寫了一個類GeneticOptimizeStrategy，針對VNPY策略遺傳演算法優化
寫了一個類，GeneticOptimizeStrategy，
- Parameterlist 字典； 簡化了呼叫引數和定義對應隨機範圍問題。只要在Parameterlist 中定義策略引數名稱和對應的隨機範圍就可以，其中兩個引數的元祖是兩個之間隨機數，呼叫random.uniform()，三個引數元祖是開始結束和中間步進,呼叫的是random.randrange(), 如果是陣列就是在陣列中間隨機選擇。
- Symbollist 字典，維護回測品種和資料
-
poptoExcel方法，輸出一個Excel，包括引數和value；引數可以直接呼叫。同時把相同項合併。效果如下圖
原始碼也可以去我的GitHub中
-------------------------------------------------------------------------------------------------------------
發現多執行緒時候有報錯
cPickle.PicklingError: Can't pickle <type 'instancemethod'>: attribute lookup
builtin
.instanceme
搜尋一下，發現是python2.7多程式問題，pool.map沒法繫結包在類裡面方法。
把evaluate的方法放在類外面做成靜態方法繫結，雖然解決了pickle，但是在多執行緒情況下，策略引數名字和值的對應經出出錯。
就把引數賦值的方式也改了，從
[value1,value2,value3...]變成[{key1:value1},{key2,value2},{key3,value3}...]，這樣。可以滿足交叉，突變要求。生成隨機DNA演算法要改下。
def parameter_generate(self):
'''
根據設定的起始值，終止值和步進，隨機生成待優化的策略引數
'''
parameter_list = []
for key, value in self.parameterlist.items():
if isinstance(value, tuple):
if len(value) == 3:
parameter_list.append({key:random.randrange(value[0], value[1], value[2])})
elif len(value) == 2:
parameter_list.append({key:random.uniform(value[0], value[1])})
elif isinstance(value, list):
parameter_list.append({key:random.choice(value)})
else:
parameter_list.append({key:value})
return parameter_list
parameter_list是類似vnpy optimize的格式，不過有所增強。 strategy_avg返回變成了[{key1:value1},{key2,value2},{key3,value3}...]，包含字典的list格式也可以滿足交叉和突變方法。
在進化篩選方法object_func，使用下面遍歷把[{key1:value1},{key2,value2},{key3,value3}...]變回{key1,value1,key2,value2...}，這樣就可以進入回測
setting = {}
for item in range(len(strategy_avg)):
setting.update(strategy_avg[item])
最後，因為進化篩選方法object_func放在類外面，但必須要把一些回測引數，比如品種，日期等的傳入，這裡有兩種方式可以實現，一個是把傳入individual list改為Tuple list，變成[(individual, parameterPackage)..]這樣list，但是就要修改algorithms.eaMuPlusLambda，比較麻煩。
還有一個是增強individual, 加入這個回測引數集做為屬性。但是多執行緒也有些要注意，不得不把parameterPackage做為靜態屬性放在類裡面，不然回提示parameterPackage為空。還沒有找到比較合適處理方法
creator.create("Individual", list, fitness=creator.FitnessMulti, parameterPackage=parameterPackage)
完整新程式碼如下
# encoding: UTF-8
"""
展示如何執行引數優化。
"""
from __future__ import division
from __future__ import print_function
from vnpy.trader.app.ctaStrategy.ctaBacktesting import BacktestingEngine, MINUTE_DB_NAME, OptimizationSetting
from vnpy.trader.app.ctaStrategy.strategy.strategyBollChannel import BollChannelStrategy
import random
import numpy as np
from deap import creator, base, tools, algorithms
import multiprocessing
import time, datetime
import pandas as pd
def object_func(strategy_avgTuple):
"""
本函式為優化目標函式，根據隨機生成的策略引數，執行回測後自動返回2個結果指標：收益回撤比和夏普比率
"""
strategy_avg = strategy_avgTuple
