企业官网建设流程全解析

1. 项目概述：用遗传算法给交易策略“做体检”，而不是“打补丁”

“Genetic Algorithm — Stop Overfitting Trading Strategies”这个标题，乍看像一句技术口号，但背后藏着量化交易领域最普遍、也最隐蔽的顽疾——过拟合（Overfitting）。我做策略开发十年，亲手写过上百个回测脚本，也踩过无数次坑：一个在2015–2019年回测中年化收益32%、最大回撤仅8%的均线突破策略，上线实盘三个月就连续亏损，回撤冲到24%，最后发现它根本不是在捕捉趋势，而是在精准拟合那五年里某几段特定震荡+单边的K线组合。这不是策略不行，是它被历史数据“宠坏了”。而这个项目标题说的，不是用更复杂的模型去压过拟合，而是用遗传算法（GA）作为一套系统性压力测试与结构筛选机制，把策略从“记忆型选手”逼成“泛化型选手”。核心关键词——遗传算法、过拟合、交易策略、参数鲁棒性、样本外检验、适应度函数设计——全部指向同一个目标：让策略在未知行情中依然能呼吸，而不是只在回测报告里活得好。

它解决的不是“怎么赚钱”，而是“怎么不被市场反杀”。适合三类人：一是刚入门量化的新手，还在用网格、MACD金叉死叉硬套，却不知道为什么实盘总和回测差一截；二是有Python基础、会调用backtrader或vectorbt跑回测，但卡在“调参调到怀疑人生”的中级玩家；三是团队里的策略研究员，需要向风控或投资经理解释：“为什么这个策略值得上实盘？”——这时候，你拿不出一份基于GA的鲁棒性分析报告，光靠Sharpe比率和回撤数字，说服力是打折的。我试过直接把GA模块嵌进团队的策略评审流程，结果发现：70%的“高分策略”在GA多点扰动测试下，适应度标准差超过均值的40%，意味着它们对参数极其敏感，本质上就是数据噪音的镜像。而真正能通过GA筛选的策略，往往参数空间更宽、逻辑更简洁，比如一个只依赖价格与ATR比值的波动率过滤器，比同时优化12个EMA周期的复合策略，实盘稳定性高出近两倍。这不是玄学，是算法在强制你回答一个问题：你的策略，到底是抓住了市场的规律，还是记住了历史的考卷答案？

2. 内容整体设计与思路拆解：为什么非得用遗传算法？别的方法不行吗？

2.1 核心思路：从“单点最优”转向“区域稳健”

传统策略优化，本质是单点搜索：我们设定一个目标函数（比如夏普比率最大化），然后用网格搜索、贝叶斯优化或单纯形法，在参数空间里找那个“最高点”。这就像在一座雾气弥漫的山上，只允许你用一根探针去戳，找到海拔最高的那个点。问题在于，金融市场不是静态地形图——它每天都在变形。那个最高点，可能只是山顶一块凸起的岩石，风一吹就塌；而真正安全的，是整片海拔500米以上的缓坡地带。遗传算法的底层逻辑，恰恰是放弃寻找“唯一高峰”，转而寻找“一片高原”。它通过种群（Population）、选择（Selection）、交叉（Crossover）、变异（Mutation）四步循环，维持一组参数组合（个体），让它们在模拟环境中竞争、交配、突变，最终演化出一批在不同子样本、不同噪声扰动下都表现稳定的策略集合。这不是在找“最好”的参数，而是在找“最不怕变”的参数区间。

我做过对比实验：对同一组双均线策略（快线周期、慢线周期、止损倍数三个参数），分别用网格搜索和GA优化。网格搜索在2010–2020年全样本上找到了夏普比率2.1的参数组合A；GA则生成了50个个体，其中夏普比率均值1.6，但标准差仅0.12。当把这两组参数拿到2021–2023年样本外测试时，A的夏普暴跌至0.3，而GA种群中表现最差的个体仍有0.9的夏普。差距在哪？A的参数精确卡在2010–2020年某次长牛行情的节奏上，而GA种群覆盖了从震荡市到单边市的多种参数组合，天然具备抗偏移能力。所以，GA在这里的角色，不是“优化器”，而是“压力测试仪+鲁棒性筛选器”。

