优化改进
原文： https://www.backtrader.com/docu/optimization-improvements/
backtrader的1.8.12.99版本改进了在多处理过程中如何管理数据源和结果。
笔记
这两种行为都已发生
这些选项的行为可以通过两个新的大脑参数进行控制：
-
optdatas（默认为True）如果
True和优化（并且系统可以preload和使用runonce，则在主流程中只进行一次数据预加载，以节省时间和资源。 -
optreturn（默认为True）如果
True优化结果不是完整的Strategy对象（以及所有数据、指标、观察者…），而是具有以下属性的对象（与Strategy相同）：-
params（或p）执行的策略 -
analyzers策略已经执行
在大多数情况下，只有分析器和参数是评估策略性能所需的东西。如果需要对（例如）指标的生成值进行详细分析，请关闭此选项
-
数据馈送管理
在优化场景中，这可能是大脑参数的组合：
-
preload=True（默认）在运行任何回溯测试代码之前，将预加载数据 feeed
-
runonce=True（默认）指标将在回路的批次模式 a 紧下计算，而不是逐步计算。
如果两个条件都是True和optdatas=True，则：
- 数据源将在主流程中预加载，然后再生成新的子流程（负责执行回测的子流程）
成果管理
在优化场景中，在评估每个策略运行时使用的不同参数时，两件事应该起到最重要的作用：
-
strategy.params（或strategy.p）用于回溯测试的实际值集
-
strategy.analyzers负责评估策略实际执行情况的对象。例子：
SharpeRatio_A（年化SharpeRatio）
当optreturn=True时，不返回完整的策略实例，而是创建带有上述两个属性的占位符对象，以便进行评估。
这避免了传回大量生成的数据，例如在回测期间由指示器生成的值
如果希望使用全策略对象，只需在大脑实例化或执行cerebro.run时设置optreturn=False。
一些测试运行
反向交易者来源中的优化样本已经扩展，增加了对optdatas和optreturn的控制（实际上是为了禁用它们）
单芯运行
作为参考，当 CPU 数量限制为1且不使用multiprocessing模块时会发生什么情况：
$ ./optimization.py --maxcpus 1
==================================================
**************************************************
--------------------------------------------------
OrderedDict([(u'smaperiod', 10), (u'macdperiod1', 12), (u'macdperiod2', 26), (u'macdperiod3', 9)])
**************************************************
--------------------------------------------------
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)])
==================================================
Time used: 184.922727833
多核心运行
在不限制 CPU 数量的情况下，Pythonmultiprocessing模块将尝试使用所有 CPU。optdatas和optreturn将被禁用
optdata和optreturn都处于激活状态
默认行为：
$ ./optimization.py
...
...
...
==================================================
Time used: 56.5889185394
通过使用多核以及数据馈送和结果改进的总体改进意味着从184.92秒下降到56.58秒。
考虑到样本使用的是252条，指示器仅生成长度为252点的值。这只是一个例子。
真正的问题是这在多大程度上归因于新的行为。
optreturn停用
让我们将完整的策略对象传递回调用方：
$ ./optimization.py --no-optreturn
...
...
...
==================================================
Time used: 67.056914007
执行时间已增加18.50%（或15.62%的加速已到位。
optdatas停用
每个子进程都必须为数据馈送加载自己的一组值：
$ ./optimization.py --no-optdatas
...
...
...
==================================================
Time used: 72.7238112637
执行时间已增加28.52%（或22.19%的加速已到位。
两者都失效了
仍在使用多核，但使用旧的未改进的行为：
$ ./optimization.py --no-optdatas --no-optreturn
...
...
...
==================================================
Time used: 83.6246643786
执行时间已增加47.79%（或32.34%的加速已到位。
这表明多核的使用是时间改进的主要因素。
笔记
这些执行是在一台笔记本电脑上完成的，该笔记本电脑带有一个i7-4710HQ（4 核/8 逻辑），在 Windows 10 64 位下具有 16 GB 的 RAM。在其他条件下，里程数可能会有所不同
总结
-
优化过程中时间减少的最大因素是使用多核
-
以
optdatas和optreturn运行的样本显示速度分别约为22.19%和15.62%（32.34%在测试中同时出现）
样本使用
$ ./optimization.py --help
usage: 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]
Optimization
optional arguments:
-h, --help show this help message and exit
--data DATA, -d DATA data to add to the system
--fromdate FROMDATE, -f FROMDATE
Starting date in YYYY-MM-DD format
--todate TODATE, -t TODATE
Starting date in YYYY-MM-DD format
--maxcpus MAXCPUS, -m MAXCPUS
Number of CPUs to use in the optimization
- 0 (default): use all available CPUs
- 1 -> n: use as many as specified
--no-runonce Run in next mode
--exactbars EXACTBARS
Use the specified exactbars still compatible with preload
0 No memory savings
-1 Moderate memory savings
-2 Less moderate memory savings
--no-optdatas Do not optimize data preloading in optimization
--no-optreturn Do not optimize the returned values to save time
--ma_low MA_LOW SMA range low to optimize
--ma_high MA_HIGH SMA range high to optimize
--m1_low M1_LOW MACD Fast MA range low to optimize
--m1_high M1_HIGH MACD Fast MA range high to optimize
--m2_low M2_LOW MACD Slow MA range low to optimize
--m2_high M2_HIGH MACD Slow MA range high to optimize
--m3_low M3_LOW MACD Signal range low to optimize
--m3_high M3_HIGH MACD Signal range high to optimize
