上一節(jié)我們經(jīng)過簡單優(yōu)化后實(shí)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(jìn)行優(yōu)化，Hyperopt本質(zhì)上還是基于scikit-optimize進(jìn)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(wǎng)格搜索（Grid Search）

網(wǎng)格搜索是暴力搜索，在給定超參搜索空間內(nèi)，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(diǎn)是耗時，不適應(yīng)大量參數(shù)的窮舉，如下圖：

2、隨機(jī)搜索（Randomized Search）

隨機(jī)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(jī)搜索的好處如下圖所示：

網(wǎng)格搜索和隨機(jī)搜索的對比[2]

網(wǎng)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(jī)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(diào)優(yōu)的目的是要找到一組最優(yōu)的超參組合，能使目標(biāo)函數(shù)f達(dá)到全局最小值。

舉個例子，若學(xué)習(xí)率設(shè)置過大，模型可能會在代價函數(shù)的全局最優(yōu)點(diǎn)附近不斷來回震蕩，甚至跳出全局最優(yōu)點(diǎn)，而設(shè)置過小，又可能會陷入局部最優(yōu)，因此調(diào)學(xué)習(xí)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(jī)器學(xué)習(xí)中，目標(biāo)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(jī)采樣10個點(diǎn)的目標(biāo)函數(shù)f(x)[4]

貝葉斯優(yōu)化使用了高斯過程（gasussian processes, GP)去構(gòu)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(shè)我們從expensive step的f(x)采樣了4個點(diǎn)，然后我們把這4個點(diǎn)交給GP，它會返回一個代理模型

綠色實(shí)線就是GP的代理模型，綠色條帶是輸出分布的標(biāo)準(zhǔn)差(即為Uncertainty)。我們有了代理模型，后續(xù)我們?nèi)フ蚁乱粋€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(shí)現(xiàn)我們HyperOpt的超參數(shù)調(diào)優(yōu)代碼：（相對比較簡單）

將買入?yún)?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(diào)優(yōu)，設(shè)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(diào)優(yōu)結(jié)果

從截圖中可以看到，500 epoch運(yùn)行完成后，best結(jié)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(diào)優(yōu)太消耗CPU了，小機(jī)器調(diào)2次，2個晚上就沒了，傷不起。。。。。）

下一節(jié)準(zhǔn)備部署介紹一下如何將策略部署實(shí)盤。