Генетический алгоритм вместо ручного перебора параметров
Ручная переоптимизация стратегии выглядит предсказуемо: специалист берёт исторический ряд, запускает прогон, меняет порог входа, снова считает, двигает размер позиции, потом уровень стопа. Один цикл занимает от десятков минут до часов, и за смену проверяются несколько десятков сочетаний — при том что пространство параметров измеряется тысячами комбинаций.
Проблема не только в скорости. Поиск идёт последовательно, а набор в итоге подгоняется под последний участок истории: параметры, отработавшие на прошлом режиме волатильности, ломаются при смене тренда. Добавьте зависимость от одного человека — с его уходом логику подбора никто не восстановит, и оптимизацию начинают заново.
Генетический алгоритм заменяет перебор эволюционным поиском. Задаются границы параметров, функция приспособленности и ограничения по риску, дальше работает популяция наборов: сильные комбинации передают значения потомкам, часть мутирует, слабые отсеиваются. За один запуск оцениваются тысячи сочетаний, и поиск сходится к области оптимума, а не к случайной удачной точке.
Устойчивость проверяется не на одном отрезке: приспособленность считается по нескольким независимым окнам, поэтому отобранные параметры держатся при разных режимах рынка. На выходе — не одно «лучшее» число, а диапазон значений и границы, за которыми стратегия деградирует. Переоптимизация стратегии становится регламентной процедурой: конфигурации и метрики наборов сохраняются, запуск повторяется по расписанию, а специалист настраивает критерии отбора вместо ручного подбора.
Что меняется после автоматического подбора параметров
Ручной перебор параметров упирается в человека: один цикл подбора растягивается на дни, а найденный набор держится на одном удачном отрезке истории. Как только рынок меняет режим, стратегия уходит в просадку — это и есть цена переподгонки, а не ошибка в коде.
Автоматический подбор параметров переводит это в измеримый цикл. Генетический алгоритм ведёт популяцию наборов, оценивает каждый на нескольких независимых окнах истории и штрафует те, чей результат держится только на одном окне. Скорость подбора растёт с суток до десятков минут на том же контуре — гипотезы проверяются десятками за день, а не одной за неделю.
Ключевая метрика здесь — не пиковая доходность, а устойчивость параметров: доля наборов, сохраняющих поведение на вневыборочном отрезке. Мы отбираем «плато» — широкие области, где соседние значения дают близкий результат, — вместо одинокого пика, который рассыпается от малейшего сдвига. Многокритериальный отбор держит доходность, просадку и стабильность одновременно: практически это реализует NSGA-II, проверенный подход, а не самодельная эвристика.
Эффект оптимизации стратегии виден в цифрах: доля устойчивых наборов вырастает с трети до двух третей, разброс результата между соседними прогонами сужается, а класс отказов «стратегия развалилась после смены режима» уходит из статистики. Параметры перестают быть одноразовой находкой и становятся воспроизводимым результатом — тот же цикл даёт сопоставимый набор.
Способы поиска оптимума: сравнение подходов
Размерность пространства параметров задаёт метод поиска. У стратегии с тремя-четырьмя входами и узкими диапазонами хватает полного перебора, но как только добавляются пороги входа, интервалы удержания позиции и уровни риска, число комбинаций растёт произведением вариантов по каждой оси. Один прогон на исторических данных занимает секунды — перебор тысяч комбинаций превращается в часы счёта, а доля проверенных точек остаётся ничтожной.
| Метод | Когда подходит | Ограничения |
|---|---|---|
| Перебор по сетке | 2-3 параметра, дискретные значения, нужна полная карта чувствительности | Число прогонов растёт как произведение шагов; на шести и более осях бюджет счёта исчерпывается раньше, чем сетка |
| Случайный поиск | Много параметров, часть непрерывные, число прогонов ограничено | Нет гарантии покрытия областей; результат не воспроизводится от запуска к запуску |
| Байесовская оптимизация | Дорогая оценка одного прогона, до десяти параметров | Плохо масштабируется на десятки измерений и разрывные целевые функции |
| Эволюционный поиск | Десятки параметров, разрывы и плато в целевой функции, нужно несколько решений | Требует настройки отбора, мутации и размера популяции; без контроля сходимости вырождается в случайный поиск |
На практике методы комбинируют: перебор по сетке сужает область, эволюционный поиск уточняет её внутри. В функцию приспособленности добавляем штраф за просадку и малое число сделок, а итог проверяем на нескольких периодах истории — иначе найденный оптимум окажется подогнанным под один отрезок.