paraSet = strategy_avgTuple.parameterPackage
symbol = paraSet["symbol"]
strategy = paraSet["strategy"]
# 建立回測引擎物件
engine = BacktestingEngine()
# 設定回測使用的資料
engine.setBacktestingMode(engine.BAR_MODE) # 設定引擎的回測模式為K線
engine.setDatabase("VnTrader_1Min_Db", symbol["vtSymbol"]) # 設定使用的歷史資料庫
engine.setStartDate(symbol["StartDate"]) # 設定回測用的資料起始日期
engine.setEndDate(symbol["EndDate"]) # 設定回測用的資料起始日期
# 配置回測引擎引數
engine.setSlippage(symbol["Slippage"]) # 1跳
engine.setRate(symbol["Rate"]) # 佣金大小
engine.setSize(symbol["Size"]) # 合約大小
engine.setPriceTick(symbol["Slippage"]) # 最小价格變動
engine.setCapital(symbol["Capital"])
setting = {}
for item in range(len(strategy_avg)):
setting.update(strategy_avg[item])
engine.clearBacktestingResult()
# 載入策略
engine.initStrategy(strategy, setting)
# 執行回測，返回指定的結果指標
engine.runBacktesting() # 執行回測
# 逐日回測
# engine.calculateDailyResult()
backresult = engine.calculateBacktestingResult()
try:
capital = round(backresult['capital'], 3) # 收益回撤比
profitLossRatio = round(backresult['profitLossRatio'], 3) # 夏普比率 #夏普比率
sharpeRatio = round(backresult['sharpeRatio'], 3)
except Exception, e:
print("Error: %s, %s" %(str(Exception),str(e)))
sharpeRatio = 0
profitLossRatio = 0 # 收益回撤比
averageWinning = 0 # 夏普比率 #夏普比率
capital = 0
return capital, sharpeRatio, profitLossRatio
class GeneticOptimizeStrategy(object):
Strategy = BollChannelStrategy
Symbollist ={
"vtSymbol": 'rb0000',
"StartDate": "20140601",
"EndDate": "20141101",
"Slippage": 1,
"Size": 10,
"Rate": 2 / 10000.0,
"Capital": 10000
}
Parameterlist = {
'bollWindow': (10,50,1), #布林帶視窗
'bollDev': (2,10,1), #布林帶通道閾值
'slMultiplier':(3,6),
'barMins':[2,3,5,10,15,20],
}
parameterPackage = {
"symbol":Symbollist,
"strategy":Strategy
}
# ------------------------------------------------------------------------
def __init__(self, Strategy, Symbollist, Parameterlist):
self.strategy = Strategy
self.symbol = Symbollist
self.parameterlist = Parameterlist
self.parameterPackage = {
"strategy":self.strategy,
"symbol":self.symbol
}
creator.create("FitnessMulti", base.Fitness, weights=(1.0, 1.0, 1.0)) # 1.0 求最大值；-1.0 求最小值
creator.create("Individual", list, fitness=creator.FitnessMulti, parameterPackage=parameterPackage)
# ------------------------------------------------------------------------
def parameter_generate(self):
'''
根據設定的起始值，終止值和步進，隨機生成待優化的策略引數
'''
parameter_list = []
for key, value in self.parameterlist.items():
if isinstance(value, tuple):
if len(value) == 3:
parameter_list.append({key:random.randrange(value[0], value[1], value[2])})
elif len(value) == 2:
parameter_list.append({key:random.uniform(value[0], value[1])})
