Summary: 面向进阶用户的EA参数优化技术对比，解析遗传算法与网格搜索的数学原理、收敛行为及过拟合风险。包含前进验证准则、参数敏感度计算及可直接嵌入MQL5的遗传算法模块。
参数优化是区分盈利EA与曲线拟合陷阱的关键。主流方法为网格搜索（穷举）与遗传算法（GA）。理解其数学行为可有效防止过拟合。
1. 网格搜索：确定性基准
网格搜索评估定义边界内的所有参数组合。对n个参数各s步，复杂度O(sⁿ)。5参数各20步：320万次运行。每次运行计算：
```
盈亏比 = Σ(总盈利_i) / Σ(总亏损_i)
夏普比率 = (R_p - R_f) / σ_p
```
综合适应度评分：
```cpp
double fitness = profitFactor * 0.6 + sharpeRatio * 0.4;
```
2. 遗传算法：收敛数学原理
GA维持大小为N的种群P。每代应用选择（轮盘赌）、交叉（单点，概率0.7）、变异（比特翻转，概率0.01）。收敛率：
```
E[最佳适应度(t+1)] ≥ E[最佳适应度(t)] + (μ*σ)
```
其中μ为选择压力，σ为种群方差。
3. 过拟合检测：前进验证
将数据分为样本内(IS)与样本外(OOS)。仅当满足下式时接受参数：
```
样本外适应度 ≥ 样本内适应度 * 0.85
```
优化使用的K线数不超过总量的20%。
4. MQL5遗传优化器模块
```cpp
struct SParamSet {
double maPeriod[10];
double stopLoss;
double fitness;
};
SParamSet 交叉(SParamSet &a, SParamSet &b) {
SParamSet 子代;
子代.maPeriod[0] = (a.maPeriod[0] + b.maPeriod[0]) / 2.0;
子代.stopLoss = (MathRand()%100 < 70) ? a.stopLoss : b.stopLoss;
return 子代;
}
void 变异(SParamSet &p, double 概率) {
if(MathRand()/32767.0 < 概率)
p.maPeriod[0] *= (0.9 + MathRand()/32767.0 * 0.2);
}
```
5. 实战规则：参数敏感度图谱
对每个参数计算：
```
敏感度 = Δ适应度 / Δ参数值
```
若敏感度 < 0.1，固定该参数。高敏感度(>0.8)需收紧优化边界以防过拟合。
参考来源：Robert Pardo，《交易策略评估与优化》，Wiley Trading，2008；MQL5官方文档-遗传优化（mql5.com/docs/tester/genetic_algorithm）。