter。如果曲线早就平了，那就可以提前停止。

21.7 知识体系总览

下面这张图，是我自己总结的贝叶斯优化在基差交易中的应用框架。你看一眼就能明白整个流程。

这张图把整个流程串起来了。从参数空间定义开始，经过贝叶斯优化的核心循环，再到并行搜索和回调控制，最后输出可视化结果。每一步都环环相扣。

21.8 完整实战代码

最后，我给你一个可以直接用的完整示例。这是我做螺纹钢基差策略时用的模板，你改改参数就能用。

from skopt import gp_minimize
from skopt.space import Integer, Real, Categorical
from skopt.utils import use_named_args
from skopt.plots import plot_convergence, plot_objective
import numpy as np
import matplotlib.pyplot as plt

# 定义参数空间
space = [
    Integer(5, 50, name='ma_short'),
    Integer(20, 200, name='ma_long'),
    Real(1e-2, 5e-2, prior='log-uniform', name='stop_loss'),
    Categorical([0.1, 0.2, 0.3, 0.5], name='position_size')
]

# 装饰器：将参数列表转为命名参数
@use_named_args(space)
def objective(**params):
    # 这里放你的策略评估逻辑
    # 返回负的夏普比率（因为gp_minimize是最小化）
    sharpe = evaluate_strategy(**params)
    return -sharpe  # 最小化负夏普 = 最大化夏普

# 执行优化
result = gp_minimize(
    objective,
    dimensions=space,
    n_calls=50,
    n_initial_points=10,
    acq_func='EI',  # Expected Improvement
    random_state=42,
    verbose=True
)

# 输出结果
print(f"最优参数：{dict(zip(['ma_short','ma_long','stop_loss','position_size'], result.x))}")
print(f"最优夏普比率：{-result.fun:.4f}")

# 可视化
fig, ax = plt.subplots(1, 2, figsize=(12, 4))
plot_convergence(result, ax=ax[0])
plot_objective(result, ax=ax[1])
plt.tight_layout()
plt.show()

避坑指南：我曾经犯过一个错误——在目标函数里用了随机种子但没有固定。结果每次评估结果都不一样，贝叶斯优化完全找不到规律。记住，评估函数必须是确定性的，或者至少固定随机种子。

好了，这一章的内容就到这里。贝叶斯优化是个好东西，但也不是万能药。它适合参数空间中等大小（5-20维）、每次评估时间较长的场景。如果你的参数空间特别大，或者评估特别快，那可能还是随机搜索更合适。

做量化交易，工具是死的，人是活的。多试、多调、多总结，慢慢你就能找到感觉。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

21、Scikit-optimize实战：BayesSearchCV、空间定义、回调函数、并行搜索、结果可视化

21.1 为什么是贝叶斯优化？

21.2 BayesSearchCV实战

21.3 空间定义的艺术

21.4 回调函数：让搜索更智能

21.5 并行搜索：让多核CPU跑起来

21.6 结果可视化：一眼看出最优参数

21.7 知识体系总览

21.8 完整实战代码