第 7 章 · 02 搜索空间与可优化参数

第 7 章 · 02 搜索空间与可优化参数

本节摘要:本节是 Hyperopt 章的实操核心,讲清怎么在策略里声明「可优化参数」。freqtrade 提供四种参数类:IntParameter(整数)、DecimalParameter(限定位数小数,推荐)、RealParameter(全精度小数,少用)、CategoricalParameter(枚举),外加 BooleanParameter(Categorical 的简写)。本节先用一张表对比这四种的适用场景,再讲清声明的完整语法(范围、默认值、space、optimize、load 等选项),然后用一个完整示例展示「声明 → 在 populate 里用 .value 引用 → 用 .range 预算多列指标」的闭环。最后重点讲 space 的分配规则(命名约定 vs 显式 space=)、optimize=False / load=False 的妙用,以及「为什么可优化参数不能用在 populate_indicators」这个高频踩坑。

内容来源:原项目文档 docs/hyperopt.md(Parameter types / Optimizing an indicator parameter)、模板 freqtrade/templates/sample_strategy.py,汉化并套用体系化模板。

学习目标

阅读完本节,你应当能够:

1. 选对四种参数类(IntParameter / DecimalParameter / CategoricalParameter / RealParameter)。
2. 写出完整声明语法(范围、default、space、optimize、load、decimals)。
3. 在 populate_* 里用 .value 引用当前值,用 .range 预算多列。
4. 理解 space 的命名约定与显式赋值规则。
5. 用 **optimize=False / load=False** 控制参数行为。
6. 避开「可优化参数不能用在 populate_indicators」的坑。

一、四种参数类

💡 为什么推荐 Decimal 而非 Real:RealParameter 在 0.10~0.15 之间有几乎无限个候选值(0.10000001, 0.10000002, ...),搜索空间爆炸、Hyperopt 跑不完且易过拟合。DecimalParameter(..., decimals=3) 把它限制到 0.100, 0.101, ..., 0.150 共 51 个值,空间可控、结果可复现。没有特殊理由就用 Decimal。

二、声明语法

完整声明长这样:

from freqtrade.strategy import (
    IStrategy, IntParameter, DecimalParameter,
    CategoricalParameter, BooleanParameter,
)

class MyStrategy(IStrategy):
    # 完整形式:范围、默认、space、是否优化、是否加载
    buy_rsi = IntParameter(
        low=10, high=50,        # 搜索范围
        default=30,             # 默认值(未优化时用)
        space="buy",            # 归属哪个 space
        optimize=True,          # 是否参与优化(False 则固定用 default)
        load=True,              # 是否从 JSON 加载上次优化结果
    )

    # 简写:只写必要项
    buy_ema_short = IntParameter(3, 50, default=10)
    sell_rsi = IntParameter(50, 100, default=70, space="sell")
    buy_trigger = CategoricalParameter(["bb_lower", "macd_cross"], default="bb_lower", space="buy")
    buy_adx_enabled = BooleanParameter(default=True, space="buy")
​

关键选项

optimize 和 load 的妙用

• optimize=False:让某个参数「在策略里声明但固定值」。适合:你想保留参数化的灵活性,但这次只想优化别的参数。
• load=False:让某参数「每次 Hyperopt 都从 default 起步」,不继承上次结果。适合:上次优化的值你不确定好坏,想重新探索。

⚠️ load=False 影响回测:load=False 不仅影响 Hyperopt,还影响回测——回测时这个参数也用 default,而不是上次 Hyperopt 找到的值。如果你想让回测用优化值,务必保持 load=True(默认)。

三、space 的归属规则

一个参数属于哪个 space,有两种判定方式:

1. 命名约定(隐式)

参数名以 buy_ / sell_ / enter_ / exit_ / protection_ 开头,会自动归到对应 space:

buy_rsi = IntParameter(10, 50, default=30)       # 自动归 buy
sell_rsi = IntParameter(50, 100, default=70)      # 自动归 sell
​

