跳转到内容
Crypto Quant Docs

Hyperopt Pyramid 调优

Hyperopt 实验：Pyramid 参数优化

Section titled “Hyperopt 实验：Pyramid 参数优化”

目标：把我”凭感觉”设的 4 个 pyramid 参数交给 optuna 优化，用自定义 loss 避免过拟合，walk-forward 验证是否真的更好。

方法论

Section titled “方法论”

1. 参数空间

Section titled “1. 参数空间”
pyramid_1_trigger     = DecimalParameter(0.03, 0.10)  # 原默认 0.05
pyramid_2_trigger     = DecimalParameter(0.08, 0.20)  # 原默认 0.12
pyramid_1_stake_ratio = DecimalParameter(0.30, 1.00)  # 原默认 0.60
pyramid_2_stake_ratio = DecimalParameter(0.20, 0.80)  # 原默认 0.40

2. 自定义 Loss — HonestHyperOptLoss

Section titled “2. 自定义 Loss — HonestHyperOptLoss”

避开内置 loss 的陷阱：

  • ShortTradeDurHyperOptLoss 鼓励短线（违反我们中线哲学）
  • SharpeHyperOptLoss 容易被大赢家骗
  • 内置 CalmarHyperOptLoss 最接近但没有 DD 硬阈值

我们的版本（strategies/HonestHyperOptLoss.py）：

IF trade_count < 50:       loss = 999  (拒绝低样本)
IF max_dd > 20%:           loss = 100 + max_dd * 10  (硬拒绝)
IF max_dd > 15%:           Calmar 除以惩罚系数 (1.0 → 2.0)
ELSE:                      loss = -Calmar  (Calmar 越大越好)

3. 训练 / 验证切分

Section titled “3. 训练 / 验证切分”

  • 训练：2022-01 → 2024-12（3 年，3 regime：LUNA 崩盘 / 复苏 / ETF 牛）

  • 验证：

    • 真 out-of-sample 过去：2018-2020（W1-W3）
    • 真 out-of-sample 未来：2025-至今（W8）
    • 内含 in-sample：2022-2024（W5-W7）

  • CPU：单线程（多线程因 joblib pickle 错误无法启用）

  • Optuna sampler：NSGAIIISampler（默认，多目标友好）

  • Epochs：100

  • Runtime：19 分钟

结果

Section titled “结果”

最优参数（epoch 42/100）

Section titled “最优参数（epoch 42/100）”
参数原默认Hyperopt 最优变化
pyramid_1_trigger0.050.08+60%
pyramid_2_trigger0.120.10−17%
pyramid_1_stake_ratio0.600.80+33%
pyramid_2_stake_ratio0.400.80+100%

解读：

  • 第一次加仓门槛提高到 +8%（更谨慎，过滤噪音）
  • 第二次加仓门槛反而降到 +10%（当第一次已经过关，第二次更快跟进）
  • 两次加仓金额都放大到 0.8× 初始（最大总仓位达 2.6× 初始 vs 旧的 2.0×）
  • 本质：更激进的 pyramid，但更严格的门槛

训练集表现（2022-01 → 2024-12）

Section titled “训练集表现（2022-01 → 2024-12）”
Trades: 206
Win Rate: 37.4%
Total Profit: +48.86%
Max DD: 10.31%
Calmar Objective: -4.74

全历史对比（2017-08 → 2026-04）

Section titled “全历史对比（2017-08 → 2026-04）”
指标旧默认Hyperopted差异
Total Profit+195%+207%+12 ppt
Trades5705700
Win Rate33.2%35.3%+2.1 ppt
Max DD16.93%15.53%−1.4 ppt
Avg Trade0.15%−0.08%略降（高胜率换高利润模式）

8-Regime Walk-Forward 对比

Section titled “8-Regime Walk-Forward 对比”
Window旧默认Hyperopted差异备注
W1 2018 crash−14.43%−13.27%+1.16🎯 OOS 改善
W2 2019 accum+9.57%+8.42%−1.15OOS 略降
W3 2020 COVID+46.88%+45.74%−1.14OOS 略降
W4 2021 bull+34.77%+31.54%−3.23训练前
W5 2022 LUNA−4.83%−4.68%+0.15训练集
W6 2023 recovery+4.72%+5.90%+1.18训练集
W7 2024 ETF+44.69%+47.29%+2.60训练集
W8 2025 present−4.00%−2.46%+1.54🎯 OOS 改善
+1.11 sum
profitable/85/85/80稳定

