量化策略止損引數研究方法論：如何用歷史資料找到最優止損距離
止損距離是量化策略裡最難確定的引數之一。太緊頻繁被掃止損，太鬆單次虧損超預期。 憑直覺設引數沒有說服力。更可靠的方法是：用歷史資料系統地研究不同止損距離對策略表現的影響，找到在多個評估維度上表現均衡的引數區間。 這篇文章講這個研究過程的方法論，包括資料準備、引數搜尋、評估指標、以及防止過擬合的注意事項。 研究框架 1. 資料準備 ├─ 選取歷史資料區間（訓練集） └─ 準備價格序列和訊號序列 2. 引數網格搜尋 ├─ 定義止損引數範圍（如 0.5% - 5%，步長 0.1%） └─ 對每個引數值跑完整回測 3. 評估指標計算 ├─ 總收益率 ├─ 最大回撤 ├─ 夏普比率 ├─ 勝率 × 盈虧比 └─ 止損觸發率 4. 結果分析 ├─ 繪製引數敏感性曲線 ├─ 找穩健區間（小變化 → 小影響） └─ 在驗證集上驗證 5. 確定最終引數 資料準備 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: """獲取 Binance K 線資料""" client = Client() # 公開資料不需要 API 金鑰 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 # 獲取資料：分成訓練集和驗證集（時間序列不能隨機分割！） df_train = get_klines("BTCUSDT", "4h", "2023-01-01", "2024-06-30") # 訓練集 df_val = get_klines("BTCUSDT", "4h", "2024-07-01", "2024-12-31") # 驗證集 為什麼不能隨機分割？ ...
