使用蒙特卡洛方法寻找最优参数来获得最好的年化率，夏普率

def cal_best_par(df, n =200):  # n为寻找次数, n越大，寻找时间越久，越接近最优值
    n1_min,n1_max = 2,30
    n2_min,n2_max = 5,70     # n1为为参数，选择其的取值范围

    opt_para_list = [] #参数
    profit_list = []  #资金收益  
    sharpe_list =[]  #夏普率

    for i in range(0,n+1):
        n1 = int(random.uniform(n1_min, n1_max))
        n2 = int(random.uniform(n2_min, n2_max))
        opt_para_list.append([n1,n2])
        profit_list.append(kama_ma(df, n1, n2)[1])  # kama_ma为策略函数
        sharpe_list.append(kama_ma(df, n1, n2)[0])
    return opt_para_list,sharpe_list

这里通过寻找200次找到所有参数下的资金收益和夏普率（可能会有重复值）

x_new = []
y_new = []

x,y= cal_best_par(df)
for i in range(len(x)):
    if y[i]>=1.5:   # 夏普大于1.5
        x_new.append(x[i])
        y_new.append(y[i])
if len(x_new)==0:
    print('bad')
y_max = max(y_new)   # 夏普大于1.5中，年化最高值
x_list = x_new[y_new.index(y_max)]  # 夏普大于1.5中，年化最高的一组参数

然后就可以通过限定条件，比如上图中，通过选择夏普大于1.5的所有参数中，年化最高的一组参数。当然了，这里，也可以通过限定其他条件了，例如交易频率大于100的，或者持仓最大值小于1天的，总之，你可以理解为，蒙特卡洛的方法就是在搜寻一堆的参数，每一组参数都得到一个结果，然后选择其中最好的一组就可以了。