参数优化目的
我们在进行策略编写时，很容易受到参数调整的困扰，比如说双均线策略，到底长短均线的周期怎么来定义？“5日线”和“10日线”组合一定是最好的吗？如果多次回测，怎么记录回测结果？
带着这些疑问，我们来共同探讨掘金量化3的参数优化示例程序。
参数优化思想
我们将心目中的参数进行循环遍历回测，记录每次回测结果和参数，然后就可以根据某种规则将回测结果排序，这样就可以找到最好的参数了，当然，建议不要用“最好”的参数，因为可能会出现“过拟合”问题。
参数优化实现步骤
基础配置
-
首先，需要有个策略（
init函数和on_bar(tick)函数或algo函数），策略里面有参数可以调整（废话）。 -
将两个策略函数复制进示例程序中替代示例策略。
-
调整
run里面回测的各个参数。
记录每次回测结果
def on_backtest_finished(context, indicator):
report=[indicator['pnl_ratio'],indicator['pnl_ratio_annual'],indicator['sharp_ratio'],indicator['max_drawdown'],context.short,context.long]
context.list.append(report) on_backtest_finished(context, indicator):
report=[indicator['pnl_ratio'],indicator['pnl_ratio_annual'],indicator['sharp_ratio'],indicator['max_drawdown'],context.short,context.long]
context.list.append(report)定义on_backtest_finished函数，report里面需要添加你想看到的回测报告指标以及输入的参数，context.short,context.long为参数。
回测报告指标主要有：
| 名称 | 含义 |
|---|---|
| account_id | 策略ID |
| pnl_ratio | 累计收益率 |
| pnl_ratio_annual | 年化收益率 |
| sharp_ratio | 夏普比率 |
| max_drawdown | 最大回撤率 |
| open_count | 开仓次数 |
| close_count | 平仓次数 |
| win_count | 盈利次数 |
| lose_count | 亏损次数 |
| win_ratio | 胜率 |
循环输入参数回测
这里我们以双均线策略为例：
for short in range(5,10,2):
for long in range(10,21,5):
process=multiprocessing.Process(target=run_strategy, args=(short,long,a_list)) short in range(5,10,2):
for long in range(10,21,5):
process=multiprocessing.Process(target=run_strategy, args=(short,long,a_list))short和long长短周期参数的调整需要循环嵌套，输入进args中，a_list是用来记录回测报告数据的list，必须保留！
def run_strategy(short,long,a_list):
from gm.model.storage import context
context.short=short
context.long=long
context.list=a_list
run(strategy_id='set_strategy_id',
filename='参数优化.py',
mode=MODE_BACKTEST,
token='set_token',
backtest_start_time='2017-05-01 08:00:00',
backtest_end_time='2017-10-01 16:00:00',
backtest_adjust=ADJUST_PREV,
backtest_initial_cash=50000,
backtest_commission_ratio=0.0001,
backtest_slippage_ratio=0.0001) run_strategy(short,long,a_list):
from gm.model.storage import context
context.short=short
context.long=long
context.list=a_list
run(strategy_id='set_strategy_id',
filename='参数优化.py',
mode=MODE_BACKTEST,
token='set_token',
backtest_start_time='2017-05-01 08:00:00',
backtest_end_time='2017-10-01 16:00:00',
backtest_adjust=ADJUST_PREV,
backtest_initial_cash=50000,
backtest_commission_ratio=0.0001,
backtest_slippage_ratio=0.0001)传入参数时，需要修改策略运行函数的输入参数，并通过context将参数传入策略中，原策略中的参数定义语句需要删除！
结果分析
首先，我们需要把回测报告结果转换成Dataframe格式：
=np.array(a_list)
final_report=pd.DataFrame(a_list,columns['pnl_ratio','pnl_ratio_annual','sharp_ratio','max_drawdown','short','long'])
其中columns需要与之前所获取的回测参数保持一致。
然后，将回测结果按照某种原则进行排序：
final_report=final_report.sort_values(axis=0, ascending=False, by='pnl_ratio')=final_report.sort_values(axis=0, ascending=False, by='pnl_ratio')我们这里以'pnl_ratio'降序排列为例，如果想升序排列，可将ascending=False改为ascending=True。
文章来源：掘金量化 转载请注明出处！
3452
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
