EA参数调优入门指南 - 07月03日更新

大家好，最近在论坛里看到不少朋友问关于EA参数调优的问题，特别是新手刚接触自动化交易时，面对一堆输入参数往往不知从何下手。我去年开始系统整理自己的参数优化流程，经过大半年实盘验证，觉得这套方法对多数趋势型和震荡型EA都适用。今天抽空写个入门指南，希望能帮到有需要的朋友。

先强调一个原则：参数调优不是玄学，也不是单纯跑历史回测找最优解。很多新手喜欢用EA自带的遗传算法跑几千次，然后挑一个回测收益率最高的参数组合，结果实盘一跑就崩。原因很简单——过度拟合。历史数据里那些完美的参数往往只是噪音的产物。

我的调优流程分四步：数据准备、初步筛选、稳健性验证、实盘适配。

第一步，数据准备。选货币对时，尽量用该品种至少3年的M1数据，但回测周期用H1或H4。为什么？因为M1噪音太大，直接优化容易陷入局部最优。我习惯把数据分成三段：前60%做训练集（优化参数），中间20%做验证集（避免过拟合），后20%做盲测（模拟未来）。比如欧元兑美元，从2020年1月到2023年6月，训练集用2020-2022.6，验证集用2022.7-2023.3，盲测用2023.4-2023.6。这样能有效过滤掉那些只在特定行情下有效的参数。

第二步，初步筛选。打开EA的策略测试器，先固定几个核心参数（比如止损、止盈、仓位管理），只优化交易信号相关的参数。比如一个均线交叉EA，通常有快线周期、慢线周期、过滤条件三个变量。用遗传算法跑1000次左右，但不要只看净利润，重点关注三个指标：最大回撤小于20%、夏普比率大于1.5、交易次数超过200笔。如果某个参数组合回撤超过30%但利润很高，直接淘汰。然后从结果里选出前10组，手动检查每组的交易明细，看看盈利分布是否均匀。如果某组80%的利润来自两三次大单，这通常是运气而非策略能力。

第三步，稳健性验证。把选出的10组参数放到验证集和盲测集上分别跑一遍。一个合格参数组应该在三个数据集上表现一致，比如训练集年化收益20%，验证集和盲测集至少也要有15%以上，且最大回撤不超过训练集的1.2倍。如果某组在盲测集上收益翻倍但回撤翻三倍，果断弃用。这一步我习惯用自定义的稳健性评分公式：评分 = （验证集收益/训练集收益）*（盲测集收益/训练集收益）/（盲测集回撤/训练集回撤）。评分大于0.8的保留，低于0.5的直接丢掉。注意，这个评分不是唯一标准，但能快速过滤垃圾参数。

第四步，实盘适配。选出最稳健的3-5组参数后，用最小仓位挂到模拟盘上跑两周。观察几个点：滑点是否严重、订单执行时间是否过长、EA是否在非活跃时段频繁开仓。比如有些参数在历史回测中表现完美，但实盘遇到点差突然扩大时，策略逻辑会失效。这时候需要微调：比如把入场条件加一个时间过滤（只交易伦敦和纽约重叠时段），或者把止损加一个ATR浮动值。这种微调通常改动幅度不超过原参数的10%，否则重新走前三步。

最后说个细节：优化时别贪心。很多人总想把EA调成“全市场通吃”，结果参数越调越多，最后变成过拟合的怪物。我一般每个品种只保留一套参数，最多加个波动率自适应开关。比如黄金和原油的参数差异很大，不如分开写两个文件。

工具方面，我习惯用Excel记录每次优化的参数组合和三个数据集的表现，方便对比。MQL4自带的优化报告虽然能用，但建议导出CSV后再用Python或R语言做二次分析，比如画参数敏感度热力图。如果不会编程，至少手动记录下每次优化的回测曲线和订单明细。

以上是个人经验，欢迎拍砖。有朋友问具体代码实现的话，我可以下次分享个参数自动筛选脚本，用MQL4的OnTester()函数输出自定义统计指标，然后在Excel里直接排序。先写到这，希望对新人有帮助。