Knowledge-Based Systems
2024
SCIE · IF 7.2
量化交易 × PSO
On the Design of Searching Algorithm for Parameter Plateau in Quantitative Trading Strategies using Particle Swarm Optimization
不追單點最佳、找一整片穩定：抗過擬合的交易參數搜尋
Jimmy Ming-Tai Wu, Wen-Yu Lin, Ko-Wei Huang, Mu-En Wu* ｜ Knowledge-Based Systems, vol. 293, Jun. 2024
一句話：交易策略「回測賺不代表實盤賺」,常敗在過擬合。這篇提出找「參數高原」——一整片表現穩定的參數區,而不是單一最佳點——並用 PSO 高效搜尋。
先問：這在解什麼問題？the problem
量化交易策略的績效高度依賴參數組合。麻煩的是:在訓練集(回測)上調到最好的那組參數,換到測試集(實盤)常常失靈——這就是過擬合。怎麼找出真正穩定、能延續獲利的參數,是量化交易的核心痛點。
白話比喻:單點最佳解像站在「山頂尖端」,風一吹(市場一變)就掉下去;參數高原像站在「一整片高原」上,周圍都穩,才站得住。
怎麼做？三個重點the method
Parameter Plateau找穩定的參數區
不追求單點最佳,而是尋找一整片表現都穩定的『高原』,以此對抗過擬合。
Step-by-step Search逐步搜尋演算法
設計逐步搜尋流程來決定最佳(穩健)參數,而非一次盲搜。
PSO粒子群最佳化
借助 PSO 在複雜的參數解空間中高效導航、快速收斂。
流程：在龐大參數空間用 PSO 搜尋 → 鎖定參數高原 → 得到抗過擬合的穩健策略
帶來什麼？why it matters
把選參數的目標從「單點最佳」改成「一整片穩定」,直接對準量化交易最痛的過擬合問題——找出的參數更耐得住市場變化,實盤更可能延續獲利。
誠實提醒:公開摘要陳述『參數高原概念對參數選擇有顯著影響、PSO 扮演關鍵角色』,但具體市場、資料與報酬數值未公開,以正式版本為準。
看 ScienceDirect 原文 →