第24章做市商策略优化

第24章做市商策略优化：参数调优方法

做市商策略写好了，参数怎么设？

说实话，这是我在实战中踩坑最多的地方。策略逻辑再漂亮，参数不对，照样亏钱。今天我就把几种主流的参数调优方法掰开揉碎讲清楚。

24.1 参数调优的核心思路

做市商策略的参数，说白了就是一堆数字。比如报价深度、价差宽度、库存上限、调整频率等等。这些数字设大了不行，设小了也不行。

我个人的习惯是：先理解每个参数的业务含义，再谈优化。你想想看，如果你连参数是干什么的都不知道，调优就是瞎蒙。

核心原则：参数调优不是找最优解，而是找稳健解。市场变了，参数也得跟着变。

24.2 网格搜索与随机搜索

最朴素的方法，就是网格搜索。把所有参数的可能取值列出来，挨个试一遍。

# 网格搜索示例
param_grid = {
    'spread_bps': [5, 10, 15, 20],
    'depth_lots': [10, 20, 50, 100],
    'max_inventory': [100, 200, 500]
}

best_params = None
best_sharpe = -np.inf

for spread in param_grid['spread_bps']:
    for depth in param_grid['depth_lots']:
        for inv in param_grid['max_inventory']:
            sharpe = backtest(spread, depth, inv)
            if sharpe > best_sharpe:
                best_sharpe = sharpe
                best_params = (spread, depth, inv)

但问题来了——参数一多，组合数爆炸。比如上面只有3个参数，每个参数4个值，就有64种组合。如果参数增加到10个，你算算看？

所以我后来改用随机搜索。随机采样，效率高很多。我记得有一次做ETH做市商策略，网格搜索跑了三天，随机搜索半天就找到了差不多的结果。

我的经验：随机搜索在参数空间大时，比网格搜索快10倍以上。而且结果往往不差。

24.3 贝叶斯优化

贝叶斯优化，说白了就是「聪明地试」。它不会盲目搜索，而是根据之前的结果，推测哪里可能更好。

我刚开始接触贝叶斯优化时，觉得这东西太玄乎。后来用了一次，真香。

from skopt import gp_minimize

def objective(params):
    spread, depth, inv = params
    return -backtest(spread, depth, inv)  # 最小化负夏普

res = gp_minimize(
    objective, 
    dimensions=[(5, 20), (10, 100), (100, 500)],
    n_calls=50,
    random_state=42
)

print(f"最优参数: {res.x}")
print(f"最优夏普: {-res.fun}")

贝叶斯优化的核心是高斯过程。它会建立一个「猜测模型」，告诉你每个参数组合大概能得多少分，以及这个猜测有多不确定。然后它会在「可能高分」和「不确定区域」之间做平衡。

嗯，这里要注意：贝叶斯优化对连续参数效果好，离散参数效果一般。我踩过这个坑。

避坑指南：我曾经用贝叶斯优化调一个离散参数（比如订单簿档位），结果收敛到局部最优。后来改成连续参数+取整，效果才好起来。

24.4 遗传算法参数搜索

遗传算法，模拟生物进化。把参数组合看成「基因」，通过交叉、变异、选择，一代代进化出更好的参数。

我个人觉得，遗传算法适合参数多、关系复杂的场景。比如同时优化10个参数，贝叶斯优化可能吃力，但遗传算法还能打。

# 遗传算法伪代码
population = init_population(100)  # 100组参数

for generation in range(50):
    fitness = [evaluate(ind) for ind in population]
    
    # 选择：保留前20%
    parents = select_top(population, fitness, 0.2)
    
    # 交叉：随机配对
    offspring = crossover(parents, rate=0.7)
    
    # 变异：随机扰动
    offspring = mutate(offspring, rate=0.1)
    
    # 新种群
    population = parents + offspring

我记得有一次做跨交易所套利策略，参数有15个。用网格搜索根本不可能，贝叶斯优化也跑不动。最后用遗传算法，跑了200代，找到了不错的参数组合。

关键点：遗传算法的交叉率和变异率很敏感。我一般设交叉率0.7-0.8，变异率0.05-0.1。太高了容易震荡，太低了容易早熟。

24.5 在线学习与自适应策略

前面几种方法都是离线调优——用历史数据跑一遍，找到好参数，然后固定下来。

但市场是变化的。去年好用的参数，今年可能就废了。所以我们需要在线学习，让策略自己适应市场。

说白了，就是让策略边交易边学习。我常用的方法有两种：

滑动窗口重优化：每N笔交易后，用最近的数据重新跑一次贝叶斯优化
在线梯度下降：把参数看成可学习的权重，用梯度更新

# 滑动窗口重优化示例
class AdaptiveMarketMaker:
    def __init__(self, window_size=1000):
        self.window_size = window_size
        self.trades = []
        self.params = [10, 50, 200]  # 初始参数
        
    def on_trade(self, trade):
        self.trades.append(trade)
        
        if len(self.trades) >= self.window_size:
            # 用最近的数据重新优化
            recent_data = self.trades[-self.window_size:]
            self.params = bayesian_optimize(recent_data)
            print(f"参数已更新: {self.params}")

自适应策略的好处是能跟上市场节奏。但坏处是——如果市场突然剧烈波动，策略可能过度反应。

我曾经遇到过一次：2020年3月12日，比特币暴跌。我的自适应策略看到亏损，疯狂调整参数，结果越调越亏。后来我加了「冷却期」——参数更新后，至少等100笔交易再更新。

血的教训：在线学习一定要加约束。比如参数变化不能超过20%，或者更新频率不能太高。否则策略会「学歪」。

24.6 知识体系总览

下面这张图，是我自己整理的做市商策略参数调优知识体系。你可以把它当成地图，随时回来看看。

24.7 实战建议

说了这么多，到底怎么选？我给出一个简单的决策流程：

先用手动调优：理解每个参数的影响，找到大致范围
再用贝叶斯优化：在范围内精细搜索，找到候选参数
最后加在线学习：让策略自适应，但一定要加约束

我自己的做市商策略，现在就是这套流程。每周跑一次贝叶斯优化，每天用滑动窗口微调。效果嘛，夏普从1.2提到了1.8。

一个小技巧：参数调优时，别只看夏普比率。还要看最大回撤、交易次数、库存周转率。有时候夏普高但回撤大，实盘根本扛不住。

好了，参数调优就讲到这里。记住一句话：没有万能参数，只有不断适应的策略。市场在变，你的参数也得跟着变。

📚 课程目录