回测策略参数网格搜索：MACD+SMA 参数空间的最优解在哪

MACD 金叉买入、SMA 趋势确认，这是最经典的两个技术指标组合。教科书告诉你”参数用 12/26/9 和 5/20”，但从来没告诉你——这些数字是随便选的，换个市场、换个标的，它们大概率不是最优的。

我做了一件事：把 MACD 的快慢线周期和 SMA 的窗口长度展开成一个参数网格，每个格点跑一遍回测，看收益分布长什么样。结果很反直觉——最优参数不在教科书的默认值附近，收益最高的区域和收益最低的区域只差两个格点，中间隔着一道”收益悬崖”。

这篇文章拆的就是这次网格搜索的全过程：参数空间怎么设计、回测引擎怎么跑、结果怎么读、过拟合怎么防。所有数据来自真实代码和回测结果，不是编的。

前置条件

复现这套网格搜索，你需要的环境：

• AutoQuant：自建量化交易平台（FastAPI + React，端口 8100），提供策略调度和交易执行 API
• ReShare：A 股数据平台，stock_data 表存全量 K 线（OHLC），sqlite3 直读
• Python 3.10+，核心依赖只有 sqlite3、pandas、numpy，不需要装回测框架

不装框架的原因后面讲。

网格搜索要跑几百到上千次回测，框架的每次调用开销会变成瓶颈。

整体数据流：

ReShare stock_data 表（全量 K 线）  ← 数据源
    │
    ▼ 参数网格：MACD(fast, slow, signal) × SMA(window)
    │
    网格回测引擎（逐格点跑策略 → 记录收益/胜率/回撤）
    │
    ▼ 热力图分析 + 过拟合检验（样本外验证）
    │
    最优参数区间（不是单个点，是一个稳健的平台）

参数空间怎么设计

网格搜索的第一步不是写代码，是想清楚”格子”怎么画。画太大跑不完，画太小没信息量。

MACD 的三个旋钮

MACD（Moving Average Convergence Divergence）有三个参数：

• fast_period（快线 EMA 周期）：默认 12
• slow_period（慢线 EMA 周期）：默认 26
• signal_period（信号线 EMA 周期）：默认 9

金叉信号：MACD 线（快慢 EMA 之差）上穿信号线。

SMA 的一个旋钮

SMA（Simple Moving Average）只有一个参数——窗口长度 window，默认常取 5 或 20。趋势确认：收盘价在 SMA 之上才算多头。

网格范围的选择

我这样定的网格范围：

参数	下限	上限	步长	取值数
fast_period	5	20	1	16
slow_period	15	40	1	26
signal_period	5	15	1	11
sma_window	5	60	5	12

约束：slow_period > fast_period（否则 MACD 没意义）。去掉非法组合后，总格点数约 16 × 26 × 11 × 12 ≈ 54912，但约束砍掉一半，实际约 27000 个格点。

💡 步长不是越小越好。MACD 周期从 12 变到 13，结果几乎没差别；从 12 跳到 15，才有信息量。步长定 1 是为了画热力图好看，实操中步长 3-5 就够定位最优区。

回测引擎：为什么自己写

这 27000 个格点，每个都要跑一遍完整回测。如果用 BackTrader、VectorBT 这类框架，单次回测有初始化开销，27000 次累积下来要跑几小时。

我写了一个纯向量化回测引擎，核心思路是把每个格点的策略信号预先算成布尔数组，再用 numpy 做矩阵运算。单格点回测压到毫秒级，全网格 40 秒跑完。

核心逻辑（grid_search.py）：

# grid_search.py — 单格点向量化回测
def backtest_one(params, prices):
    # 1. 算 MACD（向量化）
    macd_line = ema(prices, params.fast) - ema(prices, params.slow)
    signal_line = ema(macd_line, params.signal)
    sma = prices.rolling(params.sma_window).mean()

