param_grid_search 补全回撤/Sharpe 指标：从"胜率游戏"到完整风险评估

我曾经只看胜率做网格搜索，挑出一组胜率 78% 的参数，上线后当天回撤 15%。后来才明白：胜率高不等于抗跌强，最大回撤和 Sharpe 才是参数搜索真正的底线。

下面用纯 pandas 写一版 param_grid_search，把这两个指标塞进评分函数。

只按胜率排序，错在哪

胜率只是赢利交易占总交易的比例，它完全不说输的时候有多狠。

做 100 笔交易，赢 70 笔每笔赚 1 元，输 30 笔每笔亏 3 元。胜率 70%，净亏 20 元。

网格搜索里，按胜率排序就会专挑这种「赢小钱、输大钱」的脆弱参数组。它们胜率可能漂亮到 80%，但偶尔一次爆仓就把前几个月的利润吞干净。

所以评分函数至少要知道三件事：赚得多吗（收益）、赚得稳吗（波动）、亏得狠吗（回撤）。胜率只回答了一半。

回撤要算权益曲线

很多人直接用收盘价算回撤。这会把持仓期间的浮盈浮亏全部漏掉。

持有一笔多单，盘内最高涨 3%，收盘跌回原点。用收盘价算，回撤 0%。真实账户明明摸到过 +3%，然后全吐回去。

正确的做法是用权益曲线（equity curve）——账上现金加所有持仓的市值，也就是你随时能变现的总资产。比例回撤的标准公式是：

drawdown = equity / equity.cummax() - 1

equity.cummax() 是从起点到当前点的历史最高点。当前权益除以它再减一，就是从峰到谷的跌幅百分比。

拿权益曲线 [100, 110, 90, 95] 举例，历史最高点序列是 [100, 110, 110, 110]，对应 drawdown 为 [0, 0, -0.1818, -0.1364]，最大回撤就是 -0.1818，约 18.2%。

这里用的是除法，不是减法。 算 equity.cummax() - equity 得到的是绝对亏损额，比如上面例子里的 [0, 0, 20, 15]。这在不同资金规模下不可比——10 万账户亏 2 万和 100 万账户亏 2 万，意义完全不同。我们要比例，才能跨策略、跨资金量比较抗压能力。

实现时还要确保权益曲线的索引是单调递增的时间序列，否则 cummax() 会给出错误结果。

Sharpe 的年化因子要对频率

Sharpe 比率等于年化收益率除以年化波动率。看起来简单，年化因子一旦用错，结果立刻失真。

因子取决于数据频率：

数据频率	年化因子
日线	252
周线	52
小时线	252 × 6（假设每天 6 个交易小时）

关键点在于：分子分母都要年化，缺一不可。

sharpe = (mean_return * ppy) / (std_return * np.sqrt(ppy))

如果你只把分母乘了 sqrt(252)，分子却忘了年化，Sharpe 会系统性偏低差不多 25 倍（就是 sqrt(252) 本身）。我自己就踩过这个坑：跑出来的 Sharpe 全是 0.3 左右，以为策略完全不行，其实是公式少了一头。

再看因子方向。我用同一条权益曲线测了三种频率，结果是：

• 日线（252）→ Sharpe 13.70
• 周线（52）→ Sharpe 6.23
• 小时线（252×6）→ Sharpe 33.57

也就是说，日线数据误套小时线因子，Sharpe 被抬高 2.4 倍；误套周线因子，被压掉一半多。两种错法都不报错，数字照样打印出来，只是完全不可信。

另外，交易次数太少时 Sharpe 没有统计意义。只跑了两笔交易，赢一输一，胜率 50%，这种小样本算出的 Sharpe 基本是噪声。所以评分前要加 min_trades 过滤。阈值看策略频率，日线策略 30 笔够用，高频策略可能要几百笔。

评分函数：Sharpe 除以绝对回撤

我常用的组合是：

score = sharpe / abs(mdd)

mdd 是最大回撤（负数），取绝对值后变成正数当惩罚项。分子越大越好（收益好、波动小），分母越小越好（抗跌强），用除法刚好兼顾两头。

这不是唯一选择：

• 更看重绝对收益：score = sharpe * (1 - abs(mdd))
• 极度怕回撤：score = sharpe / (abs(mdd) ** 2)，回撤惩罚更重

关键是把风险指标塞进评分逻辑，别让胜率一家独大。

纯 pandas 实现

假设你有一个 run_backtest(params)，接收参数字典，返回权益曲线和交易记录：

• equity：时间索引的 pd.Series，必须包含未平仓浮盈亏
• trades：含 pnl 列的 pd.DataFrame，每笔交易一行，正为赢、负为输

import itertools

import numpy as np
import pandas as pd


def compute_metrics(equity: pd.Series, trades: pd.DataFrame,
                    periods_per_year: int = 252) -> dict:
    """计算单组参数的关键风险收益指标。"""
    returns = equity.pct_change().dropna()

    ppy = float(periods_per_year)
    mean_ret = returns.mean()
    std_ret = returns.std(ddof=1)
    if std_ret > 0:
        # 分子分母都要年化，缺一头就偏约 sqrt(ppy) 倍
        sharpe = (mean_ret * ppy) / (std_ret * np.sqrt(ppy))
    else:
        sharpe = 0.0

