【从零开始vnpy量化投资】十四. 参数优化技巧

【从零开始vnpy量化投资】十四. 参数优化技巧

概述

之前我们在使用回测时，都是人工修改参数来查看回测效果，如果想批量执行一些参数，找到其中效果最好的参数，这就需要用到参数优化。vnpy自带的参数优化包含两种类型，一种是暴力破解算法，一种是遗传优化算法。

vnpy内置算法比较

暴力破解算法

暴力破解算法的含义就是针对参数定义域的所有组合，暴力执行回测流程，并获取其中目标指标最大的一个。以双均线两个参数为例，如果短期均线的范围为5-20天，长期均线的范围为10-50天，参数最小间隔是1天的话，这个例子里包含16*41=656种组合。也就是vnpy会执行656次回测，并找到效果最好的那个。

遗传优化算法

遗传算法对定义域空间巨大的优化效果会比较好，但对少量参数的反而不会有任何优化作用。遗传算法的原理是从定义域中随机选取一些个体作为当前的样本，称为一代。对这一代的参数执行回测后，对表现最好的一些个体，通过组合或突变的方式，改变参数的某些指标产生新的一代。这种做法类似基因遗传，所以被叫做遗传优化算法。
遗传算法的迭代次数越多，每次包含的样本越多，则效果越好。这就导致了对于少量参数的数据，遗传算法的运行次数要远超过暴力破解算法，而在参数定义域极大的情况下，遗传算法能发挥不错的效果。

时间预估

以单次回测10秒为例，如果遗传算法经历100代，每代100个样本，则一共需要运行10000次回测。参数优化是使用多进程方式执行的，以个人电脑常见的4核为例&