掘金量化3参数优化（使用掘金3的操盘员必读）

原掘金量化3参数优化（使用掘金3的操盘员必读）

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 contextcontext.short=shortcontext.long=longcontext.list=a_listrun(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 contextcontext.short=shortcontext.long=longcontext.list=a_listrun(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！

《算法导论第三版英文版》_高清中文版

《深度学习入门：基于Python的理论与实现》_高清中文版

《深入浅出数据分析》_高清中文版

《Python编程：从入门到实践》_高清中文版

《Python科学计算》_高清中文版

《深度学习入门：基于Python的理论与实现》_高清中文版

《深入浅出数据分析》_高清中文版

《Python编程：从入门到实践》_高清中文版