量化交易入门与Python实践-课件.pdf

策略参数的优化量化交易策略参数的优化 一个交易策略有很多的参数。以往，我们 一般凭着经验，设置这些参数的值。于 是，这些参数不一定是最优的。我们可以 利用计算机强大的处理能力，搜索到最佳 的参数组合。在这里，我们将针对“基于规则的交易策 略”一章中介绍的MyRSIStrategy策略，介 绍如何寻找最优的参数组合。策略参数的优化 西这个策略中，有几个关键的参数，如表1所Zj O一在代码中设定的参数的取值范围，比起表格中的取值 范围要小很多，目的是尽快运行完代码。-这些参数的组合有4,409,559种，也就是有4,409,559种MyRSlStrategy策略的参数-序号d参数名称a参数意义参数范围 二1-cntrySMA1这个参数，是一个移动平均的周期参数，用于确 定价格趋势(Trend Identification),准备买入。31 50-2 52 dexitSMA这个参数，是一个移动平均的周期参数，用于判 定股票卖出的时间点(ExitPoint)。s5-1 513-rsiPeriodRSI指标周期参数。o2-1 04田ovcrSoldThresholdRSI超卖阈值,目的是做多(Long Position Entiy)。价格已经低迷，处于超卖状态，可能反弹卜.涨，可以做多。5-2535doverBoughtThi-eshold1RSI的超买阈值,目的是做空(Short Position Entry)o价格已经高涨，处于超买状态，可能下 跌，可以做空。175-95,一策略参数的优化 Server/Worker模式寻找最优参数进行参数优化的第一种模式是Server/Worker模 式，需要设计一个Server程序和一个Worker程 序。-Server程序的功能是：（1）为策略的运行准备Price Barso（2）为策略的运行准备参数组合。（3）发动一 系列Worker进程以某个参数组合运行，从4个Worker 进程，收集和比较策略的运行结果。根据这些运行结 果，挑选最优的参数组合。-Worker程序的功能是：（1）根据Server提供的Price Bars、和参数组合运行交易策略。并且向Server汇 报运行结果策略参数的优化 Server/Worker模式寻找最优参数注意，我们首先运行Server再运行Worker,Server只能运行一份，也就是一 个进程，但是Worker可以运行多份，也就 是多个进程，这些进程还可以运行在不同 机器上策略参数的优化 server代码分析(1)导入必要的Python库 MyRSIStrategy.py 文件保存了 MyRSIStrategy 类的定义，所以需要导入MyRSIStrategy(模猿)。itertools提供参数组合和迭代功能，比如参数A的取值为 1,2,参数B的取值为1 1,1 2,那么利用itertools,我 们就可以很方便地构造1,1 1、1,12、2,11、2,1 2 等组合。如果参数的数量更多，每个参数的必取值更 多，组合数就越多，如前文所分疥notepad+打开代码，进行分析策略参数的优化server代码分析(2)定义 parameters_generator 函数parameters_generator函数的功能，是产生参 数组合一策略参数的优化 server代码分析(3)执行Server程序的主逻辑从CVS文件装载价格数据，然后调用 server.serve方法。传递的参数，包括已经装 载的价格数据，以及参数组合生成函数。另 外两个参数即localhost和9090,表示 Server程序绑定到本机(localhost)的9090端 口，准备读取价格数据，把数据喂给各个 Worker，然后收集各个Worker的运行结果策略参数的优化Worker代码分析(1)导入必要的Python库(2)运行Worker的核心逻辑使 用 PyAlgoTrade.optimizer.worker 模块的 run方法，利用Server提供的数据和参数，并行地运行策略MyRSlStrategy,无且向Server汇报运行结果。Nnotepad+打开代码，进行分析策略参数的优化运行 Server 和 Worker以管理员方式运行“Anaconda Command Prompt”,也就是在“Anaconda Command Prompt快捷键上按鼠标右键，选择“以管 理员方式运行”即可。需要打开两个“Anaconda Command Prompt”窗口，一个运行Server,一个运行 Worker。策略参数的优化运行 Server 和 Workerpython Optimize_server.pySf Anaconda Prompt(Python35)x(Python35)D:2020-python(2)12-算法参数的优化python Optimize server,py202(H)1-27 16:42:01,858 pyalgotrade,optimizer,server I N FO Starting server2020-01-27 16:42:01,858 pyalgotrade,optimizer,xmlrpcservcr I I N FO L oading bars2020-01-27 16:42:01,913 pyalgotradc.optimizer,xmlrpcservcr 1N EO Started serving2020-01-27 16:42:34,505 pvalgotradc.optimizer,xmlrpcservcr I N FO Best