网格优化+贝叶斯优化=滚动优化

之前写过一篇关于贝叶斯优化（Bayesian Optimization）的文章，可惜应者寥寥。有人怀疑这是不是业界的普遍做法。其实知乎量化是不是这样做，我不知道，说实话，这不重要，反正我发现大名鼎鼎的图西格玛貌似是这样做的：

我之前的文章里也提到过python的这个GPyOpt包：

当然了，Two Sigma比较有钱，买得起付费的优化软件，比如

他说他们用一个教SigOpt的软件，原来GPyOpt计算24天的，用SigOpt只需要3天，速度提高了8倍。

当然，使用贝叶斯优化跟其它优化问题一样，初始值的决定很重要。如果初始值选不好，其实也是产生不了好的结果。贝叶斯优化的搜索路径是比较随机的，东一个点，西一个点。因此，可以先用网格优化找出一些基本的点，比如点的间距较大，覆盖面较广，然后再用贝叶斯优化来寻优。

如果是滚动优化，其实是很好办的，就用上次贝叶斯优化找到的点，作为初始点，因为多了的样本计算量其实并不大，之前的结果都计算好了。这样子的话，其实滚动起来效率挺高。

比如我之前的一个学员粉丝，其实很业余的，但交易结果还不错，就是用了这个贝叶斯优化的结果。说实话，他的背景跟量化并不沾边：

但交易曲线还不错的：

从夏普比的角度，在同时间段内，秒杀所有国内一线公开的高中低频产品。而且他是自营的，随时可以撤回。有私募找我要人，可惜人家还看不上呢。