参数优化的目的是找到一组收益稳定的、适合多种趋势场景的参数，收益未必高，但是最稳定的参数，回避参数孤岛，追求参数高原。即去寻找一个较宽的参数范围，模型在这个参数范围内都能取得较好的结果，避免过度优化带来风险。

评价一组参数咋样？不仅看近期k线数据的收益率，也要看长期k线数据的收益的，二个收益率要综合看，才有意义。

例如，你用最近的短期数据做参数优化得到一个参数表，然后再用长期的数据做参数优化也得到一张参数表，二个参数取一个交集，找出几个长期数据、短期数据都表现不错的参数组合，再根据其他的因素在几组中选出一组参数来使用。并且，用相对低的收益来代表这个模型的盈利能力。如果就是找不到，就要看你注重参数的稳定性，还是注重参数预测性，要做一下选择了。你可以找短期预测性不错、长期稳定性也还过得去的参数组。

量化是基于概率的，所以量化追求的是长期稳定的收益，并不是追求高收益提款机的手段的。如果就是找不到均衡的参数，说明这个策略是不可用的，就得去优化策略了。

参数设置的越多，就越会有过度拟合的风险。参数优化的逻辑是帮助用户了解策略的盈利区间有多大，并不是以找出一组完美适配的参数为目的。如果模型设置了过多的参数，那就意味着需要同时满足这些参数条件时模型才会有很好的表现，对于这样的模型，市场的任何一次波动都可能带来黑天鹅。