前言:
今天咱们对“计算最优值”都比较珍视,同学们都想要分析一些“计算最优值”的相关文章。那么小编同时在网摘上收集了一些对于“计算最优值””的相关内容,希望朋友们能喜欢,你们一起来学习一下吧!调参有啥用?
1、通过尝试不同的参数组合寻找最优组合;
2、也就是说,如果你想要暴富组合,可以通过不断调参,找到暴富因子,如果你想要回撤最小,可以找到稳定增长的参数组合。
3、策略理论应该放在第一,如果策略本身就不行,硬靠调参续命,还不如去买辣条吃。
回测准备
回测标的:btcusdt
回测区间:2019年-至今
回测频度:小时
手续费、滑点:0.050%(交割合约吃单手续费)+0.1%(滑点:指下单的点位和最后成交的点位有差距)
操作方向:只做多,不做空
结论
1、收益率最优参数[10,95](仅针对本次测试组合),综合收益率前十的均线组合,短均线主要集中在[10,15,20,25],长均线主要集中在[75,80,85,90,95,100];
2、收益率最高的参数组合也只是勉强跑赢基准。
代码
友情提示:行情数据自行准备,涉及行情调取代码不展示
1、使用模块
import pandas as pdimport pymssqlimport numpy as npimport datetimeimport talib as taimport matplotlib.pyplot as plt
2、展示格式调整
pd.set_option('expand_frame_repr', False) # 当列太多时不换行pd.set_option('display.max_rows', 10000) # 最多显示多少行pd.set_option('display.float_format', lambda x: '%.8f' % x) #为了直观的显示数字,不采用科学计数法#中文plt.rcParams['font.sans-serif']=['SimHei']#负号plt.rcParams['axes.unicode_minus']=False
3、策略函数
def strategy_ma(pdatas,win_short,win_long): """ pdatas:ohlc 格式数据 win_short:短均线周期 win_long:长均线周期 """ #复制数据,避免在原数据中改动 datas = pdatas.copy() #计算方法:N日移动平均线=N日收市价之和/N #长均线计算 datas['lma'] = ta.MA(datas['close'], timeperiod=win_long) #短均线计算 datas['sma'] = ta.MA(datas['close'], timeperiod=win_short) datas['flag'] = 0 # 记录买卖信号 datas['pos'] = 0 # 记录持仓信号 pos = 0 # 是否持仓,持多仓:1,不持仓:0,持空仓:-1 #剔除长均线长度之前的空数据和最后一行数据 for i in range(max(1,win_long),datas.shape[0] - 1): # 当前无仓位,短均线上穿长均线,做多 if (datas.sma[i-1] < datas.lma[i-1]) and (datas.sma[i] > datas.lma[i]) and pos==0: #买卖信号置为1,表示买入 datas.loc[i,'flag'] = 1 #买卖信号后一个K线开始持仓,标为1 datas.loc[i + 1,'pos'] = 1 pos = 1 # 当前持仓,死叉,平仓 elif (datas.sma[i-1] > datas.lma[i-1]) and (datas.sma[i] < datas.lma[i]) and pos==1: #买卖信号置为-1,表示卖出 datas.loc[i,'flag'] = -1 #买卖信号后一个K线开始持仓,标为0,如果要做空,标志为-1 datas.loc[i+1 ,'pos'] = 0 pos = 0 # 其他情况,保持之前仓位不变 else: datas.loc[i+1,'pos'] = datas.loc[i,'pos'] #剔除长均线计算之前的空数据,并重置索引,并将原索引删除 datas = datas.loc[max(0,win_long):,:].reset_index(drop = True) return datas
4、资金曲线(与上一版本有区别)
# 计算资金曲线def equity_curve(data,win_short,win_long,leverage_rate=1, c_rate=1.5 / 1000, min_margin_rate=0.015): """ :param df: 原始数据 :param win_short: 短均线周期 :param win_long:长均线周期 :param leverage_rate: okex交易所最多提供100倍杠杆,leverage_rate可以在(0, 100]区间选择 :param c_rate: 手续费,按照吃单万5,滑点千一计算 :param min_margin_rate: 最低保证金比例 :return: """ df = strategy_ma(data,win_short,win_long) # =====基本参数 init_cash = 100 # 初始资金 min_margin = init_cash * leverage_rate * min_margin_rate # 最低保证金 # =====根据pos计算资金曲线 # ===计算涨跌幅 df['change'] = df['close'].pct_change(1) # 根据收盘价计算涨跌幅 df['pct'] = (df['change'].fillna(0) + 1).cumprod() #计算原始收益率 df['buy_at_open_change'] = df['close'] / df['open'] - 1 # 从今天开盘买入,到今天收盘的涨跌幅,开仓时的计算方法 df['sell_next_open_change'] = df['open'].shift(-1) / df['close'] - 1 # 从今天收盘到明天开盘的涨跌幅,正常平仓价差计算 df.at[len(df) - 1, 