Внедрение: от постановки задачи до настройки генетического алгоритма
Оптимизация параметров стратегии — это не «прогон по истории и выбор лучшей строчки», а инженерный процесс с зафиксированными критериями приёмки. Порядок этапов одинаков для торговых и для балансировочных задач: меняется только набор оптимизируемых параметров и вид целевой функции.
- Разбор стратегии. Фиксируем, что вообще подлежит поиску (периоды индикаторов, пороги входа и выхода, размер позиции), а что остаётся жёстким ограничением — правила управления риском не оптимизируются никогда.
- Целевая функция стратегии. Берём метрику, устойчивую к просадкам, а не максимальную доходность: например, отношение доходности к максимальной просадке при ограничении на минимальное число сделок в выборке.
- Подготовка данных. История делится на обучающий, валидационный и контрольный отрезки; контрольный изолируется от поиска и открывается ровно один раз — перед передачей.
- Настройка генетического алгоритма. Задаём размер популяции, доли мутации и скрещивания, число поколений, элитизм, штрафы за переусложнение и за выход параметров за допустимые границы.
- Проверка вне выборки. Лучшие решения прогоняются на контрольном отрезке и на сдвинутых окнах, плюс проверка на чувствительность: небольшое изменение параметра не должно ломать результат.
- Передача. Фиксируем две-три конфигурации с близкими показателями, описываем границы устойчивости и оформляем отчёт с воспроизводимыми запусками — одни и те же входные данные дают тот же результат.
На выходе заказчик получает не одну «идеальную» настройку, а набор устойчивых конфигураций и понимание, где начинается деградация.
Что заказчик получает на руки после внедрения
После вывода контура в работу вы получаете не набор скриптов, а комплект, по которому подбор параметров воспроизводится без авторов: от границ пространства поиска до правил, когда переобучение запускается, а когда стратегию пора останавливать.
- Конфигурация системы подбора — файлы запусков с пространством поиска: границы и шаг по каждому параметру, размер популяции, число поколений, операторы мутации и отбора, фиксированный seed для воспроизводимости.
- Схема контура расчётов — откуда берутся исторические данные, где считается приспособленность решений, как результаты складываются в хранилище и что происходит при падении вычислителя в середине поколения.
- Набор метрик отбора — целевые функции и штрафы: доходность, просадка, оборот, устойчивость на отложенном окне. Указано, какая метрика ведущая и какие пороги отсекают заведомо хрупкие решения.
- Правила доступа — роли на запуск, правку конфигурации и просмотр результатов: что доступно аналитику, что только владельцу контура, как логируется изменение каждого параметра.
- Документация по оптимизации — описание логики генетического алгоритма, словарь параметров, разбор типовых сбоев подбора и инструкция по добавлению новых полей в пространство поиска.
- Регламент запусков — периодичность повторного подбора, окно данных, условия остановки и порядок сравнения новой конфигурации с той, что уже работает.
- Передача системы — обучение вашей команды на вашей инфраструктуре, чек-лист приёмки и период сопровождения после ввода.
Кейс: подбор параметров стратегии до и после автоматизации
Параметры стратегии заказчик подбирал вручную: аналитик правил значения, запускал прогон на исторических данных, сравнивал кривые и повторял цикл. Один заход занимал две-три недели, за это время успевало пройти около двухсот наборов — узкая полоса вокруг стартовой догадки.
Отбирался набор с лучшей доходностью на истории, и на новых данных он чаще всего разваливался: рынок переходил в другой режим, а параметры оставались подогнанными под прошлое. Такой класс отказов надёжнее закрывать правилом отбора, чем разбирать последствия в бою.
Подбор перенесли в оптимизатор на генетическом алгоритме: набор параметров — хромосома, прогон на данных — оценка приспособленности, дальше скрещивание и мутация лучших особей. Перебор построили на зрелой библиотеке эволюционной оптимизации DEAP — запуск не потребовал написания движка с нуля.
Главное изменение в критерии отбора: приспособленность считалась не по одному прогону, а по нескольким последовательным отрезкам истории, и решение, теряющее устойчивость хотя бы на одном, отсеивалось.