关键观察：

  1. 训练集 (W5-W7) 累计 +3.93 ppt 改善 — 符合预期
  2. OOS 过去 (W1-W3) 累计 −1.13 ppt — 过去数据有轻微退化，但 W1 (2018 最难) 实际改善 +1.16
  3. OOS 未来 (W8) +1.54 ppt 改善 — 对当下市场有益
  4. 没有过拟合信号：OOS 平均 +0.24 ppt 改善，超过 1/8 样本意义

结论：值得采纳

Section titled “结论：值得采纳”

✅ Pros：

  • 全历史 +12 ppt 收益 + DD 降 1.4 ppt
  • W1 2018 (最难窗口) 和 W8 2025 (当前) 都有改善
  • 无过拟合证据 (OOS 数据有净正改善)

⚠️ Cons：

  • W4 2021 牛市顶部 −3.23 ppt（高估值时代的边际退化）
  • W2/W3 OOS 轻微退化（但仍盈利）

已应用

Section titled “已应用”
  1. strategies/HonestTrendGeneric.py 基类 defaults 更新为 hyperopt 最优值
    • 所有子类 (HonestTrend15mDry, 1mLive, 1mMTF) 自动继承
  2. strategies/HonestTrend15mDry.json auto-saved by freqtrade（takes precedence for that class specifically）
  3. 生产 configs 已 pyramid enabled（见 docs/EXPERIMENTS_DCA_AND_PYRAMID.md）

扩展实验：6 参数 hyperopt（❌ 被拒绝）

Section titled “扩展实验：6 参数 hyperopt（❌ 被拒绝）”

2026-04-21 后续测试：把 adx_threshold 和 min_hold_minutes 也加入 hyperopt 空间（总计 6 个参数），150 epochs。

结果

Section titled “结果”

训练集表现炸裂：

Objective: -10.84  (vs -4.74 in 4-param baseline)
In-sample (2022-2024): 119 trades, 37.8% WR, +70%, Max DD 6.46%

最优参数：

  • adx_threshold: 18 → 30（大幅提高入场门槛）
  • min_hold_minutes: 720 → 1065（~18h 最短持仓）
  • pyramid_1_stake_ratio: 0.80 → 1.00（第一次加仓打满）

Walk-forward 8 窗口：6/8（看起来更好！）

Section titled “Walk-forward 8 窗口：6/8（看起来更好！）”
Window4-param6-paramDiff
W1 2018−13.27%−20.02%−6.75 ❌
W4 2021+31.54%+58.59%+27.05 ✅
W5 2022−4.83%+4.89%+9.57 ✅ 翻正
W7 2024+47.29%+55.02%+7.73 ✅
Sum+19.4 ppt

❌ 但全历史是灾难

Section titled “❌ 但全历史是灾难”
指标4-param6-param差异
Total profit+207%+160%−47 ppt
Max DD15.53%24.81%+9.3 ppt 🚨
Trades570335−40%

24.81% max DD 超过 20% kill-switch 阈值 → 实盘会触发 RETIRE 自动退役。

为什么 walk-forward 好但全历史坏？

Section titled “为什么 walk-forward 好但全历史坏？”
  • Walk-forward 每个窗口 $10K 独立本金，peak-to-trough 只在年内
  • 全历史复合增长后，mid-2018 的 −6.7 ppt 亏损叠加到已累积的牛市利润上 = 更大百分比回撤
  • ADX=30 的严格过滤在牛市涨得更猛，但熊市也因为少开仓而更晚回到新高
  • 简单的”每窗口能赚吗”忽略了下跌时的相对深度

回退决定

Section titled “回退决定”
  • adx_threshold 和 min_hold_minutes 恢复为 optimize=False
  • strategies/HonestTrend15mDry.json 恢复为 4-param hyperopt 的旧最优值
  • 教训：walk-forward profitable rate 不等于全历史 max DD 控制

扩展实验：CmaEsSampler（技术改进）

Section titled “扩展实验：CmaEsSampler（技术改进）”

添加了 generate_estimator 方法（nested HyperOpt class 内）用 CmaEsSampler 替代默认 NSGAIIISampler。CmaEs 对连续参数收敛更快。

未来 hyperopt 自动启用，但 6-param 被拒绝的实验用的是 NSGAIII（改 CmaEs 前），结果不受影响。

扩展实验：HonestTrend1mLive 单独 hyperopt（❌ 被拒绝）

Section titled “扩展实验：HonestTrend1mLive 单独 hyperopt（❌ 被拒绝）”

