针对VNPY策略遗传算法优化怎样写了一个类GeneticOptimizeStrategy

这篇文章将为大家详细讲解有关针对VNPY策略遗传算法优化怎样写了一个类GeneticOptimizeStrategy，文章内容质量较高，因此小编分享给大家做个参考，希望大家阅读完这篇文章后对相关知识有一定的了解。

写了一个类，GeneticOptimizeStrategy，

1. Parameterlist 字典； 简化了调用参数和定义对应随机范围问题。只要在Parameterlist 中定义策略参数名称和对应的随机范围就可以，其中两个参数的元祖是两个之间随机数，调用random.unifORM()，三个参数元祖是开始结束和中间步进,调用的是random.randrange(), 如果是数组就是在数组中间随机选择。

2. Symbollist 字典，维护回测品种和数据

3. poptoexcel方法，输出一个Excel，包括参数和value；参数可以直接调用。同时把相同项合并。效果如下图

   源代码也可以去我的GitHub中

-------------------------------------------------------------------------------------------------------------

发现多线程时候有报错

cPickle.PicklingError: Can't pickle <type 'instancemethod'>: attribute lookup builtin.instanceme
搜索一下，发现是python2.7多进程问题，pool.map没法绑定包在类里面方法。

把evaluate的方法放在类外面做成静态方法绑定，虽然解决了pickle，但是在多线程情况下，策略参数名字和值的对应经出出错。
就把参数赋值的方式也改了，从
[value1,value2,value3...]变成[{key1:value1},{key2,value2},{key3,value3}...]，这样。可以满足交叉，突变要求。生成随机DNA算法要改下。

    def parameter_generate(self):        '''        根据设置的起始值，终止值和步进，随机生成待优化的策略参数        '''        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是类似vnpy optimize的格式，不过有所增强。 strategy_avg返回变成了[{key1:value1},{key2,value2},{key3,value3}...]，包含字典的list格式也可以满足交叉和突变方法。

在进化筛选方法object_func，使用下面遍历把[{key1:value1},{key2,value2},{key3,value3}...]变回{key1,value1,key2,value2...}，这样就可以进入回测

    setting = {}    for item in range(len(strategy_avg)):        setting.update(strategy_avg[item])

最后，因为进化筛选方法object_func放在类外面，但必须要把一些回测参数，比如品种，日期等的传入，这里有两种方式可以实现，一个是把传入individual list改为Tuple list，变成[(individual, parameterPackage)..]这样list，但是就要修改alGorithms.eaMuPlusLambda，比较麻烦。
还有一个是增强individual, 加入这个回测参数集做为属性。但是多线程也有些要注意，不得不把parameterPackage做为静态属性放在类里面，不然回提示parameterPackage为空。还没有找到比较合适处理方法

creator.create("Individual", list, fitness=creator.FitneSSMulti, parameterPackage=parameterPackage)

