python参数优化

这篇帖子我们讲一下如何用我们投研进行python参数优化，我们以下面的代码为例。

这个示例策略是指5日线上穿20日线时买入，下穿时卖出的策略。可以更改参数值，来获取不同的数据比较，最终得出最优的参数。

#encoding:gbk
#int(ma_fast_period) = 3  # 快线
#int(ma_slow_period) = 10  # 慢线
"""
5日线上穿20日线时开多，下穿时开空
"""

# ma_fast_period = 5
# ma_slow_period = 20

import time



def init(ContextInfo):
 #回测参数设置
 ContextInfo.start = "2015-02-10 00:00:00"  # 注意格式，不要写错
 ContextInfo.end = time.strftime('%Y-%m-%d')+ " 00:00:00"  # 注意格式，不要写错
 ContextInfo.set_commission(0, [0.001,0,0,0,0,0.002]) # 手续费设置为千1
 ContextInfo.code = ContextInfo.stockcode + '.' + ContextInfo.market
 ContextInfo.account_id = 'backtest' # 回测时随便写一个字符串当作账号，交易相关接口需要用到
 ContextInfo.buyed = 0


def handlebar(ContextInfo):
 timetag = ContextInfo.get_bar_timetag(ContextInfo.barpos)
 bar_date = timetag_to_datetime(timetag, '%Y%m%d')
 price = ContextInfo.get_market_data_ex(['close','open'],
   stock_code=[ContextInfo.code],
   count = int(ma_slow_period) + 2,
   period= ContextInfo.period,
   end_time=bar_date,
   )[ContextInfo.code]
 # print(bar_date, price.to_dict())
 price_dict = price.to_dict('list')
 close_list = price_dict['close'][:-1]
 print(close_list)
 # 昨日ma计算
 fast_ma = sum(close_list[-1 * int(ma_fast_period): ]) / int(ma_fast_period)
 slow_ma = sum(close_list[-1 * int(ma_slow_period): ]) / int(ma_slow_period)
 # 前日ma计算
 close_list = price_dict['close'][:-2]
 fast_ma_last_bar = sum(close_list[-1 * int(ma_fast_period): ]) / int(ma_fast_period)
 slow_ma_last_bar = sum(close_list[-1 * int(ma_slow_period): ]) / int(ma_slow_period)
 cross_up = fast_ma_last_bar <= slow_ma_last_bar and fast_ma > slow_ma
 cross_down = fast_ma_last_bar >= slow_ma_last_bar and fast_ma < slow_ma

 bar_open = price_dict['open'][-1]
 if cross_up:
  # 买入
  passorder(23, 1123, ContextInfo.account_id, ContextInfo.code,
    11,
    bar_open,
    0.8,
    ContextInfo)  # 用80%的资金开仓, 开仓价为当日开盘价
  ContextInfo.draw_text(True, 0, '1')
 elif cross_down:
  # 卖出
  ContextInfo.draw_text(True, 0, '0')
  passorder(24, 1123, ContextInfo.account_id, ContextInfo.code,
    11,
    bar_open,
    1,
   ContextInfo)


def query_info(ContextInfo):
 orders = get_trade_detail_data(ContextInfo.account_id, 'future', 'order')
 orders = [to_dict(o) for o in orders]

 deals = get_trade_detail_data(ContextInfo.account_id, 'future', 'deal')
 deals = [to_dict(t) for t in deals]
 positions = get_trade_detail_data(ContextInfo.account_id, 'future', 'position')
 positions = [to_dict(p) for p in positions]

 accounts = get_trade_detail_data(ContextInfo.account_id, 'future', 'account')
 accounts = [to_dict(a) for a in accounts]
 return orders, deals, positions, accounts


def to_dict(obj):
 attr_dict = {}
 for attr in dir(obj):
  try:
   if attr[:2] == 'm_':
    attr_dict[attr] = getattr(obj, attr)
  except:
   pass
 return attr_dict

这个代码里面的两个参数int(ma_fast_period)代表的是快线，int(ma_slow_period)代表是慢线。

第一步：点击新建策略里面的python策略

第二步：把代码复制到这个空白区域

第三步：点击右下角参数设置按钮

第四步：定义好自己的参数

在这个策略中参数名要设置2个，一个设置成ma_fast_period ，一个设置成ma_slow_period

第五步：点击运行按钮

第六步：点击策略优化按钮

第七步：复权方式默认选择等比后复权，根据自己的情况更改，然后选择自己的品种，计算周期，然后右边可以选择自己想得到的结果。

第八步：定义自己的参数，定义好点击开始

这里就相当于一个排列组合，快线是从5开始，到5结束，步长为1，一共有一种数据。慢线是从20开始，到25结束，步长为2，一共有两种数据。所以优化组合是2种。

最后我们就可以根据结果来选择自己想要的参数了。

感谢，终于找到这个参数的用法了:handshake