任何量化策略都有参数，如均线周期、止盈止损比例。参数的选择直接影响策略表现。PTrade提供了参数优化功能，可以自动寻找最优参数组合。本文介绍网格搜索和遗传算法的使用。

网格搜索：枚举所有参数组合，选择绩效最好的。在PTrade的策略编辑界面，点击“参数优化”，设置参数范围。例如，双均线策略，短周期范围5-20步长1，长周期范围20-60步长5。系统会运行所有组合（16*9=144种），列出每种的年化收益、夏普等。你可以选择最优组合，一键应用到策略。

网格搜索的缺点：参数多时组合爆炸（例如4个参数，每个10种，就是10000种），耗时很长。因此只适用于参数少的策略。

遗传算法：模拟生物进化，通过选择、交叉、变异迭代优化。适合参数多、空间大的优化问题。PTrade支持遗传算法优化。设置种群大小（如50）、迭代代数（如20）、适应度函数（如夏普比率）。系统会自动搜索，通常比网格搜索快很多。

优化注意事项：

1. 避免过拟合。优化后的参数在样本内表现极好，但样本外可能很差。一定要用未参与优化的时间段验证。

2. 选择参数平原。最优参数附近的小范围变化不应导致绩效剧烈波动，否则实盘容易失效。

3. 优化频率不宜过高。频繁优化等于过拟合。建议每月或每季度优化一次。

4. 使用滚动优化：用过去N个月的数据优化，预测下个月，然后滚动。

PTrade中的参数优化是自动化过程，但你需要设定合理的优化目标。不要只盯着总收益，还要考虑最大回撤、夏普比率。可以设置多目标优化，例如最大化夏普的同时限制回撤<15%。

参数优化是量化策略开发的必要步骤，但不是唯一步骤。优化后的策略仍需模拟盘验证。国金证券的PTrade提供强大的优化引擎，10万资金即可开通。量化社群中分享了许多参数优化的实战经验。