遗传算法与暴力搜索在EA回测中的选型实战指南
遗传算法与暴力搜索在EA回测中的选型实战指南
上个月有个做澳美货币对的朋友半夜发消息给我，语气挺急的。他刚入手一套马丁格尔EA，在MT4策略测试器里用默认参数跑2019年至今的数据，回测结果漂亮得吓人，盈利因子2.8，最大回撤才6%。结果他往Exness的实时账户上一挂，三天就爆了仓。他问我是不是平台数据源有问题，我让他把回测报告里「建模质量」那一栏截图发过来，果不其然——显示的是「Every tick based on real ticks」旁边的「0.00%」。这家伙用了一整晚的暴力搜索，连个像样的tick数据都没喂进去。
这事其实特别典型。很多EA交易者以为回测就是「把参数丢进去，点一下开始」，然后盯着漂亮的权益曲线自我陶醉。但回测的本质是「用历史数据模拟未来」，你选的优化算法直接决定了这个模拟结果的可信度。今天我就把遗传算法和暴力搜索这两条路掰开揉碎讲清楚，顺便说说我在XM和Exness不同品种上踩过的坑。
暴力搜索：简单粗暴，但代价藏在细节里
暴力搜索（Brute Force）的逻辑很直白：你设定每个参数的取值范围和步长，程序把所有组合全部跑一遍。比如你优化移动平均线的周期，从5到50，步长5，那就是10个值；再叠加一个止损距离，从100到500，步长50，又是9个值。两两组合就是90次回测。听起来不多，但如果你的EA有四个参数，每个参数取10个值，那就是一万次回测。
我在测试一个双均线突破策略时干过这事，参数范围稍微放宽一点，总回测次数直接飙到六万多次。MT4策略测试器跑一次完整历史数据大约需要40秒，六万次就是28天。我当时用的是VPS上的四核处理器，连续跑了三天三夜，最后拿到结果的时候，我已经不想再看任何均线了。
暴力搜索的优势是结果完全可复现，每个参数组合都被真实测试过，不存在「漏网之鱼」。但它的致命伤在于计算成本呈指数级增长。而且有个隐藏陷阱：参数步长设得越细，越容易过拟合。我见过有人把步长设成1，优化出某个特定周期是27，而26和28的表现都很差——这种「尖峰型」参数组合，实盘基本就是灾难。
注意：如果你决定用暴力搜索，一定要先在「输入参数」面板里勾选「优化」选项，然后在「优化」标签页选择「全部数据」而不是「部分数据」。我见过不少人默认用了「部分数据」，结果只回测了最近三个月，样本量根本不够。
遗传算法：进化论式搜索，省时但有概率风险
遗传算法（Genetic Algorithm）的思路是模拟生物进化。它不会跑完所有组合，而是随机生成一批「染色体」（也就是参数组合），评估适应度（比如盈利因子），然后让表现好的组合「交配」产生下一代，加上一些随机变异，如此迭代多代。
这玩意儿省时间是真的。还是上面那个双均线策略，六万次暴力搜索要跑三天，遗传算法我设了种群大小50，迭代20代，总共才1000次回测，一个下午就出结果。但代价是：你永远无法保证找到的是全局最优解，可能只是局部最优。更麻烦的是，遗传算法的随机种子会影响最终结果——同样的参数范围，第一次跑出周期32，第二次跑出周期35，我都遇到过。
在MT4里用遗传算法，有个关键开关叫「优化方法」，默认为「遗传算法」。如果你用的是MT5，在策略测试器的「优化」标签页里，可以勾选「遗传算法」并设置「最大迭代次数」和「种群大小」。我建议种群大小不要低于30，迭代次数不要低于10，否则搜索空间太小，结果跟随机猜差不多。
我在XM的贵金属CFD品种上测试过一套黄金EA，用遗传算法优化时发现一个有意思的现象：默认参数下盈利因子只有0.8，但把「变异率」从0.1调整到0.05之后，盈利因子直接跳到1.5。原因是变异率太高导致后代频繁跳出优质区域，反而破坏了收敛。如果你发现遗传算法结果不稳定，先检查变异率，别急着换算法。
