在使用机械系统进行期货外汇交易时，往往会有两种声音。一种是要优化策略的参数，希望取得更好的绩效；相反的一种观点认为，参数优化只是匹配历史数据，会增加过拟合的风险。那么在StrategyQuant 中关于参数优化是如何进行，又有什么作用呢？
优化器 Optimizer
优化器的作用简而言之，就是为策略寻找最合适的参数，如策略中使用的进出场指标的周期参数，入场单（Stop类型）的突破波动率的倍数，止损止盈有关参数等。
最佳参数的选取，取决于我们设定的优化目标。
Simple，为简单优化，是用全部历史数据来寻找最合适的参数；
Walk-forward，字面意思是前行（优化），意即用移动向前的方式去优化参数。其优化步骤大概是这样的，将全部历史数据分成N段，譬如5段；然后每一段里分成样本内（optimization period )和样本外(run period)两部分，譬如每段的前面80%为样本内用来优化参数，每段后面的20%作为样本外来去检验优化出来的参数。
Wark-forward matrix，前行优化矩阵，是在Walk-forward基础上的一种优化方式。在Wark-forward中我们需要人为地设定历史数据分段数和每段的样本内外的比例。而策略经过多久优化一次更合适，显然也是一个问题。所以，Wark-forward matrix的主要作用就在这里。
参数优化的一个潜在风险是，优化出来的参数是匹配历史数据的最佳组合，但正是因为这种优化，在面对未来的实际市场走势时，可能失去适应能力，即过拟合导致健壮性不够。
所以Simple模式，是直接可以放弃，不要使用的。他除了根据历史数据生成一个非常漂亮的利润曲线之外，几乎毫无用处。
Walk-forward的结果会告诉我们什么？
Walk-forward会告诉我们，这个策略是否健壮，以及这个策略是否可以通过优化参数来提升绩效。
如果策略优化后的绩效表现差于原始策略表现，这表明使用该策略要小心过拟合的风险。
相反的，如果策略优化后的绩效表现好于原始策略，则表明：
1、该策略可以从定期优化中获得绩效提升；
2、该策略比较健壮，并可以适应未来市场的变化（使用定期重新优化）。
从这个角度而言，Wark-forward，Wark-forward matrix即可作为优化参数，以及以何等频率去优化的工具，也可以作为检验策略健壮性的工具。
需要注意的问题
尽管在StrategyQuant 中通过推荐设置极其方便地完成了相关测试前的设置，但如果你在策略中使用了较多的指标，则可能会有很多参数，如果同时对所以参数进行测试，会造成测试的数目条数极其庞大，这会计算很长时间，而且如果优化数目小于组合数，则每次优化的结果可能并不一样。
所以这里强烈建议对哪些参数需要优化测试再进一步选择，
这里我只对入场的部分指标的周期数据进行优化，至于波动率ATR指标，在一定范围内相差不大，可以不优化。这样选择后，优化条目数只有15625条。而使用自动设置，将所有有意义的参数一起测试，则有158,203,125条！
替代方案
根据经验，有两个理由，我认为Walk-forward更适合作为测试策略健壮性的工具。
1、策略的内在逻辑，比参数更重要；
2、如果使用遗传进化模式来生成的策略，并通过一系列健壮性测试后，其参数组合已经是比较好的一组。
如果将Walk-forward测试用于策略健壮性的测试，由于其计算时间较长，投入产出比并不合适。其实我们可以选择优化轮廓与参数序列Optimization Profile and System Parameter Permutation。
优化轮廓与参数序列 。 StrategyQuant提供了14天的免费试用，想体验软件强大的策略构建功能，可以到官网自行申请试用下载。 点此下载。在官网中间栏，点击按扭Get free trial NOW，申请试用授权码。
