调参有啥用？
1、通过尝试不同的参数组合寻找最优组合；
2、也就是说，如果你想要暴富组合，可以通过不断调参，找到暴富因子，如果你想要回撤最小，可以找到稳定增长的参数组合。
3、策略理论应该放在第一，如果策略本身就不行，硬靠调参续命，还不如去买辣条吃。
回测准备
回测标的：btcusdt
回测区间：2019年-至今
回测频度：小时
手续费、滑点：0.050%（交割合约吃单手续费）+0.1%（滑点：指下单的点位和最后成交的点位有差距）
操作方向：只做多，不做空
结论
1、收益率最优参数[10,95](仅针对本次测试组合)，综合收益率前十的均线组合，短均线主要聚焦在[10,15,20,25]，长均线主要聚焦在[75,80,85,90,95,100]；
2、收益率最高的参数组合也只是勉强跑赢基准。
代码
友情提示：行情数据自行准备，涉及行情调取代码不展示
1、使用模块
import pandas as pd
import pymssql
import numpy as np
import datetime
import talib as ta
import matplotlib.pyplot as plt2、展示格式调整
pd.set_option('expand_frame_repr', False) # 当列太多时不换行
pd.set_option('display.max_rows', 10000) # 最多显示多少行
pd.set_option('display.float_format', lambda x: '%.8f' % x) #为了直观的显示数字，不采用科学计数法
#中文
plt.rcParams['font.sans-serif']=['SimHei']
#负号
plt.rcParams['axes.unicode_minus']=False3、策略函数
def strategy_ma(pdatas,win_short,win_long):
"""
pdatas：ohlc 格式数据
win_short：短均线周期
win_long:长均线周期
"""
#复制数据，避免在原数据中改动
datas = pdatas.copy()
#计算方法：N日移动平均线=N日收市价之和/N
#长均线计算
datas['lma'] = ta.MA(datas['close'], timeperiod=win_long)
#短均线计算
datas['sma'] = ta.MA(datas['close'], timeperiod=win_short)
datas['flag'] = 0 # 记录买卖信号
datas['pos'] = 0 # 记录持仓信号
pos = 0 # 是否持仓，持多仓：1，不持仓：0，持空仓：-1
#剔除长均线长度之前的空数据和最后一行数据
for i in range(max(1,win_long),datas.shape[0] - 1):
# 当前无仓位，短均线上穿长均线，做多
if (datas.sma[i-1] < datas.lma[i-1]) and (datas.sma[i] > datas.lma[i]) and pos==0:
#买卖信号置为1，表明买入
datas.loc[i,'flag'] = 1
#买卖信号后一个K线开始持仓，标为1
datas.loc[i + 1,'pos'] = 1
pos = 1
# 当前持仓，死叉，平仓
elif (datas.sma[i-1] > datas.lma[i-1]) and (datas.sma[i] < datas.lma[i]) and pos==1:
#买卖信号置为-1，表明卖出
datas.loc[i,'flag'] = -1
#买卖信号后一个K线开始持仓，标为0，如果要做空，标志为-1
datas.loc[i+1 ,'pos'] = 0
pos = 0
# 其他情况，保持之前仓位不变
else:
datas.loc[i+1,'pos'] = datas.loc[i,'pos']
#剔除长均线计算之前的空数据，并重置索引，并将原索引删除
datas = datas.loc[max(0,win_long):,:].reset_index(drop = True)
return datas4、资金曲线（与上一版本有区别）
# 计算资金曲线
def equity_curve(data,win_short,win_long,leverage_rate=1, c_rate=1.5 / 1000, min_margin_rate=0.015):
"""
:param df: 原始数据
:param win_short: 短均线周期
:param win_long:长均线周期
:param leverage_rate: okex交易所最多提供100倍杠杆，leverage_rate可以在(0, 100]区间选择
:param c_rate: 手续费，按照吃单万5，滑点千一计算
:param min_margin_rate: 最低保证金比例
:return:
"""
df = strategy_ma(data,win_short,win_long)
# =====基本参数
init_cash = 100 # 初始资金
min_margin = init_cash * leverage_rate * min_margin_rate # 最低保证金
# =====根据pos计算资金曲线
# ===计算涨跌幅
df['change'] = df['close'].pct_change(1) # 根据收盘价计算涨跌幅
df['pct'] = (df['change'].fillna(0) + 1).cumprod() #计算原始收益率
df['buy_at_open_change'] = df['close'] / df['open'] - 1 # 从今天开盘买入，到今天收盘的涨跌幅,开仓时的计算方法
df['sell_next_open_change'] = df['open'].shift(-1) / df['close'] - 1 # 从今天收盘到明天开盘的涨跌幅,正常平仓价差计算
df.at[len(df) - 1, 'sell_next_open_change'] = 0 #最后一根K不处理
# ===选取开仓、平仓条件
condition1 = df['pos'] != 0
