止损距离是量化策略里最难确定的参数之一。太紧频繁被扫止损，太松单次亏损超预期。
凭直觉设参数没有说服力。更可靠的方法是：用历史数据系统地研究不同止损距离对策略表现的影响，找到在多个评估维度上表现均衡的参数区间。
这篇文章讲这个研究过程的方法论，包括数据准备、参数搜索、评估指标、以及防止过拟合的注意事项。
研究框架 1. 数据准备 ├─ 选取历史数据区间（训练集） └─ 准备价格序列和信号序列 2. 参数网格搜索 ├─ 定义止损参数范围（如 0.5% - 5%，步长 0.1%） └─ 对每个参数值跑完整回测 3. 评估指标计算 ├─ 总收益率 ├─ 最大回撤 ├─ 夏普比率 ├─ 胜率 × 盈亏比 └─ 止损触发率 4. 结果分析 ├─ 绘制参数敏感性曲线 ├─ 找稳健区间（小变化 → 小影响） └─ 在验证集上验证 5. 确定最终参数 数据准备 import pandas as pd import numpy as np from binance.client import Client def get_klines(symbol: str, interval: str, start: str, end: str) -> pd.DataFrame: """获取 Binance K 线数据""" client = Client() # 公开数据不需要 API 密钥 klines = client.get_historical_klines(symbol, interval, start, end) df = pd.DataFrame(klines, columns=[ 'timestamp', 'open', 'high', 'low', 'close', 'volume', 'close_time', 'quote_vol', 'trades', 'taker_buy_base', 'taker_buy_quote', 'ignore' ]) for col in ['open', 'high', 'low', 'close', 'volume']: df[col] = df[col].astype(float) df['timestamp'] = pd.to_datetime(df['timestamp'], unit='ms') df.set_index('timestamp', inplace=True) return df # 获取数据：分成训练集和验证集（时间序列不能随机分割！） df_train = get_klines("BTCUSDT", "4h", "2023-01-01", "2024-06-30") # 训练集 df_val = get_klines("BTCUSDT", "4h", "2024-07-01", "2024-12-31") # 验证集 为什么不能随机分割？
...
