上一節(jié)我們經過簡單優(yōu)化后實現(xiàn)了第一個盈利的策略，但我們依然需要思考一下策略參數(shù)是不是最優(yōu)的，是否還有優(yōu)化的空間？

本節(jié)我們將基于 freqtrade 的Hyperopt模塊，對我們的策略參數(shù)進行優(yōu)化，Hyperopt本質上還是基于scikit-optimize進行開發(fā)的。

我們先簡單介紹一下原理，超參數(shù)優(yōu)化一般有三種方式：

1、網格搜索（Grid Search）

網格搜索是暴力搜索，在給定超參搜索空間內，嘗試所有超參組合，最后搜索出最優(yōu)的超參組合，主要缺點是耗時，不適應大量參數(shù)的窮舉，如下圖：

2、隨機搜索（Randomized Search）

隨機搜索是在搜索空間中采樣出超參組合，然后選出采樣組合中最優(yōu)的超參組合。隨機搜索的好處如下圖所示：

網格搜索和隨機搜索的對比[2]

網格搜索不會care這個參數(shù)是否為important parameter,對于所有參數(shù)一視同仁，窮舉所有的情況，尋找最優(yōu)參數(shù)組合；而隨機搜索會有更多的參數(shù)值參與到important parameter中，減少搜索范圍，提升搜索效率。

3、貝葉斯優(yōu)化（Bayesian Optimization）

調優(yōu)的目的是要找到一組最優(yōu)的超參組合，能使目標函數(shù)f達到全局最小值。

舉個例子，若學習率設置過大，模型可能會在代價函數(shù)的全局最優(yōu)點附近不斷來回震蕩，甚至跳出全局最優(yōu)點，而設置過小，又可能會陷入局部最優(yōu)，因此調學習率這一參數(shù)，是為了讓模型能收斂到代價函數(shù)的全局最小值?？墒窃跈C器學習中，目標函數(shù)f常是被稱作expensive blackbox function，計算開銷大且不一定為凸函數(shù)。為此，貝葉斯優(yōu)化出現(xiàn)了，它特別適合針對expensive blackbox function找到全局最優(yōu)。

隨機采樣10個點的目標函數(shù)f(x)[4]

貝葉斯優(yōu)化使用了高斯過程（gasussian processes, GP)去構建代理模型，基于給定的輸入和輸出，GP會推斷出一個模型(這里為代理模型)。假設我們從expensive step的f(x)采樣了4個點，然后我們把這4個點交給GP，它會返回一個代理模型

綠色實線就是GP的代理模型，綠色條帶是輸出分布的標準差(即為Uncertainty)。我們有了代理模型，后續(xù)我們去找下一個合適的超參值，就能帶入到計算開銷相對較小的代理模型中，評估給定超參值的情況。

對上述原理感興趣的小伙伴，還可以再深入了解一下。

Code

實現(xiàn)我們HyperOpt的超參數(shù)調優(yōu)代碼：（相對比較簡單）

將買入參數(shù)變量替換至買入策略中：

同理將賣出參數(shù)變量替換至賣出策略中：

啟動參數(shù)調優(yōu)，設置為500epoch:

docker-compose run --rm freqtrade hyperopt --config user_data/config.json --hyperopt-loss SharpeHyperOptLossDaily --strategy HyperIndexStrategy -e 500

參數(shù)調優(yōu)結果

從截圖中可以看到，500 epoch運行完成后，best結果是在第141個epoch中得到，最大收益率1.6%，最大回撤2.02%。給出最優(yōu)參數(shù)（買入、賣出、ROI、止損）組合如下：

（吐槽：參數(shù)調優(yōu)太消耗CPU了，小機器調2次，2個晚上就沒了，傷不起。。。。。）

下一節(jié)準備部署介紹一下如何將策略部署實盤。