优化改进#

backtrader 的版本 1.8.12.99 在多进程过程中优化了 数据源 和*结果*的管理方式。

注意

这两者的行为已经改变

这些选项的行为可以通过两个新的 Cerebro 参数来控制：

  • optdatas （默认为 True ）

    如果为 True ，并且正在进行优化（以及系统可以 preload 和使用 runonce ），数据预加载仅在主进程中进行一次，以节省时间和资源。

  • optreturn （默认为 True ）

    如果为 True ，优化结果将不是完整的 Strategy 对象（包括所有的 数据源 、指标 *、*观察者 等等），而是一个具有以下属性的对象（与 Strategy 中的相同）：

    • params （或 p ）：策略在执行期间的参数

    • analyzers ：已执行的策略

    在大多数情况下，只有 分析器 和使用哪些 参数*是评估策略性能所需的内容。如果需要对生成的值（例如 指标*）进行详细分析，请将此选项关闭。数据源管理

在 优化*场景中，以下是 Cerebro*参数的常见组合：

  • preload=True （默认值）

    在运行任何回测代码之前，数据源将被预加载

  • runonce=True （默认值）

    *指标*将以批处理模式进行计算，而不是逐步计算。

如果两个条件都为 True 且 optdatas=True ，那么：

  • 在生成新的子进程之前， 数据源 将在主进程中预先加载（这些子进程负责执行*回测*）

结果管理#

在 优化*场景中，评估每个 策略 运行的不同 参数*时，应该重视以下两个方面：- strategy.params （或 strategy.p ）

实际用于回测的值集合

  • strategy.analyzers

    负责评估*策略*实际表现的对象。例如：

    SharpeRatio_A （年化 夏普比率 ）

当 optreturn=True 时，不会返回完整的*策略*实例，而是创建占位符对象，其中包含上述两个属性以进行评估。

这样可以避免返回许多由指标在*回测*期间生成的数据，例如值。

如果希望返回 完整的策略对象 ，只需在 cerebro 初始化 期间或在执行 cerebro.run 时设置 optreturn=False 。

一些测试运行#

backtrader 源代码中的*优化*示例已扩展以添加对 optdatas 和 optreturn 的控制（实际上是禁用它们）单核运行

作为参考，当 CPU 限制为 1 且未使用 multiprocessing 模块时会发生以下情况：

OrderedDict([(u’smaperiod’, 10), (u’macdperiod1’, 13), (u’macdperiod2’, 26), (u’macdperiod3’, 9)]) … … OrderedDict([(u’smaperiod’, 29), (u’macdperiod1’, 19), (u’macdperiod2’, 29), (u’macdperiod3’, 14)]) ================================================== 使用时间: 184.922727833

多核运行#

当不限制 CPU 数量时，Python multiprocessing 模块将尝试使用所有 CPU。 optdatas 和 optreturn 将被禁用

同时激活 optdata 和 optreturn#

默认行为：

$ ./optimization.py … … … ================================================== 使用时间: 56.5889185394

多核和 数据输入 和*结果*的总体改善意味着从 184.92 秒降低到 56.58 秒。

请注意，该示例使用 252 个柱形和指标仅生成 252 个点长度的值。这只是一个示例。真正的问题是有多少是归因于新行为。

optreturn 取消激活#

让我们将完整的 策略 对象传递给调用者:

$ ./optimization.py --no-optreturn
...
...
...
==================================================
使用时间: 67.056914007

执行时间增加了 18.50% （或加速了 15.62% ）。

optdatas 取消激活#

每个子进程都被强制为其自己加载一套 数据源 的值:

$ ./optimization.py --no-optdatas
...
...
...
==================================================
使用时间: 72.7238112637

执行时间增加了 28.52% （或加速了 22.19% ）。

两者均取消激活 —————-仍然使用多核心，但是带有旧的非改进性行为:

$ ./optimization.py --no-optdatas --no-optreturn
...
...
...
==================================================
使用的时间：83.6246643786

执行时间增加了 47.79% （或速度提升了 32.34% ）。

这表明多核心的使用是时间改进的主要因素。

注意

这些执行是在一台装有 i7-4710HQ （4核心/8个逻辑核心）和16 G字节内存的笔记本电脑上在Windows 10 64位系统下进行的。在其他条件下可能会有所不同。

总结#

  • 在优化过程中，时间减少的最大因素是使用多个核心

  • 使用 optdatas 和 optreturn 运行的示例分别显示了约 22.19% 和 15.62% 的加速度（在测试中两者一起为 32.34% ）

示例用法#

::``` $ ./optimization.py –help 用法: optimization.py [-h] [–data DATA] [–fromdate FROMDATE]

[–todate TODATE] [–maxcpus MAXCPUS] [–no-runonce] [–exactbars EXACTBARS] [–no-optdatas] [–no-optreturn] [–ma_low MA_LOW] [–ma_high MA_HIGH] [–m1_low M1_LOW] [–m1_high M1_HIGH] [–m2_low M2_LOW] [–m2_high M2_HIGH] [–m3_low M3_LOW] [–m3_high M3_HIGH]

优化

可选参数:
-h, --help

显示此帮助信息并退出

--data DATA, -d DATA

添加到系统的数据

--fromdate FROMDATE, -f FROMDATE

开始日期，格式为YYYY-MM-DD

--todate TODATE, -t TODATE

结束日期，格式为YYYY-MM-DD

--maxcpus MAXCPUS, -m MAXCPUS
用于优化的CPU数量

  • 0（默认值）：使用所有可用的CPU

  • 1 -> n：使用指定数量的CPU

--no-runonce

运行在下一模式下

--exactbars EXACTBARS
使用指定的exactbars仍与预加载兼容

0 不节省内存 -1 中等节省内存 -2 较少的中等节省内存

--no-optdatas

不优化优化中的数据预加载

--no-optreturn

不优化返回的值以节省时间

--ma_low MA_LOW

要优化的SMA范围下限

--ma_high MA_HIGH

要优化的SMA范围上限

--m1_low M1_LOW

要优化的MACD Fast MA范围下限

--m1_high M1_HIGH

要优化的MACD Fast MA范围上限

--m2_low M2_LOW

要优化的MACD Slow MA范围下限

--m2_high M2_HIGH

要优化的MACD Slow MA范围上限

--m3_low M3_LOW

要优化的MACD Signal范围下限

--m3_high M3_HIGH

要优化的MACD Signal范围上限

```