Цикл подбора сократился с недель до одной ночи, число проверяемых наборов выросло с двухсот до десятков тысяч за запуск, а доля конфигураций, сохраняющих рабочие метрики на новых данных, поднялась примерно с четверти до двух третей.
Правила отбора, диапазоны параметров и журналы прогонов сохраняются, поэтому любой результат воспроизводится и пересчитывается при следующем запуске.
Что делать, если подбор параметров уже ведётся своими силами?
Работающий самописный подбор — это актив, а не долг: в нём зашита логика стратегии и особенности исполнения. Мы не предлагаем переписывать всё — сначала аудит: как формируется функция приспособленности, как устроены отбор, скрещивание и мутация и где контур теряет устойчивость.
Ключевая точка аудита — разделение данных: если параметры подбираются и оцениваются на одной истории, лучший результат почти всегда оказывается подгонкой под шум. Проверяем детерминизм прогона, наличие проверочного периода и то, учитывает ли критерий отбора просадку, комиссии и проскальзывание, а не только доходность.
Перенос расчётов оправдан не всегда: когда контур не масштабируется по числу прогонов, считает часы там, где нужны минуты, или не умеет распараллелить независимые окна. В остальных случаях проще доработать существующий подбор — добавить проверочный период, устойчивость параметров между окнами и протоколирование прогонов.
Сравниваем оба контура на одном наборе данных, с одинаковыми комиссиями, задержками исполнения и одним критерием качества. Смотрим не лучший прогон, а распределение по окнам: разброс прибыли, максимальную просадку, долю окон в плюсе, время расчёта.
При любой доработке сохраняем вашу функцию приспособленности, набор параметров и правила исполнения — это и есть предметная ценность системы. Перестраиваем инфраструктуру подбора: схему валидации, отбор, журналирование и воспроизводимость прогонов.
Технические сомнения и вопросы устойчивости результата
Любая оптимизация параметров рискует подгонкой под исторические данные: алгоритм честно находит комбинацию, идеальную на прошлом отрезке, и она разваливается на новых данных. Ниже — возражения, которые чаще всего возникают у инженеров, и то, как мы снимаем их процедурой, а не обещаниями.
Как отличить рабочую стратегию от переобученной?
Отбор ведём на одном интервале, а проверку — на контрольном отрезке, который не участвовал в поиске. Дополнительно смотрим устойчивость параметров: если близкие комбинации дают разный результат, оптимум случайный, и в работу такая настройка не идёт.
Что делать с ростом числа параметров?
Каждый новый параметр расширяет пространство поиска и повышает шанс подгонки. Ограничиваем размерность, группируем связанные параметры, часть фиксируем по логике стратегии и вводим штраф за сложность решения. Параметры, не влияющие на результат, убираем — это ограничение метода, а не недонастройка.
Как это встраивается в текущий контур расчётов?
Модуль оптимизации читает те же данные и отдаёт набор параметров с метриками качества, логику исполнения мы не трогаем. Запуск по расписанию или вручную, результат версионируется, поэтому его всегда можно сравнить с текущими настройками и откатиться к ним.
Обсудим задачу подбора параметров вашей стратегии
Чтобы оценка и план работ опирались на ваши данные, а не на общие допущения, достаточно нескольких вводных. Ниже — что прислать для разбора; остальное уточним в переписке.
- Описание стратегии: логика входа и выхода, какие параметры подбираются, а какие жёстко зафиксированы.
- История сделок или котировок в исходном виде — таблица, выгрузка из терминала, файл из базы.
- Границы допустимых значений по каждому параметру и шаг, с которым их можно менять.
- Метрика, которую считаете целевой: доходность с учётом риска, просадка, доля прибыльных сделок, устойчивость по периодам.
- Требования к проверке: как делить данные на обучающее и контрольное окна, сколько времени допустимо на один прогон подбора.
- Ограничения по расчёту: где запускать поиск, нужен ли параллельный пересчёт на нескольких машинах.
В ответ вернём оценку и план работ, разбитый по этапам: подготовка данных, настройка генетического поиска, проверка результата вне обучающего окна, разбор отчёта, передача. Отдельно назовём параметры, чувствительные к переобучению, и покажем, как их зафиксируем перед запуском подбора параметров. Опишите задачу оптимизации своими словами — этого хватит, чтобы обсудить задачу оптимизации предметно и назвать сроки по каждому этапу.
