Skip to content

optimize.md

Latest commit

 

History

History
285 lines (224 loc) · 8.85 KB

optimize.md

File metadata and controls

285 lines (224 loc) · 8.85 KB

参数优化

多进程并行运行参数组合回测，自动找出最优策略参数。

快速上手

1. 准备参数配置文件

创建 params.json，定义需要优化的参数及其候选值：

{
    "param_grid": {
        "rank_days": [15, 20, 25, 30],
        "buy_signal_days": [3, 4, 5, 6, 7],
        "stop_signal_days": [2, 3, 4, 5]
    }
}
  • param_grid 中的键名必须与策略中 g.xxx 的属性名一致
  • 每个参数的值是一个数组，表示所有候选值
  • 上例会生成 4 × 5 × 4 = 80 种参数组合

2. 运行优化命令

bullet-trade optimize strategies/my_strategy.py \
    --params params.json \
    --start 2015-01-01 \
    --end 2023-12-31 \
    --output optimization_results.csv

3. 查看结果

优化完成后，结果按 收益回撤比（Calmar 比率） 降序排列，控制台输出 Top 10，完整结果保存到 CSV。

工作原理

┌─────────────────────────────────────────────────────────────┐
│  1. 读取 params.json，展开所有参数组合                          │
│     (rank_days=15, buy_signal_days=3, stop_signal_days=2)   │
│     (rank_days=15, buy_signal_days=3, stop_signal_days=3)   │
│     ...共 80 组                                              │
├─────────────────────────────────────────────────────────────┤
│  2. 创建进程池，并行运行回测                                    │
│     ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐     │
│     │ 进程 1    │ │ 进程 2   │  │ 进程 3   │ │ 进程 N    │     │
│     │ 组合 #1   │ │ 组合 #2  │  │ 组合 #3  │ │ 组合 #N   │     │
│     └──────────┘ └──────────┘ └──────────┘ └──────────┘     │
├─────────────────────────────────────────────────────────────┤
│  3. 每个回测流程：                                            │
│     a) 调用策略 initialize(context)                          │
│     b) 系统自动用 extras 覆盖 g.xxx 参数                       │
│     c) 正常执行回测                                           │
│     d) 计算风险指标                                           │
├─────────────────────────────────────────────────────────────┤
│  4. 汇总结果，按收益回撤比排序，输出 CSV                         │
└─────────────────────────────────────────────────────────────┘

关键特性：策略代码 无需任何修改。系统会在 initialize() 执行后，自动用优化参数覆盖 g 上的对应属性。

命令行参数

bullet-trade optimize [-h] --params PARAMS --start START --end END 
                      [--processes PROCESSES] [--output OUTPUT] strategy_file
参数 必填 说明
strategy_file ✓ 策略文件路径
--params ✓ 参数配置文件（JSON）
--start ✓ 回测开始日期
--end ✓ 回测结束日期
--processes 并行进程数（默认：CPU 核心数）
--output 输出 CSV 文件路径（默认：当前目录）

参数配置文件格式

{
    "param_grid": {
        "参数名1": [值1, 值2, 值3],
        "参数名2": [值1, 值2],
        "参数名3": [值1, 值2, 值3, 值4]
    }
}

支持的值类型

{
    "param_grid": {
        "ma_days": [5, 10, 20, 30],
        "threshold": [0.01, 0.02, 0.03],
        "use_stop_loss": [true, false],
        "strategy_type": ["momentum", "mean_revert"]
    }
}

Python 表达式语法

参数值支持 "py:表达式" 语法，可以使用 Python 表达式动态生成参数列表，避免手动罗列大量数值：

{
    "param_grid": {
        "rank_days": "py:range(10, 35, 5)",
        "threshold": "py:[x/100 for x in range(1, 10)]",
        "ma_days": "py:list(range(5, 50, 5))"
    }
}

上述配置等价于：

{
    "param_grid": {
        "rank_days": [10, 15, 20, 25, 30],
        "threshold": [0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, 0.09],
        "ma_days": [5, 10, 15, 20, 25, 30, 35, 40, 45]
    }
}