condition2 = df['pos'] != df['pos'].shift(1)
open_pos_condition = condition1 & condition2
condition1 = df['pos'] != 0
condition2 = df['pos'] != df['pos'].shift(-1)
close_pos_condition = condition1 & condition2
# ===对每次交易进行分组
df.loc[open_pos_condition, 'start_time'] = df['date']
df['start_time'].fillna(method='ffill', inplace=True)
df.loc[df['pos'] == 0, 'start_time'] = pd.NaT
# ===计算仓位变动
# 开仓时仓位
df.loc[open_pos_condition, 'position'] = init_cash * leverage_rate * (1 + df['buy_at_open_change'])
# 开仓后每天的仓位的变动
group_num = len(df.groupby('start_time'))
if group_num > 1:
#对时间进行分组，与sql不同，其他字段都会依据时间进行分组
#建仓后的仓位,剔除了开仓
t = df.groupby('start_time').apply(
lambda x: x['close'] / x.iloc[0]['close'] * x.iloc[0]['position']
)
t = t.reset_index(level=[0])
df['position'] = t['close']
elif group_num == 1:
#按照时间进行分组，但是最后只取其中的收盘跟仓位字段
t = df.groupby('start_time')[['close', 'position']].apply(
lambda x: x['close'] / x.iloc[0]['close'] * x.iloc[0]['position'])
df['position'] = t.T.iloc[:, 0]
# 每根K线仓位的最大值和最小值，针对最高价和最低价
df['position_max'] = df['position'] * df['high'] / df['close']
df['position_min'] = df['position'] * df['low'] / df['close']
# 平仓时仓位
df.loc[close_pos_condition, 'position'] *= (1 + df.loc[close_pos_condition, 'sell_next_open_change'])
# ===计算每天实际持有资金的变化
# 计算持仓利润
df['profit'] = (df['position'] - init_cash * leverage_rate) * df['pos'] # 持仓盈利或者损失
# 计算持仓利润最小值
df.loc[df['pos'] == 1, 'profit_min'] = (df['position_min'] - init_cash * leverage_rate) * df[
'pos'] # 最小持仓盈利或者损失
df.loc[df['pos'] == -1, 'profit_min'] = (df['position_max'] - init_cash * leverage_rate) * df[
'pos'] # 最小持仓盈利或者损失
# 计算实际资金量
df['cash'] = init_cash + df['profit'] # 实际资金
df['cash'] -= init_cash * leverage_rate * c_rate # 减去建仓时的手续费，由于前面计算收益率的时候是没有剔除手续费的，所以每个里面剔除即只剔除了一次
df['cash_min'] = df['cash'] - (df['profit'] - df['profit_min']) # 实际最小资金
df.loc[df['cash_min'] < 0, 'cash_min'] = 0 # 如果有小于0，直接设置为0
df.loc[close_pos_condition, 'cash'] -= df.loc[close_pos_condition, 'position'] * c_rate # 减去平仓时的手续费
if len(df[df['cash_min']<= min_margin]['date'].tolist())>0:
print(df[df['cash_min']<= min_margin]['date'].tolist())
# ===判断是否会爆仓
_index = df[df['cash_min'] <= min_margin].index
if len(_index) > 0:
print('有爆仓',len(_index))
df.loc[_index, '强平'] = 1
df['强平'] = df.groupby('start_time')['强平'].fillna(method='ffill')
df.loc[(df['强平'] == 1) & (df['强平'].shift(1) != 1), 'cash_强平'] = df['cash_min'] # 此处是有问题的
df.loc[(df['pos'] != 0) & (df['强平'] == 1), 'cash'] = None
df['cash'].fillna(value=df['cash_强平'], inplace=True)
df['cash'] = df.groupby('start_time')['cash'].fillna(method='ffill')
df.drop(['强平', 'cash_强平'], axis=1, inplace=True) # 删除不必要的数据
# ===计算资金曲线
df['equity_change'] = df['cash'].pct_change()
