博客

自适应数据粒度如何加速回测并节省存储空间：仅在价格显著波动或成交量异常的位置从1分钟下钻到1秒、100毫秒和原始交易，而非对整个历史序列进行处理。

如何从分钟级K线预计算时间框架和指标，保存为 parquet 文件，并在大规模策略测试中使用，避免重复计算。

为什么单次训练/测试分割无法防止过拟合，walk-forward 优化如何系统性地验证参数稳健性，以及为什么一个具有 21 个参数、PnL@ML 达 +3342% 的策略在没有 WFO 的情况下是一颗定时炸弹。

为什么10个加密货币交易对无法提供10倍分散化，如何通过correlation_factor计算effective_N，以及实际需要监控多少个交易对才能达到80-90%的编排器插槽利用率。

Polars 与 Pandas 在算法交易任务上的详细对比：过滤、聚合、滚动信号计算、I/O 和内存消耗的基准测试。Polars + Numba 混合架构实现最大回测性能。

为什么找到最佳策略参数只是工作的一半。如何从视觉和定量两方面区分稳定的平台与脆弱的尖峰，以及为什么Optuna等高线图是将优化后的策略投入生产前的必要步骤。

为什么穷举搜索对12个以上参数不可行，坐标下降法如何遗漏参数交互作用，以及Optuna的TPE采样器如何在500次迭代中找到OAT在96次中无法找到的结果。实用代码示例、采样器对比与多目标优化。