    # 比例最大回撤，基于权益曲线
    drawdown = equity / equity.cummax() - 1
    mdd = drawdown.min()  # 负数，比如 -0.18 表示 18% 回撤

    win_rate = (trades['pnl'] > 0).mean() if len(trades) > 0 else 0.0
    return {
        'sharpe': round(float(sharpe), 3),
        'mdd': round(float(mdd), 3),
        'win_rate': round(float(win_rate), 3),
        'trade_count': int(len(trades)),
        'abs_mdd': abs(float(mdd)),
    }


def param_grid_search(param_grid: dict, run_backtest, min_trades: int = 30):
    """执行参数网格搜索，返回含风险指标的结果 DataFrame。"""
    results = []
    keys, values = zip(*param_grid.items())
    for combo in itertools.product(*values):
        params = dict(zip(keys, combo))
        equity, trades = run_backtest(params)

        m = compute_metrics(equity, trades)
        m.update(params)  # 参数也塞进结果，方便对照

        # 交易不够，或回撤为 0（曲线单调上涨），都视为无效
        if m['trade_count'] >= min_trades and m['abs_mdd'] > 1e-9:
            m['score'] = m['sharpe'] / m['abs_mdd']
        else:
            m['score'] = -np.inf

        results.append(m)

    results_df = pd.DataFrame(results)
    results_df = results_df.sort_values(
        ['score', 'sharpe'], ascending=[False, False]
    )
    return results_df

两个细节值得说。

第一，returns.std(ddof=1) 用的是样本标准差。几百个点用 ddof=0 也差不了多少，但样本少的时候，ddof=0 会让 Sharpe 虚高。

第二，mdd 为 0 必须单独处理。曲线一路单调上涨时回撤恒为 0，sharpe / 0 直接炸成无穷大，把这种参数组顶到第一名。这类结果通常是回测没跑满或数据没接对。标记 -inf 让它沉到最底下，比硬除一个 1e-9 干净。

完整代码

run_backtest 需要你自己实现，接口约定如上。这里给一个确定性的假回测函数（用三角函数造曲线，不用随机数，跑多少次结果都一样），用来跑通整条流水线：

def dummy_backtest(params):
    """假的回测函数，返回 (equity, trades)。"""
    ma_len, thresh = params['ma_len'], params['thresh']
    t = np.arange(300)

    equity = pd.Series(
        100 * (1 + 0.002 * t)
        * (1 + 0.05 * np.sin(t / (ma_len * 3))
              + 0.03 * np.cos(t / (ma_len * 1.7))
              - 0.001 * thresh * t),
        index=pd.date_range('2023-01-01', periods=300),
    )

    n_trades = 35 + int(ma_len / 5)
    i = np.arange(n_trades)
    trades = pd.DataFrame(
        {'pnl': np.sin(i * (0.7 + thresh * 40)) * 1.2
                 + np.cos(i * 1.31) * 0.6}
    )
    return equity, trades


grid = {'ma_len': [5, 10, 20], 'thresh': [0.01, 0.02, 0.03]}
result = param_grid_search(grid, dummy_backtest, min_trades=30)

print(result[['ma_len', 'thresh', 'win_rate', 'mdd', 'sharpe',
              'trade_count', 'score']].to_string(index=False))

实际输出：

ma_len  thresh  win_rate    mdd  sharpe  trade_count      score
    10    0.01     0.541 -0.021  13.828           37 672.561721
    10    0.02     0.486 -0.021  13.703           37 650.332504
    10    0.03     0.568 -0.022  13.578           37 628.982792
     5    0.01     0.528 -0.088   7.636           36  87.064216
     5    0.02     0.500 -0.088   7.575           36  85.842561
     5    0.03     0.583 -0.089   7.514           36  84.633644
    20    0.01     0.538  0.000  28.466           39       -inf
    20    0.02     0.487  0.000  28.153           39       -inf
    20    0.03     0.590  0.000  27.840           39       -inf

最后一行最值得看。ma_len=20 那三组的 Sharpe 有 28，比排第一的 13.8 高出一倍，但回撤是 0。只看 Sharpe 它会稳赢，可这个 0 说明曲线全程单调上涨，多半是回测数据有问题。标成 -inf 沉到最底下，比让它骗你强。

再对比前六行：胜率最高的是 ma_len=5, thresh=0.03（0.583），排序里它排第六。按胜率选参数，你会选它；按 score 选，你会选 ma_len=10, thresh=0.01。两个答案差得很远，因为 0.583 那组回撤 8.9%，是 0.541 那组的四倍多。

怎么选

• 旧代码能跑，只想快速止血：加一行回撤过滤，if mdd < -0.3: continue。今天就能改完。
• 想认真评估风险：补 Sharpe，用 sharpe / abs(mdd) 排序。改动就是上面三个函数。
• 想更进一步：把胜率、回撤、Sharpe、盈亏比、交易次数一起输出，跑完先看分布再定参数。

思路和我之前写的《用 5 个公开指标量化「美元信用健康度」》一脉相承：单一指标永远讲不清全故事，得把维度打开看。

能赚钱的策略很多，能赚钱还能好好睡觉的才难得。

参考文献

• Sharpe Ratio — Investopedia
• Maximum Drawdown (MDD) — Investopedia
• Drawdown (economics) — Wikipedia
• pandas.DataFrame.cummax
• Backtrader 文档