MT5 EA最佳化入門：遺傳演算法實戰解說

MT5 EA最佳化入門：遺傳演算法實戰解說

在調整 EA 參數時，MT5 的策略測試器提供兩種最佳化模式：「窮舉法（逐一測試所有參數組合）」與「遺傳演算法（GA）」。

面對龐大的組合數量，在有限時間內完成搜尋，遺傳演算法是業界標準做法。本文將整理遺傳演算法最佳化的基本概念與實務要點。

什麼是遺傳演算法

遺傳演算法（Genetic Algorithm，GA）是一種模仿生物進化的最佳化方法。具體流程如下：

1. 隨機生成多組參數（個體）
2. 對每個個體執行回測，並依評估指標（PF、還原係數等）進行評分
3. 從高分個體中選出「親代」，透過交叉與突變產生下一代
4. 重複以上過程，隨著世代累積，逐漸收斂至高評分的參數組合

窮舉法是「遍歷所有組合」，而 GA 則是「聚焦於較優區域進行搜尋」，因此計算時間可縮短數個數量級。

窮舉法與遺傳演算法的使用場景

• 參數數量少、組合在數千以下 → 使用窮舉法徹底覆蓋
• 參數數量多、組合在數萬以上 → 使用遺傳演算法

舉例來說，若 3 個參數各設定 10 個步進值，共有 1,000 種組合，窮舉法即可勝任。但若 5 個參數各設定 20 個步進值，組合數高達 320 萬種，此時便需要遺傳演算法。

策略測試器的設定方式

啟用最佳化功能，請在策略測試器介面中進行以下設定：

• 最佳化：選擇「基於遺傳演算法的快速最佳化」
• 結果：選擇評估指標，例如「最大複利」、「自訂最大值」、「最大還原係數」等
• 輸入參數頁籤：勾選欲最佳化的參數，並設定起始值、終止值與步進值

評估指標的選擇方式

選擇什麼作為「優良」標準，將直接影響最終結果。以下列出常見指標及其特點：

• 最大複利（獲利）：僅最大化利潤。因無視風險，容易陷入過度最佳化
• 還原係數：淨利潤 ÷ 最大回撤。兼顧平衡
• 夏普比率：考量報酬率的穩定性
• 自訂最大值：可在 EA 程式碼中自由定義（例如：PF × 交易次數）

建議使用還原係數或夏普比率，這是在避免過度最佳化的同時，較容易找到實用參數的方式。

執行遺傳演算法最佳化

啟動最佳化後，每一世代中評估值較高的參數組合，將依序列於「最佳化結果」頁籤中。MT5 的遺傳演算法會自動執行數百個世代，逐步收斂至優質解。

常見陷阱

• 收斂過快：參數搜尋範圍可能過於狹窄
• 完全不收斂：評估指標設定不當，或資料雜訊過多
• 收斂至明顯異常的數值：未排除交易次數過少的解

透過在評估函數中加入「排除交易次數低於 50 次的結果」等篩選條件，可有效去除樣本數不足的雜訊解。

避免過度最佳化

最佳化執行越多次，越容易趨近「過去完美、未來失效」的參數。以下是避免這種情況的實務守則：

1. 分割時間區間

以 10 年歷史資料為例，可用前 7 年進行最佳化，再用後 3 年進行樣本外（OOS）驗證。若後半段結果崩潰，即可判斷前半段發生了過度擬合。

2. 比較前 10 至 20 名結果

僅採用最高分的單一結果是危險的做法。應確認排名靠前的解是否集中在相似區域，若是，則採用該區域中央附近的參數。

3. 檢驗參數靈敏度

將候選參數上下調整 10 至 20%，確認結果是否出現大幅崩潰。若崩潰，代表該解過度擬合於「尖銳的最佳點」。

4. 保留不進行最佳化的參數

刻意保留「未經最佳化、邏輯上自然的固定值」，能有效降低過度最佳化的風險。例如，對 EMA 週期進行最佳化，但將 ATR 倍數固定不動。

善用並行最佳化

MT5 支援多核心 CPU 的並行最佳化。在「測試器」→「設定」中增加使用的代理數量，即可縮短計算時間。

此外，若使用 MQL5 雲端網路，可調用全球遠端代理進行大規模最佳化，但需支付費用。建議先在本地縮小參數範圍後，再考慮是否使用雲端資源，效率更佳。

縮小最佳化對象的範圍

最佳化的參數，基本上應限縮在進場判斷週期、止損幅度等構成邏輯核心的少數幾個。

其餘參數以「自然值」固定，較容易防止過度最佳化。回測的 PF 只要持續最佳化就能不斷提高，但未來市場中失效的風險也會隨之增加。**「選擇平凡的數字，長期穩定運行」**才是實務上的正確解答。

免費 EA 下載

本站的免費 EA DONCHIAN ENGINE（USDJPY H1），在 USDJPY H1·9.4年（2017-2026 Dukascopy 實際 tick）的回測中，PF 1.50、勝率 34.5%、最大DD 10.8%、交易數 631 次。

查看免費 EA DONCHIAN ENGINE

推薦券商

為了讓回測與最佳化的結果在實盤中得到更好的再現性，本站推薦以成交品質為重點的券商。

查看推薦券商列表