result so fai,1356283.9100000008 with paiamctcrsCM,164,9,2,91,10)2020-01-27 16:42:53,387 pyalgotradc.oplimizcr.xmlrpcservcr I N FO Finished serving2020-01-27 16:42:53,387 pyalgotradc.optimizer,server I N FO Server finished2020-01-27 16:42:53,388 pyalgotradc.optimizer.server I N FOI Best final result 1356283.9100000008 with parainctcrs(AAPL,164,92,91,10)策略参数的优化运行 Server 和 Workerpython Optimize_worker.py员:Anaconda Prompt(Python35)(Python35)D:2020-python(2)12-算法参数的优化python Optimize worker.py2020-01-27 2020-01-27 2020-01-27 2020-01-27 2020 01 27 2020-01-27 2020-01-27 2020-01-27 2020-01-27 2020 01-27 2020-01-27 2020-01-27 2020-01-27 2020-01-27 2020-01-27 2020-01-27 202001 27 2020-01-27 2020-01-27 2020-01-27 2020-01-27 2020-01-27 2020-01-27 2020-01-27 2020 01 27 2020 01-27 2020-01-27 2020-01-2716:42:20,311 localworker 16:42:20,328 local worker 16:42:20,350 loca1worker 16:42:20,352 localworker 16:42:20,371 localworker 16:42:20,373 I oca I worker 16:42:20,391 localworker 16:42:20,405 localworker 16:42:20,418 localworker 16:42:20,423 locaI worker 16:42:20,432 localworker 16:42:20,444 localworker 16:42:26,394 localworker 16:42:26,404 I oca I worker 16:42:26,420 local worker 16:42:26,421 localworker 16:42:26,437 localworker 16:42:26,450 1 oca I worker 16:42:26,468 I oca 1worker 16:42:26,470 localworkcr 16:42:26,477 localworker 16:42:26,499 locaI worker 16:42:27,508 loca1 worker 16:42:27,508 1oca1worker 16:42:27,610 localworker 16:42:27,610 I oca I worker 16:42:27,615 local worker 16:42:27,615 localworkerI N FO TN F01 I N FO 1N E0 I N FO L TN FOJ I N EO 1N F01 I N FO I N FO TN FO C1RF0 I N FO TWO I N FO I N FO 1W0 TN FOJ I N FOI M 0 TN FO I N FO FI N FO 1M*O L TKFOJ I N FO 1N E0Started running Started running Started running Started running Started running Started running Started running Started running Started running Started running Started running Started running Finished running Finished running Finished running Finished running Finished running Finished running Finished running Finished running I inished running Finished running Running strategy wiih parameters Running strategy with parameters Result 1043402.48Running strategy with parameters Result 1292558.6900000004Running strategy with parameters(AAPL,(AAPL(AAPI?