两种算法的实战选择：看品种，看参数维度
实操中我的选择逻辑是这样的：如果参数不超过3个，且每个参数的取值范围不大（比如步长5以内），直接暴力搜索，结果最可靠。如果参数超过4个，或者取值范围很大，就用遗传算法，但要做两轮验证——第一轮用遗传算法粗筛出几个候选区域，第二轮在这些区域附近用暴力搜索精确定位。
举个例子，我在Exness的裸点账户上优化一个趋势跟踪EA，涉及三个参数：ATR周期、均线偏移量、止损倍数。Exness的品种命名带后缀「.r」，比如EURUSD.r，合约规格和标准账户一样，点差模式是裸点。我用遗传算法粗筛，种群50，迭代15代，花了两个小时锁定了一个参数区域。然后在这个区域附近用暴力搜索，步长细化，再跑一个小时，最终得到的参数组合在2018年至今的回测里盈利因子2.1，最大回撤11%。这个结果比纯遗传算法的1.7和14%都要好。
但如果你做的是XM的股票CFD品种，比如Apple，就得注意合约参数的差异。XM的股票CFD点值计算和外汇不一样，最小交易量是0.1手，每手对应100股。这种品种波动特征完全不同，你用遗传算法优化出来的参数，很可能在另一个品种上水土不服。我建议每个品种单独跑一次优化，别偷懒直接套用。
回测数据里那些容易被忽略的坑
不管用哪种算法，回测数据本身的质量决定了结果的上限。MT4策略测试器默认用「每个tick基于真实tick」模式，但前提是你下载了完整的tick数据。很多人在Exness的MT4上没勾选「下载tick数据」，结果回测用的都是插值生成的模拟tick，这种数据跑出来的结果，在实盘上基本没法看。
另一个坑是「点差」设置。Exness的裸点账户点差很低，但回测时如果你用的是标准账户的点差数据，优化出来的EA在裸点账户上可能因为点差假设过高而过于保守，错失一些本可以盈利的入场机会。反过来，如果你用裸点账户的点差去回测，实盘换到标准账户，点差变宽，策略可能直接亏钱。
我在测试时发现，把点差设置从「当前」改成「自定义」，并输入一个略高于正常水平的数值（比如EURUSD设1.2点），优化出来的参数在实盘里表现更稳健。这算是一种「压力测试」思路，能过滤掉那些对点差极度敏感的脆弱参数。
历史数据里有一个比较典型的例子：某次欧洲央行决议前，欧元兑美元波动率骤降，ATR指标持续收窄，一套基于ATR突破的EA在回测里表现很好，但实盘遇到这种低波动环境，连续触发了十几个假突破，亏损不小。回测数据里这种「低波动期」其实不少，但如果你只优化最近几个月的数据，很容易忽略。
部署阶段的最后一道防线
优化完参数，别急着上实盘。先在VPS上跑一周的模拟盘（Demo），观察EA在实时行情下的表现是否和回测一致。我用的VPS是腾讯云的轻量服务器，2核2G配置，跑MT4加上一个EA绰绰有余。但如果你同时跑多个EA，或者用MT5回测，建议至少4核8G，否则CPU占用率一高，回测速度会明显下降。
我在部署时遇到过MT4提示「TradeContextBusy」的报错，排查了半天发现是VPS内存不足导致DLL调用失败。后来把虚拟内存从2G调到4G，问题就解决了。这种小问题在论坛里经常有人问，但真正引起重视的不多。
最后说一句：回测优化只是EA开发的一个环节，参数再漂亮，也替代不了实盘监控和动态调整。你在用遗传算法或者暴力搜索的时候，有没有遇到过参数优化结果和实盘表现差距特别大的情况？在评论区聊聊，我看看能不能帮你排查一下。
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。