上一节我们经过简单优化后实现了第一个盈利的策略，但我们依然需要思考一下策略参数是不是最优的，是否还有优化的空间？
本节我们将基于 freqtrade 的Hyperopt模块，对我们的策略参数进行优化，Hyperopt本质上还是基于scikit-optimize进行开发的。
我们先简单介绍一下原理，超参数优化一般有三种方式：
1、网格搜索（Grid Search）
网格搜索是暴力搜索，在给定超参搜索空间内，尝试所有超参组合，最后搜索出最优的超参组合，主要缺点是耗时，不适应大量参数的穷举，如下图：
2、随机搜索（Randomized Search）
随机搜索是在搜索空间中采样出超参组合，然后选出采样组合中最优的超参组合。随机搜索的好处如下图所示：
网格搜索和随机搜索的对比[2]
网格搜索不会care这个参数是否为important parameter,对于所有参数一视同仁，穷举所有的情况，寻找最优参数组合；而随机搜索会有更多的参数值参与到important parameter中，减少搜索范围，提升搜索效率。
3、贝叶斯优化（Bayesian Optimization）
调优的目的是要找到一组最优的超参组合，能使目标函数f达到全局最小值。
举个例子，若学习率设置过大，模型可能会在代价函数的全局最优点附近不断来回震荡，甚至跳出全局最优点，而设置过小，又可能会陷入局部最优，因此调学习率这一参数，是为了让模型能收敛到代价函数的全局最小值。可是在机器学习中，目标函数f常是被称作expensive blackbox function，计算开销大且不一定为凸函数。为此，贝叶斯优化出现了，它特别适合针对expensive blackbox function找到全局最优。
随机采样10个点的目标函数f(x)[4]
贝叶斯优化使用了高斯过程（gasussian processes, GP)去构建代理模型，基于给定的输入和输出，GP会推断出一个模型(这里为代理模型)。假设我们从expensive step的f(x)采样了4个点，然后我们把这4个点交给GP，它会返回一个代理模型
绿色实线就是GP的代理模型，绿色条带是输出分布的标准差(即为Uncertainty)。我们有了代理模型，后续我们去找下一个合适的超参值，就能带入到计算开销相对较小的代理模型中，评估给定超参值的情况。
对上述原理感兴趣的小伙伴，还可以再深入了解一下。
Code
实现我们HyperOpt的超参数调优代码：（相对比较简单）
# Hyperoptable parameters
buy_rsi = IntParameter(low=1, high=50, default=30, space='buy', optimize=True, load=True)
sell_rsi = IntParameter(low=50, high=100, default=70, space='sell', optimize=True, load=True)
short_rsi = IntParameter(low=51, high=100, default=70, space='sell', optimize=True, load=True)
exit_short_rsi = IntParameter(low=1, high=50, default=30, space='buy', optimize=True, load=True)将买入参数变量替换至买入策略中：
同理将卖出参数变量替换至卖出策略中：
启动参数调优，设置为500epoch:
docker-compose run --rm freqtrade hyperopt --config user_data/config.json --hyperopt-loss SharpeHyperOptLossDaily --strategy HyperIndexStrategy -e 500参数调优结果
从截图中可以看到，500 epoch运行完成后，best结果是在第141个epoch中得到，最大收益率1.6%，最大回撤2.02%。给出最优参数（买入、卖出、ROI、止损）组合如下：
（吐槽：参数调优太消耗CPU了，小机器调2次，2个晚上就没了，伤不起。。。。。）
下一节准备部署介绍一下如何将策略部署实盘。