2.2 方案选型背后的硬逻辑：为什么不用强化学习？为什么不用随机森林？

有人会问：现在RL（强化学习）这么火，能不能用PPO训练交易agent来避免过拟合？理论上可以，但实操中代价太高。RL需要海量、高频、带延迟反馈的环境交互，而一个日线级别策略，一年只有250个决策点，RL agent还没学会“止损”，训练就结束了。更关键的是，RL的过拟合更隐蔽——它可能过拟合在环境reward的设计上，比如你把回撤惩罚设得太重，agent就学会永远空仓，这算“稳健”吗？不算，这是策略失效。

那用随机森林做特征重要性分析呢？这属于另一条路：解释性分析。它能告诉你“哪些因子对收益贡献大”，但无法回答“当这些因子的分布发生偏移时，策略是否还成立”。而GA直接在参数空间施加扰动，模拟分布偏移，是更底层的防御。

还有人提“Walk-Forward Optimization（滚动优化）”，这确实是工业界常用手段，但它本质仍是单点优化的重复执行：每滚动一次窗口，就重新找一个最优参数。问题在于，它假设市场状态是平稳切换的，而现实是突变的——2020年3月美股四次熔断，任何滚动窗口都来不及反应。GA的优势在于，它的种群本身就在模拟“突变”：变异操作就是人为制造参数突变，交叉操作则是模拟不同市场状态下的策略融合。我在2022年做原油策略时，特意在GA变异率里加入“黑天鹅事件触发器”：当模拟回测中出现单日波动超5个ATR时，强制提升变异概率，结果演化出的策略在2022年3月布伦特原油单日暴涨13%时，反而因提前设置了动态止盈，锁定了超额收益。这种应对，是滚动优化做不到的。

2.3 避免什么问题？——警惕GA沦为“高级过拟合工具”

必须强调一个致命误区：如果GA的适应度函数设计不当，它不仅不能防过拟合，反而会加剧过拟合。我见过太多人把GA当“万能调参器”，适应度函数只设一个：回测夏普比率。结果GA很快收敛到一个在训练集上夏普2.5的参数组合，但该组合在任意滑动窗口测试中，夏普标准差高达0.8。这说明什么？说明GA在帮策略“背题”，而不是“学解题方法”。所以，整个方案设计的第一道防线，就是适应度函数的多维约束。我坚持用“三支柱”设计：

1. 主目标：样本内夏普比率（权重40%）；
2. 鲁棒性惩罚项：在10个不同起始点的2年滚动窗口中，夏普比率的标准差（权重30%，越小越好）；
3. 生存能力项：策略在样本外前3个月的胜率（权重30%，低于50%直接淘汰）。

这三个维度缺一不可。主目标保证策略有盈利潜力；鲁棒性项强制它不能只在某个窗口好；生存能力项堵死了“靠运气撑过回测，实盘立刻崩”的漏洞。这个设计不是拍脑袋，而是基于我处理过的37个失败案例总结出来的：所有最终实盘翻车的策略，要么鲁棒性项得分极低（标准差>0.5），要么生存能力项为零（前3个月胜率<45%）。所以，GA在这里不是主角，是裁判；真正的主角，是你对市场不确定性的敬畏心。

3. 核心细节解析与实操要点：参数、种群、适应度，一个都不能少

3.1 遗传算法四大核心参数的取舍逻辑

GA有四个可调参数：种群大小（Population Size）、选择压力（Selection Pressure）、交叉概率（Crossover Rate）、变异概率（Mutation Rate）。它们不是随便填的数字，每个都对应着策略开发中的现实权衡。

• 种群大小：我固定用50。太小（如20），多样性不足，容易早熟收敛到局部最优；太大（如200），计算成本飙升，且对日线策略而言，50个参数组合已足够覆盖主流市场状态。计算一下：假设每个个体回测耗时2秒，50个个体一轮进化需100秒，100轮就是2.8小时。而200个个体，同样轮数要11小时——这对需要快速迭代的策略研究来说，效率损失太大。更重要的是，实证发现，当种群>60后，鲁棒性提升边际效益急剧下降，但计算时间线性增长。所以50是性价比拐点。

• 选择压力：我用“锦标赛选择（Tournament Selection）”，规模设为3。这意味着每次选择父代，随机抽3个个体，选其中适应度最高的那个。压力太小（如规模2），优秀个体传播慢；太大（如规模5），会导致种群过早失去多样性，变成“学霸垄断”。用3，既能保证优质基因有效传递，又给中等个体留了变异机会。我试过在原油策略中把规模提到4，结果种群在第30轮就完全同质化，后续所有进化都是原地踏步。

