目标函数（优化准则）

每个准则在奖励什么

• 净利润奖励规模和暴露：交易最多或者持仓最大的那个组合通常胜出，连带它的回撤一起。
• 盈亏比奖励挑剔：一个交易极少、而且一笔都没亏的组合，得分是无穷大。
• 每笔期望值奖励平均单笔很大，不管总共有多少笔。
• 每笔夏普或索提诺奖励单笔结果的一致性。
• SQN 把每笔夏普乘上交易笔数的平方根，所以它同时奖励一致性和样本量。
• 自定义比率，比如收益除以回撤，奖励的是某个具体账户规则真正在意的东西。

同一个网格，两个胜出者

组合 A 做了 12 笔交易，盈亏比 4.0，净结果 +1,800。组合 B 做了 140 笔交易，盈亏比 1.4，净结果 +5,600。最大化盈亏比会选中 A；最大化净利润或者 SQN 很可能选中 B。而如果给每个组合都加上「至少 30 笔交易」的约束，A 在排序之前就被排除了。

约束和准则一样重要：没有它，选择会一路漂向那些样本极小、比率因为偶然而极端的组合。更隐蔽的问题是：在看到每个准则各自会选中哪个组合之后再去改准则，这本身就是一种数据窥探。准则属于那份写下来的假设，而不是属于看完结果之后的调整。

在 Senzoukria 里

自动回测的参数扫描和前推分析提供四个选择准则：SQN（默认，标注为把交易笔数考虑在内）、盈亏比、每笔期望值和每笔夏普。交易笔数少于 10 的组合会被赋予负无穷的分数，所以它永远不会被选中；而一个没有亏损交易、盈亏比为无穷大的组合，会被映射到一个很大的有限分数，这样排序仍然是确定的。

前推分析随后在每一个训练窗口内应用所选的准则，并在紧随其后的测试窗口上评估胜出者；而 Gauntlet 用一些不依赖这个准则的统计量来审判被选中的那条路径，比如置换检验的 p 值和去膨胀夏普。

常见错误

• 优化净利润，然后对胜出者的回撤感到意外。
• 在没有最少交易笔数约束的情况下优化盈亏比。
• 挑一个能让自己偏爱的那个组合胜出的准则。
• 把优化出来的那个数值读成对未来表现的估计；它是许多个数值里的最大值，天然偏高。