(AAPL 164,8,3,164,9,4,164,9,4,164,8,3,89,91.91,89,10)11)10)9)策略参数的优化运行 Server 和 Worker Server程序输出的最好的参数组合是 Best final result 1 3562 83.91 00000008 with parameters fAAPL1,1 64,9,2,91,1 0)策略参数的优化另一种办法 Local模式寻找最优参数策略参数的优化 Local模式寻找最优参数一在Server/Worker模式中，我们可以启动多台机器，运 行多个Worker（只有一个Server）,利用并行处理来加 快优化参数的搜索。-如果我们只有一台机器，也可以进行并行处理，那就 是利用多核来实现并行处理。我们可以使用 pyalgotrade.optimizer.local模块的run方法来实现优化 参数的搜寻策略参数的优化 Local模式寻找最优参数一在这里只有一段代码，把Server/Worker模式的代码整 合在一起了。一定义一个 parameters generator,用于构造各个参数组 合。然后从csv支件装赘价格数据：最后，使用 pyalgotrade.optimizer.local 模块的 run 方法，而不是 pyalgotrade.optimizer.worker 模块的 run 方法，用 价格数 鬼、及参数汨合，执行交易策略MyRSIStrategy。根据执行结果，找到最优的参数组合notepad+扪开代A 码，进行分析策略参数的优化 Local模式寻找最优参数一以管理员方式运行“Anaconda Command Prompt，运行如下命令一 python Optimizelo cal.py-程序找到的最优参数组合为Best result so far 1 3562 83.91 00000008 with parameters(AAPL,1 64,9,2,91,1 0)Anaconda Prompt(Python35)一 x(Python35)D:2020-python(2)12-算法参数的优化python Optimize local.py2020-01-27 16:13:30,608 pyalgotrade.optimizer,local 1N I?O Starting server on port 112082020-01-27 16:43:30,612 pyalgotrade,optimizer,xmlrpcservei*TVFO I.oading bars2020-01-27 16:43:30,612 pyalgotrade,optimizer,local TN FO Wailing for L he server to be ready2020-01-27 16:43:30,665 pyalgotradc.optimizer,xmlrpcservcr flN FOl Started serving2020-01-27 16:43:30,665 pyalgotrade.optimizer,local I N FO Starting 12 workers2020 01-27 16:43:48,037 pyalgotrade.optimizer,xml rpcserver TWO Best resul t so far 1356283.9100000008 wi th parameters C AAPI/,164,9,2,91,10)2020-01-27 16:44:06,885 pyalgotradc.optimizer,local 1N E0 Stopping server2020-01-27 16:44:07,257 pyalgotrade,optimizer,xmlrpcserver I N I O Finished serving(Python35)D:2020-pyL hon(2)12-算法参数的优化屋策略参数的优化 讨论-其它策略，根据内在原理的不同，有不同的参数需要 优化。比如，基于决策树分类的交易策略，可以优化 的参数有 self._window length 等。一为了优化该参薮，需要&策略的_init_方法中，定义 window length 参数，并且把 window length 的值，赋 给交易策略类型的self.windowength属性。一在此基础上，仿照上述Server和Worker的写法，开发 优化程序并运行它，寻找最优的widow length策略参数的优化 讨论 需要注意的是，某些交易策略使用的算法(机器学习模型)，比 如支持向量机分类器，也有一些参数可以优化，包括正则化参 数C、gamma参数、核函数的选择等。在这里，我们把算法级参数和策略级参数分开。算法级参数仅 用于策略内部的具体的算法，策略级参数类似于上文提到的、不局限于某个算法的一些参数，比如窗口大小、移动平均周期 等。我们可以把这两类参数，通过交易策略的_init_方法暴露出 来，以便优化器(Server/Worker)可以优化它/X1,一个策略模型使用了某个算法2,算法有参数，比如SVM的C和gamma3,模型也有参数，比如滑动窗口大小_/策略参数的优化 遗传算法与参数优化 当交易策略及核心算法的参数组合数量极大的时候，一个一个 进行测试是非常费时的。比如某个交易策略(包括核心算法)有9个参数，每个参数的取值有10个，那么参数组合就是10 的9次方个参数组合，对整个参数空间进行搜索费时费力。遗传算法是一种优化算法，可以用于较快地找到最优或者次优 的算法参数。遗传算法(Genetic Algorithm),是模拟达尔文进化论的自然选 择原理而构建的进化模型，它能够不断选择优良的个体。在这 里，个体表示某个模型，或者具体是某个模型的若干参数的一 种配置。