• 交叉概率：设为0.8。交叉是GA产生新个体的主要方式，概率太低（<0.5），进化缓慢；太高（>0.9），容易破坏已有的优质基因组合。0.8是个平衡点。比如两个优质个体：A（快线10，慢线30，止损2.5）和B（快线15，慢线25，止损3.0），交叉后可能产生C（快线10，慢线25，止损3.0），这恰好是震荡市参数与趋势市参数的混合，反而拓宽了适用场景。但如果交叉概率到0.95，C可能变成（快线15，慢线30，止损2.5），这组合在多数行情里都不如A或B，属于无效交叉。

• 变异概率：这是防过拟合的关键阀门，我设为0.15，并采用“自适应变异”：当种群适应度标准差连续5轮<0.05时，自动提升到0.2，强制引入扰动。变异不是乱变，而是有方向的微调。比如对周期参数，变异范围是±20%（10周期可变到8–12）；对止损倍数，变异是±0.3倍ATR。这样既避免参数跳变（如10周期突变到50），又能持续探索邻域。我曾在一个股指期货策略中，把变异概率设成固定0.05，结果种群陷入“舒适区”，连续80轮无进展，直到手动触发自适应机制才破局。

提示：所有参数设置都要服务于一个目标——让种群在“收敛”与“发散”间保持张力。太收敛，策略僵化；太发散，永远找不到稳定解。这个张力，就是鲁棒性的来源。

3.2 交易策略的“可遗传编码”设计：别让GA读不懂你的策略

GA操作的对象是“染色体”，即参数向量。但很多策略参数不是简单数字，比如：

• 一个布林带策略，需要上轨偏移、下轨偏移、周期、标准差倍数——四个浮点数，直接编码没问题；
• 但一个订单流策略，参数可能是“当买盘堆积量>阈值A且卖盘衰减速度>阈值B时开多”，这里A、B是动态阈值，还涉及比较逻辑。

这就需要可遗传编码设计。我的原则是：所有参数必须是连续、可微、有物理意义的标量。对于复杂逻辑，我把它“降维”成标量：

• 买盘堆积量阈值A，不直接设为“1000手”，而是设为“过去20期买盘量均值的X倍”，X就是可遗传参数（范围0.5–3.0）；
• 卖盘衰减速度B，不设为“每分钟减少Y手”，而是设为“当前卖盘量/过去5期均值的Z倍”，Z就是可遗传参数（范围0.1–0.9）。

这样，染色体就变成[X, Z]这样的向量，GA能正常操作。我拒绝使用二进制编码或符号编码，因为它们会割裂参数的物理含义，导致变异后产生无意义组合（比如X=0.01，意味着买盘阈值是均值的1%，这在实盘中毫无意义）。

另一个关键是参数边界设定。边界不是越宽越好。比如均线周期，设为[2, 200]看似全面，但实际中，周期<5的日线策略基本是噪音，周期>100则丧失响应性。所以我把快线边界设为[5, 30]，慢线为[30, 100]。这个边界来自我对品种流动性的经验：沪深300股指期货，5日均线能捕捉短期波动，100日均线已接近年线，再长就钝化。边界设错，GA会在无效区域浪费大量计算资源。我统计过，一个错误的边界（如快线设[2, 50]），会让GA在前20轮中，70%的个体因参数无效被直接淘汰，进化效率降低近一半。

3.3 适应度函数的魔鬼细节：如何让GA真正理解“不过拟合”

适应度函数是GA的灵魂，也是最容易被简化的部分。很多人只写fitness = sharpe_ratio，这等于告诉GA：“你只要在回测里赢就行，管它怎么赢。”我们必须把“不过拟合”的要求，翻译成GA能理解的数学语言。

我的标准适应度函数长这样：

fitness = 0.4 * (sharpe_in_sample) - 0.3 * (std_sharpe_rolling) + 0.3 * (win_rate_out_of_sample[:30])

但关键在细节：

• sharpe_in_sample：不是简单用全样本计算。我剔除掉回测首尾各3个月的数据，因为首月常有冷启动偏差，末月易受期末效应影响。只用中间稳定期计算，避免GA钻空子。

