在策略參數優化時，如果無法得知參數集的目標函數分布，如何判斷參數是否穩健？
12-28
對於一個多參數，多時間框架，多市場的策略優化，其運算量是相當可觀的，窮舉法變得不太現實，替代的方法是使用一些Direct Search的方法，如遺傳演算法，模擬退火演算法，粒子群演算法等。然而，雖然這些演算法有較大概率得到最優值，但由於沒有遍歷全部參數集，使得我們很難判斷這個參數是否只是一個峰值或極端值，而不具備足夠的穩健特徵。我們如何既能快速找到最優參數，同時又能判斷參數本身是否穩健了？
參數與模型輸出的關係是否穩定平滑，這其實是一個鑑別模型好壞的一個很重要的依據。
在我有限的模型設計生涯里，如果遇到某個維度上有許多的局部極值，通常預示這個參數背後的假設有誤。
如果你發現模型的參數集合形成了一個多維的、有許多局部極致的域，那麼這個模型的假設很可能都錯了。
來值乎問我問題
參數是個筐，什麼都往裡裝。你的運算本來就是離線的，時間和快速性不應該成為主要考慮的因素。至於判斷參數穩健性的一般方法，梅騰天已經說得很完善了。當然，這是一般方法。如果題主要問「非一般」的方法。。。我也不知道。。。
網址,懶得引用了,題主見諒.
基於多目標優化策略的結構可靠性穩健設計
基於多目標優化策略的結構可靠性穩健設計
推薦閱讀：
※結構化（多因子）風險模型中，怎樣理解因子暴露度，在實踐中如何得到它？
※程序狗沒有金融學位申請Quant職位會遇到瓶頸么？