elif isinstance(value, list):
parameter_list.append({key:random.choice(value)})
else:
parameter_list.append({key:value})
return parameter_list
def mutArrayGroup(self, individual, parameterlist, indpb):
size = len(individual)
paralist = parameterlist()
for i in xrange(size):
if random.random() < indpb:
individual[i] = paralist[i]
return individual,
def optimize(self):
# 設定優化方向：最大化收益回撤比，最大化夏普比率
toolbox = base.Toolbox() # Toolbox是deap庫內建的工具箱，裡面包含遺傳演算法中所用到的各種函式
pool = multiprocessing.Pool(processes=(multiprocessing.cpu_count()-1))
toolbox.register("map", pool.map)
# 初始化
toolbox.register("individual", tools.initIterate, creator.Individual,
self.parameter_generate) # 註冊個體：隨機生成的策略引數parameter_generate()
toolbox.register("population", tools.initRepeat, list,
toolbox.individual) # 註冊種群：個體形成種群
toolbox.register("mate", tools.cxTwoPoint) # 註冊交叉：兩點交叉
toolbox.register("mutate", self.mutArrayGroup, parameterlist=self.parameter_generate,
indpb=0.6) # 註冊變異：隨機生成一定區間內的整數
toolbox.register("evaluate", object_func) # 註冊評估：優化目標函式object_func()
toolbox.register("select", tools.selNSGA2) # 註冊選擇:NSGA-II(帶精英策略的非支配排序的遺傳演算法)
# 遺傳演算法引數設定
MU = 8 # 設定每一代選擇的個體數
LAMBDA = 5 # 設定每一代產生的子女數
pop = toolbox.population(20) # 設定族群裡面的個體數量
CXPB, MUTPB, NGEN = 0.5, 0.3, 10 # 分別為種群內部個體的交叉概率、變異概率、產生種群代數
hof = tools.ParetoFront() # 解的集合：帕累託前沿(非佔優最優集)
# 解的集合的描述統計資訊
# 集合內平均值，標準差，最小值，最大值可以體現集合的收斂程度
# 收斂程度低可以增加演算法的迭代次數
stats = tools.Statistics(lambda ind: ind.fitness.values)
np.set_printoptions(suppress=True) # 對numpy預設輸出的科學計數法轉換
stats.register("mean", np.mean, axis=0) # 統計目標優化函式結果的平均值
stats.register("std", np.std, axis=0) # 統計目標優化函式結果的標準差
stats.register("min", np.min, axis=0) # 統計目標優化函式結果的最小值
stats.register("max", np.max, axis=0) # 統計目標優化函式結果的最大值
# 執行演算法
algorithms.eaMuPlusLambda(pop, toolbox, MU, LAMBDA, CXPB, MUTPB, NGEN, stats,
halloffame=hof, verbose=True) # esMuPlusLambda是一種基於(μ+λ)選擇策略的多目標優化分段遺傳演算法
return pop
def poptoExcel(self, pop, number = 1000, path = "C:/data/"):
#按照輸入統計資料佇列和路徑，輸出excel，這裡不提供新增模式，如果想，可以改
#dft.to_csv(path,index=False,header=True, mode = 'a')
path = path + self.strategy.className + "_" + self.symbol[ "vtSymbol"] + str(datetime.date.today())+ ".xls"
summayKey = ["StrategyParameter","TestValues"]
best_ind = tools.selBest(pop, number)
dft = pd.DataFrame(columns=summayKey)
for i in range(0,len(best_ind)-1):
if i == 0:
# new = pd.DataFrame([{"StrategyParameter":self.complieString(best_ind[i])},{"TestValues":best_ind[i].fitness.values}], index=["0"])
dft = dft.append([{"StrategyParameter":self.complieString(best_ind[i]),"TestValues":best_ind[i].fitness.values}], ignore_index=True)
elif str(best_ind[i-1]) == (str(best_ind[i])):