支持的函数：range、list、int、float、round、abs、min、max、sum、len、sorted、reversed

常用示例：

表达式 结果
"py:range(1, 10)" [1, 2, 3, 4, 5, 6, 7, 8, 9]
"py:range(10, 30, 5)" [10, 15, 20, 25]
"py:[x/10 for x in range(5, 15)]" [0.5, 0.6, 0.7, ..., 1.4]
"py:[round(x*0.01, 2) for x in range(1, 6)]" [0.01, 0.02, 0.03, 0.04, 0.05]

示例：动量策略优化

策略中的参数：

def initialize(context):
    g.rank_days = 20           # 排名动量天数
    g.buy_signal_days = 5      # 买入信号天数
    g.stop_signal_days = 3     # 止损信号天数
    g.pool_update_days = 7     # 池子更新周期

对应的优化配置：

{
    "param_grid": {
        "rank_days": [10, 15, 20, 25, 30],
        "buy_signal_days": [3, 4, 5, 6, 7, 8],
        "stop_signal_days": [2, 3, 4, 5],
        "pool_update_days": [5, 7, 10, 14]
    }
}

输出结果说明

CSV 文件包含以下列：

列名 说明
各参数列 该组合使用的参数值
收益回撤比 Calmar 比率，年化收益 / 最大回撤
策略年化收益 年化收益率
最大回撤 最大回撤幅度
夏普比率 风险调整收益
胜率 盈利交易占比
耗时秒 该组合回测耗时
错误 若回测失败，记录错误信息

性能建议

控制组合数量

参数组合呈指数增长，建议先小范围探索：

{
    "param_grid": {
        "ma_days": [10, 20, 30],
        "threshold": [0.01, 0.02]
    }
}

共 6 组，快速验证后再扩大范围。

指定进程数

若系统资源紧张，可限制并行进程：

bullet-trade optimize strategy.py --params params.json \
    --start 2020-01-01 --end 2023-12-31 \
    --processes 4 \
    --output results.csv

分段回测

对于长周期优化，可分段运行后合并：

# 分段优化
bullet-trade optimize strategy.py --params params.json --start 2015-01-01 --end 2017-12-31 --output results_2015_2017.csv
bullet-trade optimize strategy.py --params params.json --start 2018-01-01 --end 2020-12-31 --output results_2018_2020.csv
bullet-trade optimize strategy.py --params params.json --start 2021-01-01 --end 2023-12-31 --output results_2021_2023.csv

完整示例

策略文件 my_momentum.py

from jqdata import *

def initialize(context):
    set_benchmark('000300.XSHG')
    set_option('use_real_price', True)
    
    # 这些参数将被优化器覆盖
    g.lookback = 20        # 回看天数
    g.hold_days = 5        # 持有天数
    g.top_n = 3            # 选股数量
    
    run_daily(trade, '10:00')

def trade(context):
    # 策略逻辑...
    pass

参数配置 momentum_params.json

{
    "param_grid": {
        "lookback": [10, 15, 20, 25, 30],
        "hold_days": [3, 5, 7, 10],
        "top_n": [1, 2, 3, 5]
    }
}

运行优化

bullet-trade optimize my_momentum.py \
    --params momentum_params.json \
    --start 2018-01-01 \
    --end 2023-12-31 \
    --output momentum_optimization.csv

运行优化示例： optimize-demo

输出示例

参数优化Top建议（按收益回撤比降序）：
 lookback  hold_days  top_n  收益回撤比  策略年化收益  最大回撤  夏普比率
       25          5      2       2.35        28.5%   -12.1%     1.82
       20          5      3       2.18        25.2%   -11.6%     1.65
       30          7      2       2.05        22.8%   -11.1%     1.58
       ...

注意事项

  1. 参数命名：JSON 中的参数名必须与策略中 g.xxx 属性名完全一致
  2. 默认值：策略中应设置合理的默认值，便于单独回测验证
  3. 过拟合风险：参数优化可能导致过拟合，建议在样本外数据验证最优参数
  4. 资源占用：多进程回测会占用大量 CPU 和内存，注意系统负载