2. 显式 space=

命名不符合约定时,必须显式指定:

my_custom_threshold = IntParameter(10, 50, default=30, space="buy")
​

也可以用自定义 space 名(如 space="my_space"),然后用 --spaces my_space 优化它。注意 space 名不能是 all 或 default,且必须是合法 Python 标识符。

冲突时以显式为准

buy_adx = IntParameter(4, 24, default=14, space='sell')  # 名字是 buy_,但显式归 sell
​

这种情况按 space='sell' 算。别写这种自相矛盾的代码,纯粹是给自己挖坑。

没归到任何 space 的参数会被忽略

adx_period = IntParameter(4, 24, default=14)  # 名字不带前缀,也没 space=
​

这种参数 Hyperopt 检测不到,不会参与优化,永远用 default。日志里不会有报错,只是默默忽略——这是隐蔽的坑。

💡 自检:跑 Hyperopt 前用 freqtrade list-strategies 看参数计数,确认你声明的参数都被识别了。

四、用 .value 引用当前值

声明后,在 populate_entry_trend / populate_exit_trend 里用 self.参数名.value 取当前值:

def populate_entry_trend(self, dataframe, metadata):
    dataframe.loc[
        (dataframe["rsi"] < self.buy_rsi.value) &     # 引用当前 RSI 阈值
        (dataframe["volume"] > 0),
        "enter_long",
    ] = 1
    return dataframe
​

Hyperopt 每个 epoch 会把不同的 .value 注入,信号随之变化,回测出不同结果。

五、用 .range 预算多列(优化指标周期)

如果可优化的是指标周期(如 EMA 用几周期),需要先把所有可能值都算成列,Hyperopt 才能从中选。用 .range:

class MyStrategy(IStrategy):
    buy_ema_short = IntParameter(3, 50, default=10, space="buy")
    buy_ema_long = IntParameter(15, 200, default=50, space="buy")

    def populate_indicators(self, dataframe, metadata):
        # 把所有可能的 ema_short 值都算成列:ema_short_3, ema_short_4, ..., ema_short_50
        for val in self.buy_ema_short.range:
            dataframe[f'ema_short_{val}'] = ta.EMA(dataframe, timeperiod=val)
        # 同理 ema_long
        for val in self.buy_ema_long.range:
            dataframe[f'ema_long_{val}'] = ta.EMA(dataframe, timeperiod=val)
        return dataframe

    def populate_entry_trend(self, dataframe, metadata):
        # 用 .value 选当前 epoch 的列名
        conditions = [
            qtpylib.crossed_above(
                dataframe[f'ema_short_{self.buy_ema_short.value}'],
                dataframe[f'ema_long_{self.buy_ema_long.value}'],
            ),
            (dataframe['volume'] > 0),
        ]
        dataframe.loc[reduce(lambda x, y: x & y, conditions), 'enter_long'] = 1
        return dataframe
​

关键区别:

• Hyperopt 模式:.range 返回完整范围([3, 4, ..., 50]),预算出 48 列,Hyperopt 从中选。
• 回测/Dry-Run/实盘:.range 只返回当前 .value,只算 1 列。

⚠️ .range 只支持 Int / Decimal / Categorical:RealParameter 因为空间无限,不提供 .range。

六、关键踩坑:可优化参数不能用在 populate_indicators 计算

这是最常见、最隐蔽的坑。官方明确:

Hyperoptable parameters cannot be used in populate_indicators - as hyperopt does not recalculate indicators for each epoch, so the starting value would be used in this case.