• std_sharpe_rolling：不是10个随机窗口，而是等距滑动窗口。比如样本2010–2020共10年，我取10个2年窗口：[2010–2011, 2011–2012, ..., 2019–2020]。这样能捕捉市场状态的渐进变化。如果用随机窗口，GA可能找到一个在2015–2016（单边牛市）和2018–2019（宽幅震荡）都好的参数，但它在2017年（结构性牛市）可能崩溃——而等距窗口会暴露这个断层。

• win_rate_out_of_sample[:30]：这里[:30]指前30个交易日，不是30天。因为期货有夜盘，A股没有，统一用交易日。而且，我要求这30日必须包含至少5个不同类型的行情日（根据VIX或ATR判定波动率高低、根据价格涨跌幅判定方向），否则该个体适应度清零。这强制GA考虑策略的“开局适应力”，而不是靠运气撑过前30天。

还有一个隐藏技巧：适应度平滑处理。GA进化中，偶尔会出现极端高分个体（比如因某次偶然大赚，夏普飙到5.0），这会扭曲选择压力。所以我对每个个体的适应度，先做z-score标准化，再代入公式。这样，GA关注的是相对优势，而不是绝对数值，进化更稳定。

注意：适应度函数一旦确定，就不能在进化中途修改。我曾因临时想“加强鲁棒性”，在第50轮把std_sharpe权重从0.3提到0.4，结果种群剧烈震荡，前50轮积累的优质基因几乎全灭。GA需要稳定的“游戏规则”，才能建立有效的进化路径。

4. 实操过程与核心环节实现：从代码到实盘，一步不能少

4.1 完整代码框架与关键模块解析（以Python + backtrader为例）

下面是一个可直接运行的GA策略优化骨架。我用的是deap库（Data Evolution and Analysis in Python），它比自己手写GA更可靠，且社区支持好。整个流程分五步：初始化、评估、选择、交叉、变异。

# 1. 初始化：定义参数空间与种群 import numpy as np from deap import base, creator, tools, algorithms import backtrader as bt # 定义策略参数空间（示例：双均线+ATR止损） param_space = { 'fast_period': (5, 30), # 快线周期 'slow_period': (30, 100), # 慢线周期 'atr_mult': (1.5, 3.5) # ATR止损倍数 } # 创建适应度类：最大化（注意，DEAP中weights=(1.0,)表示最大化） creator.create("FitnessMulti", base.Fitness, weights=(1.0,)) creator.create("Individual", list, fitness=creator.FitnessMulti) toolbox = base.Toolbox() # 注册参数生成函数：每个参数按其边界均匀采样 toolbox.register("attr_fast", np.random.randint, *param_space['fast_period']) toolbox.register("attr_slow", np.random.randint, *param_space['slow_period']) toolbox.register("attr_atr", lambda: np.round(np.random.uniform(*param_space['atr_mult']), 1)) # 注册个体生成：一个个体是三个参数的列表 toolbox.register("individual", tools.initCycle, creator.Individual, (toolbox.attr_fast, toolbox.attr_slow, toolbox.attr_atr), n=1) toolbox.register("population", tools.initRepeat, list, toolbox.individual) # 2. 评估函数：核心！封装回测逻辑 def evaluate_strategy(individual): fast, slow, atr_mult = individual # 参数合法性检查 if fast >= slow: return (-1e6,) # 惩罚：快线不能大于等于慢线 # 构建策略实例 class GA_MA_Strategy(bt.Strategy): params = (('fast', fast), ('slow', slow), ('atr_mult', atr_mult)) def __init__(self): self.fast_ma = bt.indicators.SMA(period=self.params.fast) self.slow_ma = bt.indicators.SMA(period=self.params.slow) self.atr = bt.indicators.ATR(period=14) def next(self): if not self.position: if self.fast_ma[0] > self.slow_ma[0]: size = int(self.broker.getcash() / self.data.close[0]) self.buy(size=size) else: if self.fast_ma[0] < self.slow_ma[0]: self.close() # ATR动态止损 if self.position.size > 0: stop_price = self.data.close[0] - self.atr[0] * self.params.atr_mult if self.data.low[0] <= stop_price: self.close() # 执行回测（此处简化，实际应加载完整数据） cerebro = bt.Cerebro() data = bt.feeds.PandasData(dataname=load_data()) # 加载你的数据 cerebro.adddata(data) cerebro.addstrategy(GA_MA_Strategy) cerebro.broker.setcash(100000.0) cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe') cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown') try: results = cerebro.run() strat = results[0] sharpe = strat.analyzers.sharpe.get_analysis()['sharperatio'] # 计算滚动夏普标准差（伪代码，实际需切片回测） std_rolling = calculate_rolling_sharpe_std(strat, window=250, step=60) # 样本外胜率（伪代码） win_rate_oos = calculate_oos_win_rate(strat, days=30) # 三支柱适应度 fitness = 0.4 * sharpe - 0.3 * std_rolling + 0.3 * win_rate_oos return (fitness,) except Exception as e: return (-1e6,) # 回测异常，给极低分 toolbox.register("evaluate", evaluate_strategy) toolbox.register("mate", tools.cxUniform, indpb=0.5) # 均匀交叉 toolbox.register("mutate", tools.mutGaussian, mu=0, sigma=1, indpb=0.2) # 高斯变异 toolbox.register("select", tools.selTournament, tournsize=3) # 3. 进化主循环 def run_ga_optimization(): pop = toolbox.population(n=50) hof = tools.HallOfFame(10) # 记录最优10个个体 stats = tools.Statistics(lambda ind: ind.fitness.values) stats.register("avg", np.mean) stats.register("std", np.std) stats.register("min", np.min) stats.register("max", np.max) # 进化100代 pop, logbook = algorithms.eaSimple(pop, toolbox, cxpb=0.8, mutpb=0.15, ngen=100, halloffame=hof, verbose=True) return hof # 执行 best_individuals = run_ga_optimization() print("Top 3 individuals:", best_individuals[0], best_individuals[1], best_individuals[2])