在生物学上，自然选择包括染色体的选择、交叉、和 变异等，繁衍一代又一代的个体，进而选择出最优或者较优的 个体策略参数的优化 遗传算法与参数优化一染色体-染色体用于对若干个参数进行编码，比如对于上述9个参数，每个参数有10个可能取值，那么每个参数需要4个bit的编码-注意4个bit能够表示0-1 5,共16个取值。现在每个参数的取 值为0-9（根据参数的实际意义，可以把0-9映射到实际的参数 值，比如参数的实际取值为 10、11、12、13、14、15、16、17、18、19,那么 0-9就映射到10-19）。4个bit表示的0-9表示参数取值为0-9,1 0-1 5的参数取值如何处理？可以把它们映射到9 o-我们可以通过给每个参数，生成随机的4个bit,把它们拼接 起来，构成一个染色体。我们随机构造n个（比如300）染色 体，构成一个集合，这个集合就叫初始种群参数1参数2a参数3a参数4a参数53参数6a参数7参数8。参数9d4bita4bita4bita4bita4bita4bita4bitJ4bita4bit策略参数的优化 遗传算法与参数优化一交叉：所谓两个染色体的交叉，是从一个染色 体取得切割点的首部，从另外一个染色体取得 切割点的尾部，把这两部分组合起来，形成一 个新的染色体。它模仿了自然界动植物的杂交looibo3100011*100111100000父代子代G策略参数的优化 遗传算法与参数优化 变异：所谓变异，是把某个染色体的一定 比例的bit,由0变成1,或者由1变成 0,构造一个新的染色体。100100108 1 00-策略参数的优化 遗传算法与参数优化 Fitness我们从初始的种群中，针对每个染色体，解析 出它表示的参数组合，设置到交易策略，运行 交易策略，计算一个Fitness函数值（比如夏普 指数），然后对这些染色体，从优到劣进行排 序。自然界有优胜劣汰的规律，我们可以保存 好的染色体，也就是夏普指数高的参数组合。但是要考虑到，上一代次优的染色体，在下一 代可能发生变异、变好策略参数的优化令遗传算法与参数优化.选择为了照顾这种状况，选择上要实施一些规则，选择 策略有轮盘赌、锦标赛、精英保留策略等。轮盘赌 简单莱说就是一和概率选择法。轮盘赌按照一定的概率有放回地抽取下一代的一个 个体，重复n次（n是种身单染色体数），每个个体被 抽中的概率为仍=；（%.）,备注f（x）为适应度函数,比如交易策略的夏善嘉数O 采用锦标赛进行优胜劣汰的方法，是每次从群体中 随机抽取P个个体，将P个个体中适应度最好的保留 下来）董复n次）得到n个个株形成下一代。策略参数的优化 遗传算法与参数优化 选择、交叉、与变异 一般来说，先进行选择，再进行交叉、再 变异是是遗传算法采用的普遍做法。交叉 的概率比较大，比如60%,变异的概率比 较小，比如0.1%。策略参数的优化 遗传算法与参数优化一总流程一整个遗传算法的流程如下。首先确定编码规则，然后 初始化种群。如果已经满足终止条件，就提取最优 解；否则通过选择/交叉/变异等操作，生成下一代，一代又一代地迭代，直到满足终止条件策略参数的优化 股票间的相关性 股票之间存在相关性，我们可以利用这个 相关性来对某只股票的价格变化进行预测策略参数的优化股票间的相关性代码分析*(1)导入必要的Python库)Nnotepad+打开代码，进行分析首先导入必要的Python库配(2)准备数据建立all_data数据结构，这是一个空的字 典。AAPLINTCMSFTYHOODate Time2013-07-0152.2119.8729.6925.242013-07-0253.3919.7329.3324.992013-07-0353.6819.7629.3925.592013-07-0553.2520.0129.5625.682013-07-0852.9519.2829.6625.52策略参数的优化股票间的相关性代码分析（3）计算变化率（收益率）计算每列数据的后一天针对前一天的变化 率，得到returns（是一个DataFrame）,结果 如下。AAPLINTCMSFTYHOODate Time2013-07-01NaNNaNNaNNaN2013-07-020.022601-0.007046-0.012125-0.0099052013-07-030.0054320.0015210.0020460.0240102013-07-05-0.0080100.0126520.0057840.0035172013-07-08-0.005634-0.0364820.003383-0.006231策略参数的优化股票间的相关性代码分析(4)计算相关性和协方差 计算相关性和协方差，并且显示，结果如下。从中可以看出AAPL和INTC、MSFT、YHOO的相关性分别为0.303、0.333、0.2 49,相关性并不高AAPLINTCMSFTYHOOAAPL1.0000000.3030450.3332460.249168INTC0.3030451.0000000.4730020.240982MSFT0.3332460.4730021.0000000.281624YHOO0.2491680.2409820.2816241.000000AAPLINTCMSFTYHOOAAPL0.0002340.0000660.0000800.000075INTC0.0000660.0002020.0001060.000067MSFT0.0000800.0001060.0002490.000087YHOO0.0000750.0000670.0000870.000387策略参数的优化 我们要的是延迟相关性 上述代码捕抓的相关性，是原有时间对齐 的相关性。