意思是:populate_indicators 只跑一次(为了速度),所以里面用的可优化参数会一直是 default 值,不会随 epoch 变化。

# ❌ 错误:buy_ema_period 在 populate_indicators 里用,永远是 default=10
def populate_indicators(self, dataframe, metadata):
    dataframe['ema'] = ta.EMA(dataframe, timeperiod=self.buy_ema_period.value)
    return dataframe

# ✅ 正确:用 .range 预算所有可能值
def populate_indicators(self, dataframe, metadata):
    for val in self.buy_ema_period.range:
        dataframe[f'ema_{val}'] = ta.EMA(dataframe, timeperiod=val)
    return dataframe

# ✅ 或者:把指标计算移到 populate_entry_trend(每 epoch 重算)
def populate_entry_trend(self, dataframe, metadata):
    dataframe['ema'] = ta.EMA(dataframe, timeperiod=self.buy_ema_period.value)
    ...
​

如果你发现「Hyperopt 找出的 EMA 周期在回测里对不上」,首先查这个坑。

七、性能优化:减少内存

用 .range 预算多列,内存会随参数数量线性增长(乘以并行 -j)。两个缓解手段:

1. 指标计算移到 populate_entry_trend:这个方法每个 epoch 都跑,不需要 .range,只算当前 .value 一列。代价是 CPU 增加。
2. --analyze-per-epoch:把整个 populate_indicators 移到 epoch 进程里,每个 epoch 只算当前值。代价同样是 CPU 增加,但省内存。

freqtrade hyperopt --strategy MyStrategy --analyze-per-epoch -e 500
​

💡 空间越小越好:无论用哪种方式,把参数范围设得尽可能小(IntParameter(5, 20) 比 IntParameter(1, 200) 快几十倍),是提升性能和降低过拟合的最简单手段。

八、Guards 与 Triggers 的设计思路

Hyperopt 文档里有个经典的设计区分:

• Guard(守卫):「不满足条件就不进场」的过滤,如 ADX > 25、price > EMA200。用 BooleanParameter 开关 + DecimalParameter / IntParameter 阈值。
• Trigger(触发):真正决定进场的信号,如 EMA5 上穿 EMA20、close 触及布林下轨。用 CategoricalParameter 选哪种触发。

技术上两者无区别,但设计上区分能让信号「不粘连」(sticking)——粘连信号会在多根 K 线上持续触发,导致「信号快消失时才进场」,成功率低。Guard 控制过滤、Trigger 选时机,组合清晰。

九、官方 sample_strategy 的参数声明

freqtrade 模板 sample_strategy.py 里有完整的可优化参数示例,值得参考:

# 出自 freqtrade/templates/sample_strategy.py
buy_rsi = IntParameter(low=1, high=50, default=30, space="buy", optimize=True, load=True)
sell_rsi = IntParameter(low=50, high=100, default=70, space="sell", optimize=True, load=True)

# 在 populate_entry_trend 里引用
dataframe.loc[
    (
        (qtpylib.crossed_above(dataframe["rsi"], self.buy_rsi.value))
        # ... 其他条件
    ),
    "enter_long",
] = 1
​

它演示了「声明 → 引用」的最小闭环,新策略可以照着改。

本节要点回顾

1. 四种参数类:IntParameter(整数)、DecimalParameter(限位数小数,推荐)、CategoricalParameter(枚举)、RealParameter(少用);BooleanParameter 是 Categorical 的简写。
2. 声明语法:low / high / default 必填,space / decimals / optimize / load 可选;optimize=False 固定值,load=False 不继承上次结果(且影响回测)。
3. space 归属:命名前缀(buy_/sell_/enter_/exit_/protection_)隐式推断,或 space= 显式指定;显式优先;无 space 的参数被静默忽略。
4. .value 引用:在 populate_entry/exit_trend 里用 self.参数.value 取当前值。
5. .range 预算:指标周期类参数,在 populate_indicators 用 .range 循环预算所有可能列;Hyperopt 模式产多列,回测模式产 1 列。
6. 核心踩坑:populate_indicators 只跑一次,可优化参数在里面用会永远是 default;要么用 .range,要么移到 populate_entry_trend。
7. 性能:指标移到 entry_trend、或 --analyze-per-epoch、或缩小参数范围,任选其一降内存。
8. Guards vs Triggers:设计上区分「过滤」和「触发」,避免粘连信号。

下一节,我们看损失函数——它定义了「什么叫好」,是 Hyperopt 的方向盘。