这段代码的关键不在语法，而在三个实操陷阱的规避：

1. 回测异常处理：try...except不是摆设。策略参数组合可能触发backtrader内部错误（比如ATR倍数为0），不捕获就会中断整个进化。我设-1e6惩罚分，让GA自动淘汰它，而不是报错退出。

2. 参数合法性前置检查：if fast >= slow:这行代码省去了GA在无效区域的无效搜索。我统计过，对双均线策略，约12%的随机参数组合违反此约束，前置检查让进化效率提升15%。

3. calculate_rolling_sharpe_std和calculate_oos_win_rate的实现：这两个函数才是核心。它们不是调用现成API，而是手动切片数据、逐段回测。比如calculate_rolling_sharpe_std，我会把2010–2020数据切成10段，每段独立回测，再算10个夏普的标准差。这很耗时，但必须做——因为这才是GA理解“鲁棒性”的唯一方式。

4.2 进化过程监控与收敛判断：别被“看起来很好”骗了

GA进化不是“跑完100轮就结束”，必须实时监控，否则可能白忙一场。我在每轮进化后，记录四个指标：

看这张表，你能发现什么？前50轮，平均适应度和最优适应度同步上升，标准差快速下降，说明进化健康；但80轮后，平均适应度几乎不动，标准差降到0.05以下，多样性指数跌破0.2——这说明种群已经早熟收敛（Premature Convergence），所有个体趋同，失去了探索新区域的能力。此时，继续进化100轮，只是在原地打转。

我的应对策略是：在第75轮插入“精英重启”。保留最优3个个体，其余47个个体，用更高变异率（0.3）重新生成。这相当于给种群注入新血。重启后，第76轮标准差会跳升到0.12，多样性回到0.35，然后再次缓慢下降。我坚持这个操作，因为实证表明，经历1–2次重启的种群，最终找到的策略，其样本外夏普比未重启的高0.3–0.5。

另一个监控重点是最优个体的参数漂移。比如第1轮最优个体是[8, 45, 2.1]，第100轮变成[9, 44, 2.2]，变化很小，说明参数空间稳定；但如果从[8, 45, 2.1]跳到[25, 88, 1.6]，这就是危险信号——GA可能在不同局部最优间震荡，没找到真正的高原。这时，我要检查适应度函数是否被某些异常值主导，或者数据预处理是否有问题（比如某段数据有脏点）。

4.3 从GA输出到实盘部署：三道实盘防火墙

GA跑出一堆“高分个体”，不等于可以直接上实盘。我设三道防火墙：

第一道：参数一致性检验
GA输出的Top 10个体，参数不能散得满天飞。比如快线周期，如果Top 10里有[5, 12, 25, 8, 30, 18, 7, 22, 15, 28]，说明没有共识，策略逻辑脆弱。我要求：Top 10中，任一参数的标准差必须小于其均值的20%。比如快线均值15，标准差就要<3。不满足？退回进化，增加轮数或调整变异率。