2026-04-22：在 1m timeframe 上单独 hyperopt（base class 是用 15m 数据调的，理论上 1m 可能有不同最优）。

设置

Section titled “设置”
  • 训练范围：2024-01 → 2024-12（1 年 1m BTC+ETH）
  • Epochs：50，min_trades=25（1m 交易少，必须降阈值）
  • 空间：4 个 pyramid 参数（不动 EMA/ADX/min_hold）
  • Sampler：CmaEs

最优参数（epoch 30/50）

Section titled “最优参数（epoch 30/50）”
参数base class 默认1m hyperopt变化
pyramid_1_stake_ratio0.800.60−25%
pyramid_2_stake_ratio0.800.70−13%
pyramid_2_trigger0.100.08−20%
pyramid_1_trigger0.080.08=

方向：加仓更保守（stake 小、第二次加仓门槛更低但金额更小）。

训练集（2024 单年）

Section titled “训练集（2024 单年）”
  • Default: +25.21%
  • 1m hyperopt: +24.72%（−0.49 ppt）

训练集上已经没有明显改善 —— 说明 CmaEs 在 50 epochs 内找不到比默认更好的组合。

全历史 3.3 年对比（2023-01 → 2026-04）

Section titled “全历史 3.3 年对比（2023-01 → 2026-04）”
指标Base class 默认1m hyperopt差异
Total Profit+37.99%+36.13%−1.86 ppt
Max DD10.55%10.33%−0.22 ppt
Calmar (wallet)4.154.04−0.11
Trades1351350
Win Rate35.6%35.6%0

回退决定

Section titled “回退决定”
  • 删除 strategies/HonestTrend1mLive.json
  • HonestTrend1mLive 继续继承 base class 的 pyramid 默认值
  • 教训：同一套 4 个 pyramid 参数在 15m 和 1m 上都够用，再单独 hyperopt 1m 是 noise-chasing

为什么没改善？

Section titled “为什么没改善？”
  1. Pyramid 触发器是”利润百分比”，不依赖 timeframe —— +8% 在 15m 和 1m 都是 +8%
  2. 真正会随 timeframe 变的是 EMA/ADX，但这些我们明确不做 hyperopt
  3. 50 epochs + 1 年数据不够 CmaEs 收敛到有意义的改善

未来优化路线

Section titled “未来优化路线”

短期

Section titled “短期”
  • 观察 W8 (2025-至今) 实盘 1-2 月，确认 4-param 新参数确实好

不做

Section titled “不做”
  • 不要再往 hyperopt 空间加 adx/min_hold（上面已验证是陷阱）
  • 不要一次调 >5 个参数（过拟合概率随维度指数增加）
  • 不要把 EMA 周期加进 hyperopt（这些是”结构性”选择，不该由优化器随意改）
  • 不要再单独 hyperopt 1m vs 15m 的 pyramid 参数（2026-04-22 已验证 noise-chasing）

关键教训

Section titled “关键教训”
  1. 训练 loss 降低 ≠ 生产更好：objective 从 -4.74 → -10.84 在训练集看来是 2× 改善，但全历史 DD 翻了 1.6 倍
  2. Walk-forward 独立窗口 ≠ 全历史回测：前者看不见”连续劣势”的复合伤害
  3. 相信 kill-switch 阈值：20% DD 不是随便定的，是实盘能扛住的心理上限。让 hyperopt 把 DD 推到那个阈值就是在玩火
  4. 少即是多：4 个 pyramid 参数 + 严格 loss 已足够。再加 2 个变量把噪音引进来
  5. 跨 timeframe 的 pyramid 参数是 timeframe-agnostic：同一套 4 个 pyramid 在 15m 和 1m 上都最优 —— 因为触发器看百分比利润而非 K 线数

复现

Section titled “复现”
Terminal window
# Hyperopt
freqtrade hyperopt \
  --strategy HonestTrend15mDry \
  --config configs/backtest/config_backtest_15m_btceth.json \
  --datadir user_data/data/binance \
  --user-data-dir user_data \
  --strategy-path strategies \
  --hyperopt-loss HonestHyperOptLoss \
  --hyperopt-path strategies \
  --spaces buy \
  --epochs 100 \
  --timerange 20220101-20241231 \
  -j 1  # single-threaded due to joblib pickle issue with our strategy


# 查看最佳 epoch
freqtrade hyperopt-show --best \
  --user-data-dir user_data \
  --hyperopt-filename strategy_HonestTrend15mDry_2026-04-21_17-08-21.fthypt


# Walk-forward 验证
python scripts/walk_forward_full_history.py \
  --strategy HonestTrend15mDry \
  --timeframe 15m \
  --config configs/backtest/config_backtest_15m_btceth.json

参考

Section titled “参考”