df.loc[open_pos_condition, 'equity_change'] = df.loc[open_pos_condition, 'cash'] / init_cash - 1 # 开仓日的收益率
df['equity_change'].fillna(value=0, inplace=True)
df['equity_curve'] = (1 + df['equity_change']).cumprod()
# ===判断资金曲线是否有负值，有的话后面都置成0
if len(df[df['equity_curve'] < 0]) > 0:
neg_start = df[df['equity_curve'] < 0].index[0]
df.loc[neg_start:, 'equity_curve'] = 0
# ===删除不必要的数据
df.drop(['change', 'buy_at_open_change', 'sell_next_open_change', 'position', 'position_max',
'position_min', 'profit', 'profit_min', 'cash', 'cash_min'], axis=1, inplace=True)
#用于参数回测是区分用
df['strategy_return%s%s'%(win_short,win_long)] =df['equity_curve']
#设置时间索引
df.set_index('date',inplace=True)
return df5、穷举调参
#创建空df，含短均线、长均线、收益率三列
single_ids = pd.DataFrame(columns=("win_s","win_l","ret"))
#记录参数集合，画图用
ret_plot=[]
#记录参数、收益率
ret_total=pd.DataFrame()
#短均线，长均线选择数据范围，同时短均线要小于长均线
#短均线选取范围，步长5
for i in range(5,30,5):
#长均线选取范围，步长5
for j in range(10,120,5):
#短均线小于长均线
if i <j:
#将参数放到该列表中聚焦
ret_plot.append('strategy_return%s%s' % (i,j))
#print(ret_plot)
print('i:',i,'j:',j)
#数据回测，思考手续费（资金曲线调整，与上一版本不同）
result = equity_curve(data,win_short=i,win_long=j)
#获取最新收益率情况，就是最后一条
ret = result['equity_curve'].values[-1]
print(result['equity_curve'].values[-1])
#收益情况传入df中
ret_total['strategy_return%s%s' % (i,j)] = result['strategy_return%s%s' % (i,j)]
#记录短、长均线、收益率结果
jg_dict = {"win_s":i,"win_l":j,"ret":ret}
#转df
jg_dict = pd.DataFrame.from_dict(jg_dict,orient='index')
#单行df需要转置拼接
single_ids = single_ids.append(jg_dict.T)
print(single_ids)#按照收益率进行降序排列
single_ids.sort_values(by=['ret'],ascending=False,inplace=True)
#重置索引
single_ids.reset_index(inplace=True)# 取收益率前五的进行数据整合
#记录参数集合
ret_plot=[]
#记录参数、收益率
ret_total=pd.DataFrame()
#取收益率前5的参数进行拼接
for i,j in zip(single_ids[:5]['win_s'],single_ids[:5]['win_l']):
#参数取整操作，不取整数，报错，没有细研究，其他代码同上面
i = int(i)
j = int(j)
ret_plot.append('strategy_return%s%s' % (i,j))
#print(ret_plot)
print('i:',i,'j:',j)
result = equity_curve(data,win_short=i,win_long=j)
ret = result['equity_curve'].values[-1]
print(result['equity_curve'].values[-1])
ret_total['strategy_return%s%s' % (i,j)] = result['strategy_return%s%s' % (i,j)]#将基准收益率与策略收益率拼接
result_total = pd.concat([result.pct,ret_total],axis=1)
#去除空行
result_total.dropna(inplace=True)6、画图
#画布大小
plt.figure(figsize = (19,8))
#result_total[ret_plot].plot #这种写法画布大小无法修改，暂时没解决，有大佬知道，麻烦留言，谢谢！
#不同参数画图
result_total.iloc[:,1].plot(lw=0.8)
result_total.iloc[:,2].plot(lw=0.8)
result_total.iloc[:,3].plot(lw=0.8)
result_total.iloc[:,4].plot(lw=0.8)
result_total.iloc[:,5].plot(lw=0.8)
result_total.pct.plot(c='black',lw=0.8,label='基准')
# plt.title('回测效果')
#添加网格线
plt.grid()
#显示标签
plt.legend()
#画图
plt.show()
结尾：文章代码仅做交流学习，切勿直接使用进行投资，所产生盈亏概不负责！
文章首发于公众号(CLOUD打怪升级)，喜爱可以关注下！
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...