pass
else:
#new = pd.DataFrame({"StrategyParameter":self.complieString(best_ind[i]),"TestValues":best_ind[i].fitness.values}, index=["0"])
dft = dft.append([{"StrategyParameter":self.complieString(best_ind[i]),"TestValues":best_ind[i].fitness.values}], ignore_index=True)
dft.to_excel(path,index=False,header=True)
print("回測統計結果輸出到" + path)
def complieString(self,individual):
setting = {}
for item in range(len(individual)):
setting.update(individual[item])
return str(setting)
if __name__ == "__main__":
Strategy = BollChannelStrategy
Symbollist ={
"vtSymbol": 'rb0000',
"StartDate": "20140601",
"EndDate": "20141101",
"Slippage": 1,
"Size": 10,
"Rate": 2 / 10000.0,
"Capital": 10000
}
Parameterlist = {
'bollWindow': (10,50,1), #布林帶視窗
'bollDev': (2,10,1), #布林帶通道閾值
'slMultiplier':(3,6),
'barMins':[2,3,5,10,15,20],
}
parameterPackage = {
"symbol":Symbollist,
"parameterlist":Parameterlist,
"strategy":Strategy
}
GE = GeneticOptimizeStrategy(Strategy,Symbollist,Parameterlist)
GE.poptoExcel(GE.optimize())
print("-- End of (successful) evolution --")
-------------------------------------------------------------------------------------------------------------
https://github.com/BillyZhangGuoping/MarketDataAnaylzerbyDataFrame/tree/master/GeneticOptimizeforVNPYStrategy
來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/22259926/viewspace-2640851/，如需轉載，請註明出處，否則將追究法律責任。
相關文章
- 利用遺傳演算法庫DEAP優化交易策略演算法優化
- 【智慧優化演算法】遺傳演算法的精英選擇策略、期望選擇策略優化演算法
- 利用粒子群優化演算法（PSO）來優化vnpy的量化策略引數優化演算法
- 【多目標優化演算法】非支配的精英策略遺傳演算法：NSGA-II優化演算法
- python實現：目標優化演算法——遺傳演算法Python優化演算法
- 一個小技巧，VNPY策略引數優化時候顯示完成數量和總數量優化
- 遺傳演算法(一):Basic GA演算法
- 如何優化一個雜湊策略優化
- 【redis前傳】自己手寫一個LRU策略 | redis淘汰策略Redis
- 遺傳演算法演算法
- 智慧優化演算法——python實現免疫遺傳演算法的影像擬合優化演算法Python
- 遺傳演算法 (轉)演算法
- 從遺傳演算法到OpenAI新方向：進化策略工作機制全解演算法OpenAI
- MySQL 針對 like 條件的優化MySql優化
- 針對vnpy的不同期貨品種行情資料清理
- 使用MPI並行化遺傳演算法框架GAFT並行演算法框架
- Python遺傳演算法工具箱的使用（一）求解帶約束的單目標優化Python演算法優化
- GAFT-一個使用Python實現的遺傳演算法框架Python演算法框架
- 針對enq: KO - fast object checkpoint的優化ENQASTObject優化
- 遺傳演算法的基本框架演算法框架
- 遺傳演算法 (Genetic Algorithm)演算法Go
- 你的網站需要針對移動端優化的10個理由網站優化
- 寫了一個 SRE 除錯工具，類似一個小木馬除錯
- 遺傳演算法解決函式最佳化問題演算法函式
- VNPY 批量優化引數，並輸出到excel優化Excel
- 針對雲原生轉型的6個關鍵資料策略
- 寫一個針對IQueryable<T>的擴充套件方法支援動態排序套件排序
- mysql之 CentOS系統針對mysql引數優化MySqlCentOS優化
- 如何針對SEO優化您的WordPress Robots.txt優化
- 【譯】針對 Airbnb 清單頁的 React 效能優化AIReact優化
- 人工智慧 (13) 遺傳演算法人工智慧演算法
- 10分鐘搞懂遺傳演算法演算法
- python遺傳演算法(詳解)Python演算法
- 10個針對Web開發者的優秀Chrome外掛WebChrome
- 進化演算法、遺傳演算法與粒子群演算法之間的比較演算法
- 針對vnpy的mongodb資料庫，合併多個主力合約行情為連續行情資料MongoDB資料庫
- MATLAB實戰系列（十一）-多種群遺傳演算法的函式優化演算法（附MATLAB程式碼）Matlab演算法函式優化
- 編寫優秀 CSS 程式碼的 8 個策略CSS