Summary: 面向进阶用户的EA参数优化深度教程，对比遗传算法与暴力穷举在MT4中的效率与精度，给出过拟合识别方法、前进验证矩阵及三阶段优化策略，附带MQL4代码示例。




MetaTrader 4中的参数优化直接影响EA的稳健性。主要方法分为暴力穷举（全网格搜索）和遗传算法。理解二者差异可避免曲线拟合风险。

1. 暴力穷举优化
穷举测试每一组参数步长组合。假设5个参数，每个30步：30^5 = 2430万次运行。总运行次数公式：
```
运行次数 = ∏( (max_n - min_n) / step_n + 1 )
```
优点：保证全局最优。缺点：时间呈指数增长。

2. 遗传算法原理
MT4内置的GA使用选择、交叉（均匀交叉率0.8）和变异（变异率0.05）。仅测试暴力穷举约10-20%的运行次数。适应度函数示例：
```cpp
// 结合利润与回撤的自定义适应度
double Fitness() {
double profitFactor = ShfitProfitFactor();
double maxDD = ShfitMaxDrawdownPercent();
return profitFactor * (1.0 - maxDD/100.0) * 100.0;
}
```

3. 过拟合检测——前进验证矩阵
将数据分为样本内（IS：70%）和样本外（OOS：30%）。仅当OOS表现达到IS表现70%以上时接受该组参数。

4. MQL4参数验证代码
```cpp
// 优化回调函数，用于自定义验证
double OnTester() {
double profit = TesterStatistics(STAT_PROFIT);
double dd = TesterStatistics(STAT_MAX_DRAWDOWN);
double sharpe = TesterStatistics(STAT_SHARPE_RATIO);
if(dd > 0.3 * profit) return -1.0; // 拒绝高回撤参数
return sharpe;
}
```

5. 三阶段优化策略
  • 第一阶段（粗筛）：遗传算法搭配大步长，保留前20%的参数组合

  • 第二阶段（细调）：仅对第一阶段选出的参数区域进行暴力穷举

  • 第三阶段（验证）：在未见过的数据上执行前进验证


    • 参考来源：Kaufman, P. J. (2019). 《交易系统与方法》. Wiley. 第12章 - 优化技术。