完整新代码如下

# encoding: UTF-8"""展示如何执行参数优化。"""from __future__ import divisionfrom __future__ import print_functionfrom vnpy.trader.app.ctaStrategy.ctaBacktesting import BacktestingEngine, MINUTE_DB_NAME, OptimizationSettingfrom vnpy.trader.app.ctaStrategy.strategy.strategyBollChannel import BollChannelStrategyimport randomimport numpy as npfrom deap import creator, base, tools, algorithmsimport multiprocessingimport time, datetimeimport pandas as pddef object_func(strategy_avgTuple):    """    本函数为优化目标函数，根据随机生成的策略参数，运行回测后自动返回2个结果指标：收益回撤比和夏普比率    """    strategy_avg = strategy_avgTuple    paraSet = strategy_avgTuple.parameterPackage    symbol = paraSet["symbol"]    strategy = paraSet["strategy"]    # 创建回测引擎对象    engine = BacktestingEngine()    # 设置回测使用的数据    engine.setBacktestingMode(engine.BAR_MODE)  # 设置引擎的回测模式为K线    engine.setDatabase("VnTrader_1Min_Db", symbol["vtSymbol"])  # 设置使用的历史数据库    engine.setStartDate(symbol["StartDate"])  # 设置回测用的数据起始日期    engine.setEndDate(symbol["EndDate"])  # 设置回测用的数据起始日期    # 配置回测引擎参数    engine.setSlippage(symbol["Slippage"])  # 1跳    engine.setRate(symbol["Rate"])  # 佣金大小    engine.setSize(symbol["Size"])  # 合约大小    engine.setPriceTick(symbol["Slippage"])  # 最小价格变动    engine.setCapital(symbol["Capital"])    setting = {}    for item in range(len(strategy_avg)):        setting.update(strategy_avg[item])    engine.clearBacktestingResult()    # 加载策略    engine.initStrategy(strategy, setting)    # 运行回测，返回指定的结果指标    engine.runBacktesting()  # 运行回测    # 逐日回测    # 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, profitLossRatioclass 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),       #布林带窗口                    'bollDev': (2,10,1),        #布林带通道阈值                    '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):        '''        根据设置的起始值，终止值和步进，随机生成待优化的策略参数        '''        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):        # 设置优化方向：最大化收益回撤比，最大化夏普比率        toolbox = base.Toolbox()  # Toolbox是deap库内置的工具箱，里面包含遗传算法中所用到的各种函数        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)  # 注册个体：随机生成的策略参数parameter_generate()        toolbox.register("population", tools.initRepeat, list,                         toolbox.individual)  # 注册种群：个体形成种群        toolbox.register("mate", tools.cxTwoPoint)  # 注册交叉：两点交叉        toolbox.register("mutate", self.mutArrayGroup, parameterlist=self.parameter_generate,                         indpb=0.6)  # 注册变异：随机生成一定区间内的整数        toolbox.register("evaluate", object_func)  # 注册评估：优化目标函数object_func()        toolbox.register("select", tools.selNSGA2)  # 注册选择:NSGA-II(带精英策略的非支配排序的遗传算法)        # 遗传算法参数设置        MU = 8  # 设置每一代选择的个体数        LAMBDA = 5  # 设置每一代产生的子女数        pop = toolbox.population(20)  # 设置族群里面的个体数量        CXPB, MUTPB, NGEN = 0.5, 0.3, 10 # 分别为种群内部个体的交叉概率、变异概率、产生种群代数        hof = tools.ParetoFront()  # 解的集合：帕累托前沿(非占优最优集)        # 解的集合的描述统计信息        # 集合内平均值，标准差，最小值，最大值可以体现集合的收敛程度        # 收敛程度低可以增加算法的迭代次数        stats = tools.Statistics(lambda ind: ind.fitness.values)        np.set_printoptions(suppress=True)  # 对numpy默认输出的科学计数法转换        stats.register("mean", np.mean, axis=0)  # 统计目标优化函数结果的平均值        stats.register("std", np.std, axis=0)  # 统计目标优化函数结果的标准差        stats.register("min", np.min, axis=0)  # 统计目标优化函数结果的最小值        stats.register("max", np.max, axis=0)  # 统计目标优化函数结果的最大值        # 运行算法        algorithms.eaMuPlusLambda(pop, toolbox, MU, LAMBDA, CXPB, MUTPB, NGEN, stats,                                  halloffame=hof, verbose=True)  # esMuPlusLambda是一种基于(μ+λ)选择策略的多目标优化分段遗传算法        return pop    def poptoExcel(self, pop, number = 1000, path = "C:/data/"):        #按照输入统计数据队列和路径，输出excel，这里不提供新增模式，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("回测统计结果输出到" + 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),       #布林带窗口                    'bollDev': (2,10,1),        #布林带通道阈值                    '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 --")

-------------------------------------------------------------------------------------------------------------

关于针对VNPY策略遗传算法优化怎样写了一个类GeneticOptimizeStrategy就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。