代码 对冲策略_趋势策略中的参数优化

趋势策略的回测与对冲型的不大一样，关键区别在于趋势策略一般是路径依赖的，而对冲型的策略则不是。

比如普通的双均线趋势策略，金叉之后做多，此后仓位一直保持，直到两根均线又交汇为止。路径依赖的意思是说，过去的金叉所带来的多头仓位会持续一段时间。

而对冲类型的策略不是这样的。比如对品种日线数据的多空进行排序后，做多一部分，做空一部分，计算所得作为第二天的仓位，然后第二天又重新计算，或者其他周期的策略。每一期的持仓只依赖于上一期的数据，因此这是类似于动态规划那种无后效性的特征。这种策略的回测可以用矩阵计算直接算出，比如“每天每只股票收益率*仓位变化”再相加就是每天的投资组合收益率，这是可以直接矩阵计算的，还可以借助GPU。

这种股票对冲的策略要优化也容易，比如加一些约束条件，让每天股票仓位变化不要太大，减少交易成本等等，本质上类似于lasso，还可以套用一些牛逼一点的数值计算方法如ADMM加速求解。

但趋势型策略不大一样，由于它是路径依赖的，不存在这种高速求解的方法，不管怎么样都得逐根K线过一遍。

这也同时影响了参数优化。比如两个参数，每个参数10组数值，就是一共100组数值，这个优化问题本质上是因为求解的函数是计算量比较大的，而且无法像连续优化那类问题一样求导，所以似乎并没有太好的办法。

当然，遗传算法是可以的，但总感觉遗传算法有点伪科学的味道。其实我自己也没有太好的办法，或者可以通过其它方面来提速，比如：

1.保存好大量中间结果。很多策略涉及到技术指标的迭代计算，如果回测的时候逐个行情进行，速度难免太慢。可以事先一次性计算好，先保存起来，等最后回测的时候直接调用。

2.向量化计算。很多软件追求回测、优化、实盘用一套代码，这样必须逐个行情进行，因为实盘是这样的，其实对回测优化来说真没必要。回测的时候完全可以用向量化的方法计算各个指标，提高速度。

3.用C/C++写循环部分。涉及到逐根K线的回测，实在没法向量化加速的，可以考虑直接用C/C++写关键部分，提高速度。

4.多核并行。这类计算不是矩阵计算，GPU没啥用，只能用更多CPU，多核并行加速。

其实趋势策略本质上没啥太复杂的地方，能加速就加速，提高研究效率。比如每天收到最新的数据后自动计算好各类因子值，这样优化起来速度也快得多，否则用那些逐个行情回测的python框架来回测，层次太低，严重影响工作效率。当然，你故意让电脑算半个小时自己可以有时间与同行交流的除外。