# 优化与验证 (/zh/features/optimization)

搜索参数、在样本外验证、检验结果能否成立，并跨资产配置。将策略变成可重复的研究流程，从大规模参数扫描，延伸到前向滚动测试、稳健性检查和投资组合优化。

## 从这里开始 \[#start-here]

| 您想测试什么？              | 从哪里开始                                                                |
| -------------------- | -------------------------------------------------------------------- |
| 哪些窗口、阈值、止损或规则适合组合    | [参数优化](/zh/features/optimization/strategy-optimization/)             |
| 选定设置在未用于选择它们的数据上表现如何 | [前向滚动与交叉验证](/zh/features/optimization/time-series-cross-validation/) |
| 结果是否依赖幸运设置、过滤器或价格历史  | [稳健性与过拟合](/zh/features/optimization/robustness-and-overfitting/)     |
| 如何为资产分配权重，以及再平衡成本多少  | [投资组合优化](/zh/features/optimization/portfolio-optimization/)          |

*   [参数优化](/zh/features/optimization/strategy-optimization): 使用网格、条件和随机搜索遍历数百万种参数组合
*   [前向滚动与交叉验证](/zh/features/optimization/time-series-cross-validation): 通过滚动、扩展和清除重叠信息的切分，在样本外测试优化参数
*   [稳健性与过拟合](/zh/features/optimization/robustness-and-overfitting): 用基线、置换检验和修正夏普比率，检查回测是否只是运气
*   [投资组合优化](/zh/features/optimization/portfolio-optimization): 用自己的函数或优化器库配置资产，并回测再平衡

## 从参数搜索到经过测试的策略 \[#from-a-parameter-search-to-a-tested-strategy]

从计算信号、运行回测并返回待比较指标的 Python 函数开始。VBT 可以在参数组合网格或随机样本上运行它，再跨训练窗口重复搜索，并在之后的测试区间评估选定设置。您可以保留现有 pandas
计算，自行选择评分规则。

稳健性检查帮助您调查结果的驱动因素。比较相邻设置、移除过滤器、延迟信号，或在打乱历史上重复搜索。结果按测试组合保留标签，因此可以在主要夏普比率之外，同时检查[回撤](/zh/features/analytics/drawdown-analysis/)和[交易行为](/zh/features/analytics/trade-analytics/)。

## 从资产权重到回测 \[#from-asset-weights-to-a-backtest]

投资组合优化从权重开始。提供自己的权重表，用函数计算配置，或使用 PyPortfolioOpt、Riskfolio-Lib、Universal Portfolios。VBT
将目标转换为模拟，让您比较再平衡计划、权重漂移、手续费和绩效。等权重篮子为更复杂方法提供简单基线。

示例页面展示过程的两个方面：搜索策略设置并在样本外评估，再比较扣除交易成本后的资产配置。

## 完整教程 \[#worked-tutorials]

通过[交叉验证教程](/zh/tutorials/cross-validation/)测试策略稳健性，或通过[投资组合优化教程](/zh/tutorials/portfolio-optimization/)比较配置方法。