该论文旨在解决量化交易策略参数优化中的核心挑战：如何在巨大的参数空间中，为评估成本高昂且形式未知的“黑箱”目标函数（如夏普比率）找到最优解。文章提出采用贝叶斯优化作为一种系统性的智能搜索方法。该方法通过构建目标函数的概率代理模型，并利用采集函数来智能地平衡对高潜力区域的“利用”和对不确定性区域的“探索”，从而能以远少于随机搜索的迭代次数，定位到更优的参数配置。通过一个配对交易策略的实证分析，论文表明贝叶斯优化能够显著提升策略的夏普比率。

欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai