В прошлом уроке ты запустил бэктест с одним набором параметров. Но откуда ты знаешь что RSI=14 лучше чем RSI=10 или RSI=20? Что период BB=20 оптимален именно для твоих монет?
Не знаешь. И никто не знает заранее. Это нужно проверить. Но делать это руками — запустить бэктест, записать результат, изменить параметр, запустить снова — занимает часы и это скучно.
Задаёшь диапазон для каждого параметра. Claude Code запускает все комбинации автоматически и возвращает таблицу — отсортированную по Win Rate, прибыли или Calmar Ratio. Ты смотришь на результат и выбираешь.
Claude Code выдаёт таблицу. Вот как она выглядит (реальный пример из NEXUS):
| # | RSI период | BB период | RSI порог | Win Rate | Сделок | Прибыль |
|---|---|---|---|---|---|---|
| 1 | 14 | 20 | 30 | 68% | 143 | +24.3% |
| 2 | 12 | 20 | 30 | 66% | 157 | +21.8% |
| 3 | 14 | 25 | 25 | 63% | 98 | +17.2% |
| 4 | 16 | 15 | 35 | 61% | 201 | +19.6% |
| … | … | … | … | … | … | … |
| 54 | 10 | 15 | 25 | 41% | 312 | -8.4% |
Много сделок + высокий Win Rate = статистически надёжный результат. Если Win Rate 80% на 5 сделках — это случайность. Если 68% на 143 сделках — это сигнал.
Можно попросить Claude Code нарисовать тепловую карту — сразу видно где "горячие" зоны параметров:
Зелёный = высокий Win Rate. Видно что RSI 12-14 + BB 20-25 — лучшая зона.
Сетка параметров работает хорошо когда параметров 2–3. Но если их 5–6, количество комбинаций взрывается: 10 значений по 6 параметрам = 1 000 000 комбинаций. Перебрать все нереально.
Для таких случаев используют генетический алгоритм — метод оптимизации который работает как эволюция в природе:
Создаём 50 случайных наборов параметров ("особей"). Прогоняем бэктест для каждой.
Оставляем топ-20% по Win Rate. Остальные 80% "умирают" — их параметры плохие.
Из лучших особей создаём новое поколение: берём RSI от одного родителя, BB от другого. Иногда добавляем случайную "мутацию".
Каждое поколение лучше предыдущего. После 20 итераций алгоритм находит почти оптимальный набор — проверив лишь 1000 комбинаций вместо 1 000 000.
Параметры оптимизированные на одном периоде могут плохо работать на другом. Всегда проверяй "лучший" набор на данных которые не участвовали в оптимизации — это называется out-of-sample тест.
Теперь ты можешь найти оптимальные параметры систематически — не угадывая, а проверяя данные. Сетка параметров даёт полную картину. Генетический алгоритм — инструмент для сложных задач. В следующем модуле — подключаем реальную биржу.