'sell_next_open_change'] = 0 #最后一根K不处理 # ===选取开仓、平仓条件 condition1 = df['pos'] != 0 condition2 = df['pos'] != df['pos'].shift(1) open_pos_condition = condition1 & condition2 condition1 = df['pos'] != 0 condition2 = df['pos'] != df['pos'].shift(-1) close_pos_condition = condition1 & condition2 # ===对每次交易进行分组 df.loc[open_pos_condition, 'start_time'] = df['date'] df['start_time'].fillna(method='ffill', inplace=True) df.loc[df['pos'] == 0, 'start_time'] = pd.NaT # ===计算仓位变动 # 开仓时仓位 df.loc[open_pos_condition, 'position'] = init_cash * leverage_rate * (1 + df['buy_at_open_change']) # 开仓后每天的仓位的变动 group_num = len(df.groupby('start_time')) if group_num > 1: #对时间进行分组,与sql不同,其他字段都会依据时间进行分组 #建仓后的仓位,剔除了开仓 t = df.groupby('start_time').apply( lambda x: x['close'] / x.iloc[0]['close'] * x.iloc[0]['position'] ) t = t.reset_index(level=[0]) df['position'] = t['close'] elif group_num == 1: #按照时间进行分组,但是最后只取其中的收盘跟仓位字段 t = df.groupby('start_time')[['close', 'position']].apply( lambda x: x['close'] / x.iloc[0]['close'] * x.iloc[0]['position']) df['position'] = t.T.iloc[:, 0] # 每根K线仓位的最大值和最小值,针对最高价和最低价 df['position_max'] = df['position'] * df['high'] / df['close'] df['position_min'] = df['position'] * df['low'] / df['close'] # 平仓时仓位 df.loc[close_pos_condition, 'position'] *= (1 + df.loc[close_pos_condition, 'sell_next_open_change']) # ===计算每天实际持有资金的变化 # 计算持仓利润 df['profit'] = (df['position'] - init_cash * leverage_rate) * df['pos'] # 持仓盈利或者损失 # 计算持仓利润最小值 df.loc[df['pos'] == 1, 'profit_min'] = (df['position_min'] - init_cash * leverage_rate) * df[ 'pos'] # 最小持仓盈利或者损失 df.loc[df['pos'] == -1, 'profit_min'] = (df['position_max'] - init_cash * leverage_rate) * df[ 'pos'] # 最小持仓盈利或者损失 # 计算实际资金量 df['cash'] = init_cash + df['profit'] # 实际资金 df['cash'] -= init_cash * leverage_rate * c_rate # 减去建仓时的手续费,因为前面计算收益率的时候是没有剔除手续费的,所以每个里面剔除即只剔除了一次 df['cash_min'] = df['cash'] - (df['profit'] - df['profit_min']) # 实际最小资金 df.loc[df['cash_min'] < 0, 'cash_min'] = 0 # 如果有小于0,直接设置为0 df.loc[close_pos_condition, 'cash'] -= df.loc[close_pos_condition, 'position'] * c_rate # 减去平仓时的手续费 if len(df[df['cash_min']<= min_margin]['date'].tolist())>0: print(df[df['cash_min']<= min_margin]['date'].tolist()) # ===判断是否会爆仓 _index = df[df['cash_min'] <= min_margin].index if len(_index) > 0: print('有爆仓',len(_index)) df.loc[_index, '强平'] = 1 df['强平'] = df.groupby('start_time')['强平'].fillna(method='ffill') df.loc[(df['强平'] == 1) & (df['强平'].shift(1) != 1), 'cash_强平'] = df['cash_min'] # 此处是有问题的 df.loc[(df['pos'] != 0) & (df['强平'] == 1), 'cash'] = None df['cash'].fillna(value=df['cash_强平'], inplace=True) df['cash'] = df.groupby('start_time')['cash'].fillna(method='ffill') df.drop(['强平', 'cash_强平'], axis=1, inplace=True) # 删除不必要的数据 # ===计算资金曲线 