EA回测参数优化指南：遗传算法与暴力搜索的适用场景对比
EA回测参数优化指南：遗传算法与暴力搜索的适用场景对比
很多人第一次打开MT5策略测试器的「优化」标签页时，会习惯性勾上遗传算法，觉得它快、省时间。但统计规律表明，在参数维度少于4个、每个参数候选值不超过20个的场景里，暴力搜索的总耗时往往并不比遗传算法差多少——尤其当单次回测本身只有几秒钟的时候。真正拉开差距的是参数空间规模：一旦组合数上到六位数，遗传算法的采样优势才开始显现。问题在于，很多人并不清楚自己的参数空间到底有多大，也不知道遗传算法在什么条件下会「漏掉」最优解。
先算清楚你的参数空间有多大
优化方式的选择本质上是个组合数学问题。假设一个EA有止损、止盈、均线周期、ATR倍数、交易时段共5个参数，每个参数给10个候选值，总组合数就是10的5次方，即100000次回测。若单次回测耗时3秒，暴力搜索需要约83小时。这个数字摆在面前，选择就清楚了。
实操中我习惯先写一段伪代码估算规模：
- 组合数 N = ∏(每个参数的候选值个数)
- 预估总耗时 T = N × 单次回测平均秒数
- 若 T 超过可接受窗口（比如一个周末），才考虑遗传算法
注意：MT5优化器面板会直接显示「总组合数」，别急着点开始，先看一眼这个数字。常见错误是把连续型参数（如止损）按0.1的步长铺满区间，组合数瞬间爆炸，而实际上相邻步长的结果差异可能完全落在滑点噪声里。
遗传算法的采样逻辑与它的盲区
遗传算法不是随机撒点。它通过选择、交叉、变异三代操作，让「适应度」高的参数组合繁殖下一代。适应度函数默认是优化目标，比如最大化净利润或最小化回撤。这里有个关键细节：遗传算法的种群规模和代数决定了它探索的广度，参数配置里「种群大小」设得太小（比如默认的16），很容易早熟收敛到局部最优。
示例参数（非真实回测结果）：种群大小64，代数50，交叉概率0.9，变异概率0.1。这个配置适合5到8个参数的场景。若参数更多，种群应相应放大。
遗传算法的盲区在于适应度地形不连续时表现差。比如一个EA同时包含趋势过滤和逆势加仓逻辑，参数间存在强交互，适应度曲面出现多个孤岛峰值，遗传算法可能整代都困在其中一个岛上。暴力搜索虽然慢，但它保证不漏。
常见错误：把遗传算法跑出来的「最优参数」直接上实盘。优化器报告里的最优组合往往是过拟合的产物，尤其当优化目标单一（只看净利润）时。
两种搜索方式该怎么搭配
我的做法是分层。先用遗传算法在粗网格上跑一轮，锁定表现好的参数区域，再用暴力搜索在该区域做细网格精扫。这相当于先做全局定位，再做局部勘探。粗网格的步长可以大一些，比如均线周期按10递增，精扫时再按2递减。
参数配置上，粗扫阶段把「优化目标」设为自定义指标，比如净利润除以最大回撤（类似Calmar比率），而不是单纯净利润。细扫阶段则固定其他参数，只对1到2个核心参数做暴力遍历，观察适应度曲线是否平滑。曲线平滑说明参数稳健，出现尖峰则要警惕。
回测方法上，数据区间要覆盖至少两种市场状态。举例来说，一段趋势明显的区间加一段震荡区间，各取两年以上历史数据。评价指标至少看三个：净利润、最大回撤、交易次数。交易次数过少（比如少于100笔）的优化结果统计意义不足，直接丢弃。
经纪商品种命名差异会污染优化结果
这一点常被忽略。同一套参数在不同经纪商的品种命名下，点值和合约规格可能不同。比如XM、Exness、IC Markets、Pepperstone对黄金、指数的后缀命名各有习惯，有的带后缀字母，有的不带。若EA里硬编码了品种名，优化时可能因为找不到符号而静默跳过部分交易，导致优化结果失真。
部署前建议在代码里做符号适配，伪代码逻辑：
- 读取经纪商实际品种列表
- 用模糊匹配（如包含「XAU」）定位黄金品种
- 将匹配到的符号写入EA全局变量，供后续下单调用
具体后缀规则以经纪商官网公布为准，不要凭记忆写死。常见错误是优化时用的品种名和实盘账户不一致，回测曲线漂亮，上线后一笔单都发不出去。
优化之后还有一道坎
优化器给出的参数只是候选。真正决定是否可用的是样本外检验：把数据区间切成前后两段，用前段优化，后段验证。后段表现与前段偏离过大的参数组合，一律不用。这一步没有捷径，暴力搜索和遗传算法都逃不掉。
核心建议只有一句：先算组合数再选搜索方式，优化结果必须过样本外验证这一关，否则再快的算法也只是在拟合历史噪声。
免责声明：本文仅代表作者观点，不构成任何投资建议。市场有风险，交易需谨慎。