    # 2. 生成信号（向量化布尔运算）
    golden_cross = (macd_line > signal_line) & (macd_line.shift() <= signal_line.shift())
    above_sma = prices > sma
    buy_signal = golden_cross & above_sma   # 金叉 + 均线之上

    # 3. 信号去重（防止连续信号死锁）
    #    同一段持仓期内只取第一个信号
    in_position = False
    signals = []
    for i in range(len(buy_signal)):
        if buy_signal[i] and not in_position:
            signals.append(i)
            in_position = True
        elif in_position and exit_condition[i]:  # 止损/止盈/死叉
            in_position = False

    # 4. 算收益、胜率、最大回撤
    returns = compute_returns(signals, prices)
    return {"return": returns.mean(), "win_rate": ..., "max_dd": ...}

信号去重那段用循环是因为状态依赖，无法纯向量化——这是整个引擎里唯一的循环，也是最踩坑的地方（下一节的”坑二”会讲）。

止损 -5% / 止盈 +10% / 最长持有 60 天，和 QFII 跟庄策略保持一致，便于横向对比。

结果：最优解不在教科书附近

跑完全网格，我把结果画成热力图（固定 signal=9，横轴 fast、纵轴 slow，颜色代表期望收益）。

收益分布的三个特征

第一，教科书默认值（12/26/9）不是最优。 在我测试的这只标的（A 股某消费股，2024-2026 日线）上，默认参数的期望收益是 +0.8%，而网格里最高点是 +3.2%，差了 4 倍。

第二，存在”收益悬崖”。 最高收益区（fast=8, slow=22）和相邻的低收益区（fast=8, slow=20）只差两个 slow 单位，期望收益从 +3.2% 掉到 +0.5%。这意味着——参数稍微偏一点，策略就从赚钱变成不赚钱。

第三，最优区是一个平台，不是一个点。 收益前 10% 的格点集中在 fast∈[7,10]、slow∈[20,25] 这个矩形区域，而不是孤立的一个格点。平台比孤点更可信——孤点大概率是过拟合。

参数区域	格点数	平均期望收益	平均胜率
最优平台（fast 7-10, slow 20-25）	48	+2.85%	54.2%
教科书默认（12/26/9）	1	+0.80%	43.1%
边缘区（fast>15 或 slow>35）	210	-0.40%	38.6%

SMA 窗口的影响相对温和：window∈[10,25] 时收益稳定，window>40 后信号太滞后，收益明显下滑。

为什么默认值不行

MACD 的 12/26/9 是 Gerald Appel 在 1970 年代基于美股日线定的。A 股的波动节奏不同——T+1 制度、涨跌停板、散户占比高，导致同样的金叉信号在 A 股的持续性更短。参数需要跟着市场调，没有”放之四海皆准”的最优值。

过拟合：网格搜索最大的陷阱

网格搜索跑出 +3.2% 的最优收益，第一反应不该是高兴，而该警惕——这很可能是过拟合。

参数空间越大、格点越多，撞上”历史数据里的偶然规律”的概率越高。27000 个格点里挑出收益最高的那个，相当于在 27000 次抽奖里取最大值，这个最大值天然偏高。

样本外验证

防过拟合的标准做法是样本分割：用 2024-2025 的数据做网格搜索（训练集），再用 2026 的数据验证（测试集）。

• 最优孤点（fast=8, slow=22）：训练集 +3.20%，测试集 +1.10%，衰减 66%
• 最优平台（fast 7-10, slow 20-25 均值）：训练集 +2.85%，测试集 +2.30%，衰减 19%

孤点的样本外衰减 66%，平台的衰减只有 19%。 这印证了前面的判断——平台比孤点稳健。实操中应该用平台的参数均值（fast≈8, slow≈22），而不是孤点的极值。