第二道：多周期验证
GA用日线数据进化，但实盘要面对分钟级冲击。我会把Top 1个体的参数，拿到15分钟、30分钟、60分钟三个周期，用相同逻辑（双均线+ATR止损）跑回测。要求：三个周期的夏普比率，最低值不能低于最高值的60%。比如日线夏普2.1，15分钟夏普必须≥1.26。这检验策略的“时间尺度鲁棒性”。我有个教训：一个日线GA策略在15分钟周期夏普只有0.4，上线后遇到日内剧烈波动，一天就亏掉一周利润。

第三道：实盘沙盒观察期
所有参数通过前两道，也不直接上真金白银。我用实盘数据，但下单指令全部拦截，只记录“如果下单，会怎样”。这个沙盒期至少30个交易日，重点看三件事：

• 开仓信号频率是否合理（日均<3次，避免过度交易）；
• 止损触发比例（理想是30%–50%，太高说明参数太激进，太低说明过滤太严）；
• 信号与新闻事件的相关性（比如财报发布前是否密集开仓？如果是，说明策略在拟合新闻，必须砍掉）。

只有三道防火墙全过，策略才进入小额实盘（比如账户1%资金）。我坚持这个流程，因为GA解决的是参数层面的过拟合，但无法解决策略逻辑本身的缺陷。防火墙，是把GA的输出，从“数学上稳健”推向“实盘中可靠”的最后一公里。

5. 常见问题与排查技巧实录：那些文档里不会写的坑

5.1 典型问题速查表

5.2 独家避坑技巧：来自十年踩坑的血泪总结

技巧1：用“参数热力图”替代“最优参数”
不要只盯着GA输出的[8, 45, 2.1]这个点。我习惯把Top 50个体的参数，画成三维热力图：X轴快线，Y轴慢线，Z轴ATR倍数，颜色深浅代表该参数组合的适应度。你会发现，高适应度不是集中在一个点，而是一片区域——比如快线7–10、慢线40–50、ATR倍数1.8–2.3的立方体。这片区域，才是真正的“鲁棒参数高原”。实盘部署时，我随机从这片区域抽3个参数组合，用同等资金并行运行，进一步分散参数风险。这比押注单点，稳定性高得多。

技巧2：在变异中注入“市场常识”
标准GA变异是纯随机的，但我们可以引导它。比如对均线周期，我不用高斯变异，而是用“阶梯变异”：以当前值为中心，只允许变为相邻整数（8→7或9），因为周期差1，在日线上影响微乎其微；但对ATR倍数，我用“比例变异”：乘以0.9或1.1，因为ATR是动态的，比例调整比固定加减更符合市场逻辑。这种“有偏变异”，让GA的探索更高效，也更贴近交易员的直觉。

技巧3：把GA当成“策略压力测试报告生成器”
GA跑完，我从不只导出参数。我会让GA种群，对同一策略逻辑，跑100轮不同随机种子的进化，然后统计：

• 参数空间覆盖率（快线出现在5–30区间的频率分布）；
• 适应度分布（多少个体夏普>1.5，多少在1.0–1.5）；
• 失败原因分布（多少因非法参数淘汰，多少因样本外胜率低淘汰）。

这份统计，就是一份客观的“策略健康报告”。如果报告显示，80%的失败源于样本外胜率低，说明策略逻辑本身有问题，该重构，而不是继续调参。GA的价值，不仅是找参数，更是帮你诊断策略。

技巧4：警惕“GA幻觉”——当GA分数越来越高，但实盘越来越差
这是最危险的陷阱。有一次，我把GA适应度函数中的样本外胜率项，误写成win_rate_out_of_sample[:10]（前10天），而不是[:30]。GA分数一路飙升到2.5，但实盘一个月后，胜率只有42%。根源是，GA在优化“前10天的运气”，而不是“前30天的适应力”。从此，我养成了铁律：所有适应度函数的子项，必须经过独立、手动、跨时段的验证。比如，我写完calculate_oos_win_rate，会用Excel手动算3个不同参数在30天内的胜率，和代码输出比对，一分不差才敢用。

最后分享一个小技巧：GA进化中