第二十七讲：做市算法参数优化——网格搜索、贝叶斯优化、遗传算法、在线学习与自适应参数调整

做市算法的参数调优，说白了就是给策略找一套最舒服的“姿势”。

我刚开始做做市的时候，总觉得参数设得越精细越好。后来被市场狠狠教育了几次才明白——参数不是越复杂越好，而是越“适应”越好。今天咱们就把几种主流的参数优化方法掰开揉碎了聊一聊。

一、参数优化的本质问题

做市策略的参数，比如报价深度、价差宽度、库存阈值、撤单频率等等，它们之间是相互耦合的。你调高了一个参数，可能另一个参数的效果就变了。

我习惯把参数优化看作一个“黑盒寻优”问题：

• 输入：一组参数向量 θ = (θ₁, θ₂, ..., θₙ)
• 输出：某个评价指标，比如夏普比率、PnL、库存风险等
• 目标：找到使评价指标最优的那组参数

但这里有个坑——做市策略的评价函数通常是非凸的、多峰的，甚至带噪声。所以简单的梯度下降法基本没用。

二、网格搜索（Grid Search）

网格搜索是最朴素的方法。你把每个参数的可能取值列出来，然后穷举所有组合，跑一遍回测，选最好的。

我在项目中遇到过这种情况：一个策略有5个参数，每个参数取10个值，那就是10⁵ = 10万次回测。如果一次回测需要1分钟，那就是将近70天。嗯，显然不现实。

适用场景：

• 参数数量少（≤3个）
• 参数取值范围明确
• 回测速度快

# 网格搜索示例（伪代码）
import itertools

param_grid = {
    'spread_multiplier': [0.5, 1.0, 1.5, 2.0],
    'order_size': [100, 200, 500, 1000],
    'max_inventory': [500, 1000, 2000]
}

best_score = -float('inf')
best_params = None

for spread, size, inv in itertools.product(
    param_grid['spread_multiplier'],
    param_grid['order_size'],
    param_grid['max_inventory']
):
    score = backtest(spread, size, inv)
    if score > best_score:
        best_score = score
        best_params = (spread, size, inv)

三、贝叶斯优化（Bayesian Optimization）

贝叶斯优化比网格搜索聪明得多。它不会盲目地试所有组合，而是根据已有的结果，推测哪里可能更优，然后“有目的”地去试。

说白了，它像是一个有经验的交易员——试了几次之后，大概知道哪个方向可能赚钱，就往那个方向多试试。

核心思想：

• 用高斯过程（GP）建模目标函数的后验分布
• 用采集函数（如EI、UCB）决定下一个采样点
• 在探索（exploration）和利用（exploitation）之间平衡

# 使用scikit-optimize进行贝叶斯优化
from skopt import gp_minimize
from skopt.space import Real, Integer

def objective(params):
    spread_mult, order_size, max_inv = params
    return -backtest(spread_mult, order_size, max_inv)  # 最小化负收益

space = [
    Real(0.5, 2.0, name='spread_multiplier'),
    Integer(100, 1000, name='order_size'),
    Integer(500, 2000, name='max_inventory')
]

result = gp_minimize(objective, space, n_calls=50, random_state=42)
print("最优参数:", result.x)
print("最优得分:", -result.fun)

四、遗传算法（Genetic Algorithm）

遗传算法模拟了自然选择的过程。你想想看，一群参数组合就像一群生物，好的基因（参数）会遗传下去，差的会被淘汰。

基本流程：

1. 初始化：随机生成一批参数组合（种群）
2. 评估：计算每个个体的适应度（回测得分）
3. 选择：适应度高的个体有更大概率被选中
4. 交叉：选中的个体交换部分参数（类似基因重组）
5. 变异：以一定概率随机改变某些参数
6. 迭代：重复2-5步，直到收敛

# 遗传算法核心逻辑（简化版）
import random

def genetic_algorithm(pop_size=50, generations=30):
    # 初始化种群
    population = [random_params() for _ in range(pop_size)]
    
    for gen in range(generations):
        # 评估适应度
        scores = [backtest(p) for p in population]
        
        # 选择（轮盘赌）
        selected = []
        for _ in range(pop_size):
            idx = random.choices(range(pop_size), weights=scores, k=1)[0]
            selected.append(population[idx])
        
        # 交叉和变异
        new_population = []
        for i in range(0, pop_size, 2):
            p1, p2 = selected[i], selected[i+1]
            child1 = crossover(p1, p2)
            child2 = crossover(p2, p1)
            child1 = mutate(child1, mutation_rate=0.1)
            child2 = mutate(child2, mutation_rate=0.1)
            new_population.extend([child1, child2])
        
        population = new_population
    
    # 返回最优个体
    best_idx = max(range(pop_size), key=lambda i: backtest(population[i]))
    return population[best_idx]

五、在线学习与自适应参数调整

前面几种方法都是离线优化——你先跑回测，找到最优参数，然后上线用。但市场是动态的，今天的最优参数，明天可能就变成最差的了。

所以，真正的做市系统需要在线学习能力。我把它叫做“边做边学”。

自适应调整的常见方法：

• 滑动窗口重优化：每隔一段时间（比如每小时），用最近的数据重新跑一次优化
• 在线梯度下降：根据实时反馈，对参数做微调
• 强化学习：把参数调整看作一个动作，用Q-learning或策略梯度来学习
• 贝叶斯在线学习：用贝叶斯方法实时更新参数的后验分布

# 滑动窗口自适应调整示例
class AdaptiveMarketMaker:
    def __init__(self, window_size=1000):
        self.window_size = window_size
        self.data_buffer = []
        self.current_params = self.initial_params()
    
    def on_tick(self, tick):
        self.data_buffer.append(tick)
        if len(self.data_buffer) > self.window_size:
            self.data_buffer.pop(0)
        
        # 每500个tick重新优化一次
        if len(self.data_buffer) % 500 == 0:
            self.optimize_params()
    
    def optimize_params(self):
        # 用最近的数据做贝叶斯优化
        result = gp_minimize(
            lambda p: -self.backtest_on_buffer(p),
            self.param_space,
            n_calls=20
        )
        self.current_params = result.x

六、四种方法的对比与选择

方法	适用参数数量	计算成本	全局搜索能力	在线适应性
网格搜索	1-3	低（但随参数数量指数增长）	中等	差
贝叶斯优化	3-10	中等	好	中等（可扩展为在线版本）
遗传算法	5-20	高	非常好	差（通常离线使用）
在线学习	1-5（实时调整）	低（每次调整）	依赖基础方法	非常好

我个人习惯的组合方式是：先用遗传算法做一次全局搜索，找到大致的最优区域；然后用贝叶斯优化在这个区域做精细调优；最后上线时，配合在线学习做实时微调。这样既保证了全局最优性，又兼顾了实时适应性。

七、知识体系图

下面这张图展示了参数优化的完整知识体系，以及各种方法之间的关系：

---

无相订单流研究社 微信Lucian808555