backtrader策略参数大规模优化--使用粒子群和其他智能算法 修订

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

backtrader内置的策略参数优化方法是暴力全量搜索方法，也就是遍历每个参数组合值。在参数很多，每个参数取值变化范围大的情况下，优化效率是很低的。

可以采用智能优化算法，比如粒子群优化等进行大规模参数优化。下面，我们用python开源算法库optunity来对backtrader策略参数进行优化。

我们的示例策略是一个简单的双均线策略，要优化两个参数，即两个均线移动窗口，目标是使得账户市值最大化。从Yahoo在线api取得微软股票日线数据，进行回测。

采用optunity中的粒子群算法来优化，代码如下：

1. from datetime import datetime
   
2. import backtrader as bt
   
3. 
   
4. import optunity
   
5. import optunity.metrics
   
6. 
   
7. 
   
8. class SmaCross(bt.SignalStrategy):
   
9.     params = (
   
10.         ('sma1', 10), # 需要优化的参数1，短期均线窗口
    
11.         ('sma2', 30), # 需要优化的参数2，长期均线窗口
    
12.     )
    
13.     def __init__(self):
    
14.         SMA1 = bt.ind.SMA(period=int(self.params.sma1)) # 用int取整
    
15.         SMA2 = bt.ind.SMA(period=int(self.params.sma2)) # 用int取整
    
16.         crossover = bt.ind.CrossOver(SMA1, SMA2)
    
17.         self.signal_add(bt.SIGNAL_LONG, crossover)
    
18. 
    
19. 
    
20. data0 = bt.feeds.YahooFinanceData(dataname='MSFT',
    
21.                                   fromdate=datetime(2011, 1, 1),
    
22.                                   todate=datetime(2012, 12, 31))
    
23. 
    
24. def runstrat(sma1,sma2):
    
25.    
    
26.     cerebro = bt.Cerebro()
    
27.     cerebro.addstrategy(SmaCross, sma1=sma1, sma2=sma2)
    
28. 
    
29.     cerebro.adddata(data0)
    
30.     cerebro.run()
    
31.     return cerebro.broker.getvalue()
    
32. 
    
33. # 执行优化，执行5次回测（num_evals,实战时回测次数要设大一些，比如100次），
    
34. # 设置两个参数sma1,sma2的取值范围
    
35. # solver_name可取算法包括 particle swarm,sobol,random search,cma-es,grid search
    
36. opt = optunity.maximize(runstrat,  num_evals=5,solver_name='particle swarm', sma1=[2, 55], sma2=[2, 55])
    
37. 
    
38. # 得到最优参数结果
    
39. optimal_pars, details, _ = opt
    
40. print('Optimal Parameters:')
    
41. print('sma1 = %.2f' % optimal_pars['sma1'])
    
42. print('sma2 = %.2f' % optimal_pars['sma2'])
    
43. # 利用最优参数最后回测一次，作图
    
44. cerebro = bt.Cerebro()
    
45. cerebro.addstrategy(SmaCross, sma1=optimal_pars['sma1'], sma2=optimal_pars['sma2'])
    
46. cerebro.adddata(data0)
    
47. cerebro.run()
    
48. cerebro.plot()

复制代码

optunity支持如下几种算法（solver），读者可以分别测试它们。

particle swarm,sobol,random search,cma-es,grid search

案例来自教程，百度网盘下载：

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏4 回帖

关键词：trader Trade Back 智能算法 大规模

教程写的不错，欢迎关注Python金融量化，相互交流