做量化回測時，不管是均線長度、停損停利（stop loss / take profit）、或持有天數等，都會影響績效。手動一個個試不但花時間，也很容易只在訓練資料上「挑到剛好」的參數（過擬合）。

使用 Optuna

Optuna 是一個好上手、效率高的自動化調參（hyperparameter optimization）工具。你只要把「想最大化的指標」塞進一個 objective() 函式，Optuna 就會幫你探索參數組合、找出表現好的結果。

Optuna 優點

• 搜尋效率高：預設使用 TPE（Tree-structured Parzen Estimator），通常比純網格（grid）或隨機（random）更省試算次數。
• API 簡潔：用 trial.suggest_* 就能定義整數、連續、類別、條件式空間。
• 容易加上實務約束：像「快均線 < 慢均線」這種規則可以直接在 objective() 裡處理。
• 可重現 & 可擴充：支援 seed、平行化、早停（pruning）、視覺化（visualization）。
• 易整合：純 Python，跟你既有的回測程式直接接上就行。

範例

接下來我簡單用**雙均線策略（SMA crossover）**示範Optuna的用法跟優點：

• 策略：SMA(fast) > SMA(slow) 持有，否則持有現金（long-only），下單在隔日（避免未來函數）。
• 要調的參數：fast_sma 與 slow_sma。
• 目標：最大化訓練期的年化夏普比（Sharpe ratio）。
• 驗證：用最佳參數在測試期做一次乾淨評估，降低過擬合疑慮。
• 交易成本：以單邊比例（例：5 bps = 0.05%）近似扣掉進出成本。

安裝依賴：

pip install optuna pandas numpy yfinance

想用美股可把 ticker 改成 "SPY"；以下預設台灣 0050（0050.TW）。

import warnings
warnings.filterwarnings("ignore")

import numpy as np
import pandas as pd
import optuna
from optuna.samplers import TPESampler
import yfinance as yf

# ----------------------------
# 1) 下載資料
# ----------------------------
def load_data(ticker="0050.TW", start="2012-01-01", end=None) -> pd.DataFrame:
    if end is None:
        end = pd.Timestamp.today().strftime("%Y-%m-%d")
    df = yf.download(ticker, start=start, end=end, progress=False)
    df = df[["Close"]].dropna()
    if df.empty:
        raise RuntimeError(f"下載不到 {ticker} 的資料")
    return df

# ----------------------------
# 2) 策略回測：雙均線（long-only）
# ----------------------------
def sma_crossover_backtest(prices: pd.Series, fast: int, slow: int, fee: float = 0.0005):
    """
    規則：
    - 訊號：SMA_fast > SMA_slow -> 持有；否則持有現金
    - 交易成本：fee 為單邊比例（例：0.0005 = 5 bps）
    - 下單：今日訊號，隔日持倉（避免未來函數）
    回傳：Sharpe, CAGR, MaxDD, 交易次數
    """
    if slow >= len(prices):
        return None

    fast_ma = prices.rolling(fast).mean()
    slow_ma = prices.rolling(slow).mean()
    signal = (fast_ma > slow_ma).astype(int)

    pos = signal.shift(1).fillna(0)      # 隔日才持倉
    ret = prices.pct_change().fillna(0)  # 日報酬
    strat_ret = pos * ret

    # 成本：部位變化當天扣一邊成本
    trades = pos.diff().abs().fillna(0)
    strat_ret -= trades * fee

    equity = (1 + strat_ret).cumprod()

    ann = 252
    mu, sigma = strat_ret.mean(), strat_ret.std()
    sharpe = (np.sqrt(ann) * mu / sigma) if sigma > 0 else -np.inf

    years = max(len(equity) / ann, 1e-9)
    cagr = equity.iloc[-1] ** (1 / years) - 1

    maxdd = float((equity / equity.cummax() - 1).min())
    return {"sharpe": float(sharpe), "cagr": float(cagr), "maxdd": maxdd, "trades": int(trades.sum())}

# ----------------------------
# 3) 訓練/測試切分
# ----------------------------
def split_series(df: pd.DataFrame, ratio: float = 0.7):
    n = len(df)
    cut = int(n * ratio)
    return df["Close"].iloc[:cut].copy(), df["Close"].iloc[cut:].copy()

df = load_data(ticker="0050.TW", start="2012-01-01")
train_prices, test_prices = split_series(df, ratio=0.7)

# ----------------------------
# 4) Optuna 目標函式：最大化訓練期 Sharpe
# ----------------------------
def objective(trial: optuna.trial.Trial) -> float:
    fast = trial.suggest_int("fast_sma", 5, 60)
    slow = trial.suggest_int("slow_sma", 30, 300)

    # 實務約束：快均線 < 慢均線，否則剪枝
    if fast >= slow:
        raise optuna.TrialPruned("fast_sma >= slow_sma")

    res = sma_crossover_backtest(train_prices, fast, slow, fee=0.0005)
    if res is None:
        raise optuna.TrialPruned("invalid window")

    return res["sharpe"]

# ----------------------------
# 5) 執行搜尋 + 報告結果
# ----------------------------
sampler = TPESampler(seed=42)  # 固定種子，便於重現
study = optuna.create_study(direction="maximize", sampler=sampler)
study.optimize(objective, n_trials=60, show_progress_bar=True)

print("最佳訓練期 Sharpe:", round(study.best_value, 3))
print("最佳參數:", study.best_params)

best = study.best_params
res_train = sma_crossover_backtest(train_prices, best["fast_sma"], best["slow_sma"], fee=0.0005)
res_test  = sma_crossover_backtest(test_prices,  best["fast_sma"], best["slow_sma"], fee=0.0005)

def show(tag, r):
    print(f"[{tag}] Sharpe={r['sharpe']:.3f}  CAGR={r['cagr']:.2%}  MaxDD={r['maxdd']:.2%}  Trades={r['trades']}")

show("Train", res_train)
show("Test ", res_test)

# 想畫淨值曲線可自行加 matplotlib，可選：
# import matplotlib.pyplot as plt
# plt.figure(figsize=(9,4))
# (1 + (train_prices.pct_change().fillna(0))).cumprod().plot(label="Buy & Hold (Train)")
# plt.legend(); plt.title("Reference Equity"); plt.tight_layout(); plt.show()

可以把目標函式換成 Sortino、Calmar 或多指標加權，並加入最小持有天數、停損/停利等超參數一起交給 Optuna 搜。