超参优化 vs 过拟合 · hyperparameter optimization vs overfitting
Hyperopt 是个超参优化器。你告诉它"RSI 周期在 7~21 之间、阈值在 20~40 之间"，它用贝叶斯优化（TPE 算法）扫几百几千组组合，每组跑一次回测，找收益最高（或夏普最高）的那组参数。
听起来很美——但问题在于：回测收益高 ≠ 未来收益高。你扫的参数越多、范围越大，越容易"恰好"找到一组对历史完美但对未来无意义的参数。这就像考试前背了历年真题的答案——模考满分，真考砸了。
Hyperopt 的正确用法不是"找最优"，是"找稳健"：用 walk-forward（滚动训练测试），看参数在不同时段是否都稳定，而不是只在一个时段最优。一组在 2020 最优、2021 也好、2022 还行的参数，比一组只在 2020 完美的参数，实盘可靠得多。
下面模拟 Hyperopt 调参。横轴是"调参力度"（扫多少组参数），纵轴是夏普。绿线是训练集（历史）夏普——调参越多越高。红线是测试集（未来）夏普——先跟着涨，到某个点后开始崩。这就是过拟合的拐点。
判断过拟合的硬指标：训练集和测试集的表现差距。如果训练集夏普 3.0、测试集夏普 0.5，几乎肯定过拟合。健康的表现是两者接近——训练集略高（因为参数是在它上面调的），但不该差几倍。
三个实操方法：
记住：调参的目标不是找到那组最优，是找到一片都还行的参数区域。平台比山峰可靠，因为实盘的参数总会漂移。