df['equity_change'] = df['cash'].pct_change() df.loc[open_pos_condition, 'equity_change'] = df.loc[open_pos_condition, 'cash'] / init_cash - 1 # 开仓日的收益率 df['equity_change'].fillna(value=0, inplace=True) df['equity_curve'] = (1 + df['equity_change']).cumprod() # ===判断资金曲线是否有负值,有的话后面都置成0 if len(df[df['equity_curve'] < 0]) > 0: neg_start = df[df['equity_curve'] < 0].index[0] df.loc[neg_start:, 'equity_curve'] = 0 # ===删除不必要的数据 df.drop(['change', 'buy_at_open_change', 'sell_next_open_change', 'position', 'position_max', 'position_min', 'profit', 'profit_min', 'cash', 'cash_min'], axis=1, inplace=True) #用于参数回测是区分用 df['strategy_return%s%s'%(win_short,win_long)] =df['equity_curve'] #设置时间索引 df.set_index('date',inplace=True) return df
5、穷举调参
#创建空df,含短均线、长均线、收益率三列single_ids = pd.DataFrame(columns=("win_s","win_l","ret"))#记录参数集合,画图用ret_plot=[]#记录参数、收益率ret_total=pd.DataFrame()#短均线,长均线选择数据范围,同时短均线要小于长均线#短均线选取范围,步长5for i in range(5,30,5): #长均线选取范围,步长5 for j in range(10,120,5): #短均线小于长均线 if i <j: #将参数放到该列表中集中 ret_plot.append('strategy_return%s%s' % (i,j)) #print(ret_plot) print('i:',i,'j:',j) #数据回测,考虑手续费(资金曲线调整,与上一版本不同) result = equity_curve(data,win_short=i,win_long=j) #获取最新收益率情况,就是最后一条 ret = result['equity_curve'].values[-1] print(result['equity_curve'].values[-1]) #收益情况传入df中 ret_total['strategy_return%s%s' % (i,j)] = result['strategy_return%s%s' % (i,j)] #记录短、长均线、收益率结果 jg_dict = {"win_s":i,"win_l":j,"ret":ret} #转df jg_dict = pd.DataFrame.from_dict(jg_dict,orient='index') #单行df需要转置拼接 single_ids = single_ids.append(jg_dict.T) print(single_ids)
#按照收益率进行降序排列single_ids.sort_values(by=['ret'],ascending=False,inplace=True)#重置索引single_ids.reset_index(inplace=True)
# 取收益率前五的进行数据整合#记录参数集合ret_plot=[]#记录参数、收益率ret_total=pd.DataFrame()#取收益率前5的参数进行拼接for i,j in zip(single_ids[:5]['win_s'],single_ids[:5]['win_l']): #参数取整操作,不取整数,报错,没有细研究,其他代码同上面 i = int(i) j = int(j) ret_plot.append('strategy_return%s%s' % (i,j)) #print(ret_plot) print('i:',i,'j:',j) result = equity_curve(data,win_short=i,win_long=j) ret = result['equity_curve'].values[-1] print(result['equity_curve'].values[-1]) ret_total['strategy_return%s%s' % (i,j)] = result['strategy_return%s%s' % (i,j)]
#将基准收益率与策略收益率拼接result_total = pd.concat([result.pct,ret_total],axis=1)#去除空行result_total.dropna(inplace=True)
6、画图
#画布大小plt.figure(figsize = (19,8))#result_total[ret_plot].plot #这种写法画布大小无法修改,暂时没解决,有大佬知道,麻烦留言,谢谢!#不同参数画图result_total.iloc[:,1].plot(lw=0.8)result_total.iloc[:,2].plot(lw=0.8)result_total.iloc[:,3].plot(lw=0.8)result_total.iloc[:,4].plot(lw=0.8)result_total.iloc[:,5].plot(lw=0.8)result_total.pct.plot(c='black',lw=0.8,label='基准')# plt.title('回测效果')#添加网格线plt.grid()#显示标签plt.legend()#画图plt.show()
结尾:文章代码仅做交流学习,切勿直接使用进行投资,所产生盈亏概不负责!
文章首发于公众号(CLOUD打怪升级),喜欢可以关注下!
标签: #计算最优值