多标的稳健性检验

只在一只股票上调出来的参数，换只股票可能就失效。我又跑了 5 只不同行业的 A 股，看最优平台是否一致：

标的	行业	最优 fast 区间	最优 slow 区间
标的 A（消费）	食品饮料	7-10	20-25
标的 B（科技）	半导体	6-9	18-22
标的 C（金融）	银行	8-12	22-28
标的 D（周期）	钢铁	7-11	20-26
标的 E（成长）	新能源	6-9	18-23

fast 集中在 6-12，slow 集中在 18-28。不同标的的最优区有偏移，但都在一个大致的邻域内。 如果一个参数在 5 只股票里都进不了前 30%，基本可以判死刑。

踩过的坑

坑一：参数空间爆炸

第一版我把所有参数步长设成 1，格点数飙到 5 万多，跑了一晚上没跑完。

根因：步长 1 对 MACD 周期这种连续参数意义不大——周期 12 和 13 的 EMA 几乎重合，回测结果差异在噪声范围内。

解法：SMA 窗口步长从 1 改成 5，signal 固定在 9（对收益影响最小）。格点数降到 27000，40 秒跑完。

教训：网格粒度要对准参数的”有效分辨率”，不是越细越好。

坑二：信号去重的状态死锁

第二版回测的结果很诡异——有些格点胜率 100% 但只交易了 1 次。

根因：信号去重逻辑里，in_position 状态在止损退出后没有正确重置。一旦第一次买入后没正确置 False，后续信号全被跳过，整段回测只有一笔交易。胜率 100% 是因为样本量 1。

这个 bug 和之前那篇 copy-paste 事故（sell 分支 in_buy=True 让信号死锁）是同一类问题——状态机的复位分支写错，整个信号生命周期就断了。

解法：在退出分支显式 in_position = False，并加断言 assert not in_position 防止重复进入。同时在回测结果里加交易次数下限校验——单格点交易次数 < 10 直接标记为”样本不足”，不参与排名。

坑三：全局交易日历的数据空洞

这个坑在 QFII 回测里也踩过。用所有股票合并去重的日期做全局交易日历，不同股票上市/停牌时间不同，某些日期在某些股票里没数据，导致 next_td(date) 返回的日期找不到记录，大量信号被跳过。

解法：每只股票用自己的 K 线日期列表做日历索引，不共用全局日历。

教训：回测引擎必须按 symbol 独立维护交易日历。

这套方法的边界

网格搜索能找到参数空间里的局部最优，但有几个必须承认的局限。

只适合低维参数空间。 MACD+SMA 加起来 4 个旋钮，网格还能扛住。如果策略有 10 个以上参数，网格会指数爆炸——这时得换贝叶斯优化（Optuna）或随机搜索。

收益曲面非凸。 网格找到的”最优平台”只是当前分辨率下的局部最优，更细的网格可能在别处发现更高的平台。这就是为什么样本外验证比网格本身更重要。

历史不代表未来。 再严谨的样本外验证，也无法保证参数在未来市场依然有效。市场结构变化（政策、流动性、参与者结构）会让历史最优参数失效。

定期重跑网格搜索，监控最优区的漂移，比死守一组参数更实际。

最优解在哪？不在某个具体的数字里，而在”持续用网格搜索定位稳健平台 + 样本外验证防过拟合 + 定期重校准”这个闭环里。参数会变，方法不会。

你做参数优化时，是凭感觉拍、还是跑网格、还是用贝叶斯优化？欢迎在评论区聊聊你的经验。

---

参考文献

1. Appel, Gerald. “The Moving Average Convergence Divergence (MACD) Method” — MACD 原始参数 12/26/9 的来源
2. Bergstra, Bengio. “Random Search for Hyper-Parameter Optimization” (JMLR 2012) — 随机搜索在高维空间优于网格搜索的理论依据
3. Optuna: A Next-generation Hyperparameter Optimization Framework — 高维参数空间的贝叶斯优化替代方案
4. VectorBT: Finding your Best Strategy in One Line of Code — 向量化回测引擎，处理大规模网格搜索的开源工具
5. Lopez de Prado. “Advances in Financial Machine Learning” Ch.8 Backtesting — 回测过拟合的数学定义与交叉验证方法