De gids voor Optuna: Hyperparameter tuning voor trading bots
Je hebt een idee voor een trading bot. Een strategie die volgens jou wel eens zou kunnen werken.
Je schrijft de code, sluit je broker API aan en draait een backtest. Maar dan? De resultaten zijn matig, de bot is te voorzichtig of neemt juist te veel risico. Je speelt met getallen: een periode van 14 dagen of 20? Een stop-loss van 2% of 3%?
Dit raden aan je hoofd is precies het probleem dat Optuna oplost. Het is de personal trainer voor je trading bot, die de perfecte balans vindt voor maximale winst.
Waarom je moet stoppen met gokken op parameters
Stel je voor: je hebt vijf instellingen die je wilt optimaliseren. Voor elke instelling probeer je tien verschillende waardes.
Als je dat handmatig doet, moet je 100.000 runs draaien. Dat is onmogelijk. Veel programmeurs vallen terug op ‘grid search’: ze proberen alles en kijken wat overblijft. Dit is precies wat je niet moet doen.
Het is een verspilling van tijd en rekenkracht, en het mist vaak de beste oplossingen omdat het te star is.
Optuna is een Python-bibliotheek die slimmer is. In plaats van blind alle hoeken van de speeltuin af te struinen, leert Optuna van elke poging. Als een bepaalde richting in de data slecht blijkt, stopt Optuna daarmee en probeert het elders.
De “n versus B/n” afweging: de kern van efficientie
Dit noemen we ‘slim zoeken’. Je bespaart hiermee uren, soms dagen, aan backtest-tijd op je eigen computer of in de cloud via een broker API.
Een concept dat je moet begrijpen is de afweging tussen het aantal pogingen (n) en de kwaliteit van de informatie die je per poging krijgt (B/n).
Laten we het simpel houden: je hebt een beperkt budget aan computerrekenkracht. Je kunt kiezen voor duizenden snelle, simpele tests (grote n, lage B) of een paar hele diepgaande tests (kleine n, hoge B). Grid search gooit al je budget op een hoop zonder onderscheid te maken. Optuna gebruikt prunen. Dit betekent dat het systeem halverwege een test al ziet: “Dit gaat nergens heen” en de test stopzet.
Je computerkracht gaat dan direct naar de veelbelovende parameters. Zo haal je het maximale uit je budget, of je nu een simpele laptop gebruikt of een krachtige cloud-server.
Automatic Hyperparameter Tuning - A Visual Guide (Part 1)
Visualiseer het optimalisatieproces als een bergbeklimming. Je doel is de hoogste top (de hoogste winst of Sharpe ratio). Je start in het dal.
Je eerste parameters zijn je startpositie. Optuna probeert een stapje omhoog te doen.
Als het pad steiler omhoog gaat, volgt het die kant op. Als het pad doodloopt of naar beneden gaat, keert het terug en probeert het een andere route.
Hyperparameter Optimization: De “n vs B/n” tradeoff
Deze ‘visual guide’ is in code eigenlijk een studie in hoe de computer beslissingen maakt. Waar jij dagenlang handmatig zou moeten tunen, ziet Optuna in milliseconden patronen in je data. Het kijkt naar je historische data van de broker, of je nu handelt in BTC via Binance of aandelen via Interactive Brokers.
Het resultaat is een set parameters die je nooit had kunnen vinden door simpelweg te gokken.
Om even terug te komen op die afweging: stel je hebt een budget van 100 runs. Met grid search verdeel je die 100 runs over een strak grid. Je mist waarschijnlijk de kleine nuances die een strategie winstgevend maken. Met Optuna (en specifiek de TPE-sampler die het standaard gebruikt) wordt elk van die 100 runs slimmer ingezet.
De ‘B’ in de formule staat voor de informatie die je wint. Optuna maximaliseert B. Het leert van elke trade die je bot tijdens de backtest maakt. Het is alsof je tegen een leerling zegt: “Probeer dit, maar als het misgaat, probeer dan niet exact hetzelfde bij de volgende trade.” Die intelligentie ontbreekt bij grid search.
Hoe je meer winst maakt met crypto: slimme bot tuning met Optuna
Crypto markten zijn volatiel. Wat vandaag werkt, werkt morgen misschien niet.
Daarom is het tunen van je bot cruciaal. Een veelgehoorde fout is het tunen op één specifieke marktperiode, waardoor de bot ‘overfit’ raakt. Je bot leert de data uit zijn hoofd in plaats van de logica erachter te begrijpen.
Een betere aanpak is de unimodality-first workflow. Dit klinkt ingewikkeld, maar het betekent simpelweg: zet eerst een schone virtuele omgeving op voordat je je bot loslaat in de chaos van de markt.
Optuna helpt hierbij door de zoektocht te sturen. Je geeft het een range voor je parameters, en Optuna zoekt de beste combinatie zonder te vervallen in ‘noise’. Stel je voor dat je een trendvolgende bot bouwt. Je parameters zijn de snelheid waarmee de bot reageert en hoe agressief hij in- en uitstapt.
Met Optuna test je dit in een ‘purged walk-forward’ setup. Dit houdt in dat je de data opdeelt in stukken en de bot test op data die hij nog niet gezien heeft.
De 5x verbetering in Sharpe ratio (0.27 → 1.39) met behoud van drawdown
Zo voorkom je dat je een bot bouwt die alleen in het verleden goed presteert. De resultaten spreken voor zich. In een geval waarbij de Sharpe ratio (de verhouding tussen risico en rendement) verbeterde van 0.27 naar 1.39, bleef het drawdown-risico ongeveer hetzelfde.
Dit is een enorme verbetering. Een Sharpe ratio van 1.39 is iets waar professionele fondsen jaren over doen om te bereiken.
Hoe deden ze dat? Door Optuna te combineren met pruning. Ze stopten onbeloftevolle trials op 25%, 50% en 75% van de looptijd.
Dit zorgde ervoor dat de computer zich volledig kon richten op de parameters die daadwerkelijk leidden tot die 5x verbetering. Het resultaat was een bot die efficiënter handelde en meer winst per risicoeenheid genereerde.
Deze verbetering is haalbaar voor jouw bot. Of je nu een futures bot bouwt of technische indicatoren implementeert in je spot trading bot.
De logica is universeel. Je moet alleen stoppen met het blind testen van parameters en beginnen met intelligent zoeken.
Praktische tips om vandaag nog te beginnen
Als je begint met Optuna, begin klein. Je hoeft niet direct je duurste backtest te draaien.
Zet eerst een simpel script op en leer REST API calls maken. Definieer je search space: welke parameters wil je testen? Geef Optuna een range, bijvoorbeeld van 10 tot 100 voor een ‘lookback’ periode.
Laat het 50 pogingen doen. Vergeet niet je resultaten te loggen.
Optuna heeft een mooie dashboard-functie waar je live kunt zien welke parameters het beste scoren. Zie je dat de bot beter presteert met een agressievere instelling? Verfijn je range dan en draai opnieuw. Gebruik pruning.
Zet je budget op bijvoorbeeld 100 trials, maar activeer de pruner. Je zult zien dat de slechte ideeën er razendsnel uitgefilterd worden.
Dit bespaart je computer het werk en houdt energie over voor de gouden tip. Zo bouw je niet zomaar een bot, maar een bot die weet wat het doet.