我们需要捕抓错位的相关性，即迟滞相关性(Lag Correlation)。我们先来 看看什么是错位相关性，然后自然明白其 意义所在。策略参数的优化 我们要的是延迟相关性-从图中可以看出，我们如果计算的是A（序列）和B的位移1（序列）的相关性，那么意味 着，这种相关性表达的是提早的B、和A的相 关性，于是我们就可以捕抓到B先于A变化，B和A的相关性还挺高这样的情况。换句话 说，就可以利用用B的前几天的价格变化，预 测A的价格变4AO Al A2 A3 A4G个个=BO Bl B2 B3 B4。（a）A vs.B原有时间对对的相关性（b）A vs.B位移1的相关性（c）A vs.B位移-1的相关性策略参数的优化我们要的是延迟相关性 一代码分析(1)导入必要的Python库notepad+打开代码，进行分析N首先导入必要的Python库，即pandas库。*(2)Xz TIX7 人/人47 r=七rl 4二井 人二 LL TfflAAPLMSFT(0)MSFT(l).MSFT(-l)MSFT(-2)MSFT(-3)Date Time2013-07-0152.2129.69NaN.29.3329.3929.562013-07-0253.3929.3329.69.29.3929.5629.662013-07-0353.6829.3929.33.29.5629.6629.682013-07-0553.2529.5629.39 29.6629.6829.982013-07-0852.9529.6629.56.29.6829.9830.84策略参数的优化我们要的是延迟相关性 一代码分析(3)计算变化率(收益率)AAPLMSFT(0)MSFT(l).MSFT(-l)MSFT(-2)MSFT(-3)Date Time2013-07-01 NaNNaNNaN.NaN NaN NaN2013-07-02 0.022601-0.012125NaN.0.002046 0.005784 0.0033832013-07-03 0.0054320.002046-0.012125.0.005784 0.003383 0.0006742013-07-05-0.0080100.0057840.002046.0.003383 0.000674 0.0101082013-07-08-0.0056340.0033830.005784.0.000674 0.010108 0.028686 2015-12-24-0.005321 -0.002711 0.008395 .0.005048 0.010817-0.0042042015-12-28-0.0111940.005048-0.002711.0.010817-0.004204-0.0147762015-12-29 0.0179320.0108170.005048.-0.004204-0.014776 0.0000002015-12-30-0.012991-0.0042040.010817.-0.014776 0.000000 0.0000002015-12-31-0.019244-0.014776-0.004204.0,000000 0.000000 0.000000策略参数的优化我们要的是延迟相关性 一代码分析(4)计算相关性AAPLMSFT(0)MSFT(l).MSFT(-l)MSFT(-2)MSFT(-3)AAPL1.0000000.3332 46-0.093976.0.060440-0.01 6472-0.066437MSFT(0)0.3332 461.0000000.041 746.0.041 81 5-0.02 2 898-0.041 41 1MSFT(l)-0.0939760.041 7461.000000.-0.02 301 8-0.041 545-0.057848MSFT(2)-0.05601 4-0.02 30530.041 2 55.-0.041 582-0.057887-0.031 759MSFT(3)0.00532 0-0.041 532-0.02 2 088.-0.057842-0.031 706-0.0662 52MSFT(-l)0.0604400.041 81 5-0.02 301 81.0000000.041 931-0.02 2 504MSFT(-2)-0.01 6472-0.02 2 898-0.041 5450,041 9311.000000 0.041 909MSFT(-3)-0.066437-0.041 41 1-0.057848.-0.02 2 5040.041 909 1.000000策略参数的优化我们要的是延迟相关性一代码分析一提取AAPL和MSFT股票的（位移）的相关性一为了方便观察，我们截取这个二维表的，AAPU歹U,结果如下AAPLAAPL 1.000000M SFT(0)0.333246M SFT(l)-0.093976M SFT(2)-0.056014M SFT(3)0.005320M SFT(-l)0.060440M SFT(-2)-0.016472M SFT(-3)-0.066437策略参数的优化我们要的是延迟相关性一代码分析-进行绘图AAPLM SFT(0)M SFT(l)M SFT(2)M SFT(3)M SFT(-l)M SFT(-2)M SFT,-3)AAPL 1.000000 0.333246-0.093976-0.056014 0.005320 0.060440-0.016472-0.066437策略参数的优化练习与思考 1,运行代码，掌握代码-分布是参数优化-本地参数优化一股票相关性一股票迟滞相关性 2,修改代码