cGAN 生成模拟样本为应对策略参数过拟合提供新思路本文构建了基于生成对抗网络的量化策略参数调优框架，为应对策略过拟合提供了新思路。传统基于单一历史路径进行参数调优的方法存在较高过拟合风险，而cGAN 生成的拟真样本则可以对备选参数进行批量回测，通过观察备选参数的大样本统计表现来决定样本外所使用的参数。基于大数定律，在大样本模拟路径上的回测可以降低偶然因素对参数表现的影响，回归参数的本质表现，进而辨别参数的优劣。实证结果表明，cGAN 生成样本对备选参数具有较为明显的区分能力，基于cGAN 的择时策略表现优于传统方法。

基于历史数据的参数调优可能由于路径随机与时序随机而产生过拟合首先，在随机过程的视角下，资产历史数据只是随机过程的一条实现路径，仅在历史数据上进行回测无法观察到备选参数在潜在路径上的表现，这种路径随机性偏差可能导致历史回测的最优参数并不是“过去的最优解”。其次，样本内外的切分点可能位于市场规律或风格变换的“阵痛期”，因此样本内的最优参数无法捕捉变换后的市场规律或风格，这种时序随机性偏差可能导致“过去的最优解”不是“未来的最优解”。路径随机与时序随机的偏差相叠加容易带来参数过拟合的问题。

构建基于cGAN 的参数调优框架基于cGAN 的参数调优框架包括以下步骤：1.以资产历史收益率序列为条件，训练cGAN 生成大量未来的模拟收益率序列；2.采用自相关性、偏自相关性、厚尾分布、波动率聚集等指标来验证资产模拟收益率序列的拟真性； 3.令备选参数在所有模拟路径上进行回测，计算各个参数的回测统计表现，由于备选信号与模拟路径数量级较高，回测时采用numba 等加速包对回测流程加速；4.根据备选参数的统计表现选择在“模拟未来”整体表现更为稳健的参数应用于真实的未来，实际操作时可以选择多组表现稳健的备选参数进行信号集成。

利率债指数趋势择时实证：基于cGAN 的方法优于传统方法本文以中债-国债总净价（总指）指数为标的进行基于cGAN 参数调优的趋势择时数据实证。具体回测时，采取每两年滚动的方式进行策略构建，即每两年年末训练cGAN，生成500 条未来2 年的模拟路径并对备选信号进行回测，选择统计表现最稳健的参数应用于未来2 年择时，调仓频率为周频。

实证结果表明，模拟路径对备选信号具有较强的区分能力，基于模拟路径进行备选参数选择是合理的。在全部回测区间内，多空择时夏普比率1.85，历史最大回撤3.54%；多空择时总调仓次数为38 次，平均每年调仓4.00次，多头端平均每次持仓65.95 天，空头端平均每次持仓54.95 天。

探讨回测参数、随机数种子对策略的影响及在其他标的上的测试最后本文对策略构建中的参数及随机数种子点进行讨论：策略参数主要为每个截面期从备选参数里选择的参数数量，本文所有的备选参数为277 组，我们测试了表现靠前的N=130、140、150、160、170 的回测结果，以及不同随机数种子点的结果，结果表明策略较为稳健。在其他指数上的测试结果表明基于cGAN 调参的方法回测效果也较好，且cGAN 有更低的过拟合概率。