貝葉斯優化 Bayesian Optimization
⚠️ 本站內容僅作教育用途，不構成投資建議。投資涉及風險，作出任何投資決定前請諮詢持牌專業人士。
貝葉斯優化 Bayesian Optimization（簡稱 BO）是一套針對昂貴黑盒函數的全局優化框架。所謂「昂貴」，指每次求值都要付出高成本——例如為一組策略參數跑一次完整回測。BO 的做法是：用高斯過程等代理模型逼近目標函數並量化不確定性，再用採集函數（如 EI、UCB）在探索與利用之間權衡，選出下一個最值得評估的點；得到新觀測後更新後驗，周而復始，直至用盡試錯預算。相比網格搜索或隨機搜索，BO 用更少次評估找到較好解。要留意 BO 找到的是代理模型意義下的「好參數」，若回測本身有過度擬合或前視偏差，優化只會把偏差放大；樣本外驗證仍然不可省略。