战略选择

原文： https://www.backtrader.com/blog/posts/2016-10-29-strategy-selection/strategy-selection/

休斯顿我们有一个问题：

• 大脑并不意味着要运行多次。这不是第 1^次次，与其认为用户做得不对，不如说这是一个用例。

这个有趣的用例是通过票证 177提出的。在这种情况下，大脑被多次用于评估从外部数据源获取的不同策略。

backtrader仍然可以支持此用例，但不是以尝试过的直接方式。

优化选择

backtrader中的内置优化已经完成了所需的工作：

• 实例化几个策略实例并收集结果

是唯一一个实例都属于同一类的东西。这就是 Python 帮助我们控制对象创建的地方。

首先，让我们使用反向交易者内置的信号技术为脚本添加快速策略

class St0(bt.SignalStrategy):
    def __init__(self):
        sma1, sma2 = bt.ind.SMA(period=10), bt.ind.SMA(period=30)
        crossover = bt.ind.CrossOver(sma1, sma2)
        self.signal_add(bt.SIGNAL_LONG, crossover)

class St1(bt.SignalStrategy):
    def __init__(self):
        sma1 = bt.ind.SMA(period=10)
        crossover = bt.ind.CrossOver(self.data.close, sma1)
        self.signal_add(bt.SIGNAL_LONG, crossover) 

这再容易不过了。

现在，让我们来展示这两种策略的魔力。

class StFetcher(object):
    _STRATS = [St0, St1]

    def __new__(cls, *args, **kwargs):
        idx = kwargs.pop('idx')

        obj = cls._STRATS[idx](*args, **kwargs)
        return obj 

瞧！在实例化类StFetcher时，方法__new__控制实例的创建。在这种情况下：

• 获取传递给它的idx参数

• 使用此参数从_STRATS列表中获取策略，我们之前的示例策略已存储在该列表中

  笔记

  没有什么可以阻止使用这个idx值从服务器和/或数据库获取策略。

• 实例化并返回fecthed策略

主持演出

 cerebro.addanalyzer(bt.analyzers.Returns)
    cerebro.optstrategy(StFetcher, idx=[0, 1])
    results = cerebro.run(maxcpus=args.maxcpus, optreturn=args.optreturn) 

的确这就是优化！我们使用optstrategy而不是addstrategy，并为idx传递一个值数组。优化引擎将迭代这些值。

因为cerebro可以在每个优化过程中托管多个策略，所以结果将包含一个列表列表。每个子列表是每个优化过程的结果。

在我们的例子中，每个过程只有一个策略，我们可以快速展平结果并提取我们添加的分析器的值。

 strats = [x[0] for x in results]  # flatten the result
    for i, strat in enumerate(strats):
        rets = strat.analyzers.returns.get_analysis()
        print('Strat {} Name {}:\n - analyzer: {}\n'.format(
            i, strat.__class__.__name__, rets)) 

试运行

./strategy-selection.py

Strat 0 Name St0:
  - analyzer: OrderedDict([(u'rtot', 0.04847392369449283), (u'ravg', 9.467563221580632e-05), (u'rnorm', 0.02414514457151587), (u'rnorm100', 2.414514457151587)])

Strat 1 Name St1:
  - analyzer: OrderedDict([(u'rtot', 0.05124714332260593), (u'ravg', 0.00010009207680196471), (u'rnorm', 0.025543999840699633), (u'rnorm100', 2.5543999840699634)]) 

我们的两个战略已经运行并（如预期）产生了不同的结果。

笔记

该示例非常小，但已使用所有可用的 CPU 运行。用--maxpcpus=1执行会更快。对于更复杂的场景，使用所有 CPU 将非常有用。

结论

策略选择用例是可能的，不需要绕过backtrader或Python本身的任何内置功能。

样本使用

$ ./strategy-selection.py --help
usage: strategy-selection.py [-h] [--data DATA] [--maxcpus MAXCPUS]
                             [--optreturn]

Sample for strategy selection

optional arguments:
  -h, --help         show this help message and exit
  --data DATA        Data to be read in (default:
                     ../../datas/2005-2006-day-001.txt)
  --maxcpus MAXCPUS  Limit the numer of CPUs to use (default: None)
  --optreturn        Return reduced/mocked strategy object (default: False) 

代码

已包含在 backtrader 的来源中

from __future__ import (absolute_import, division, print_function,
                        unicode_literals)

import argparse

import backtrader as bt

class St0(bt.SignalStrategy):
    def __init__(self):
        sma1, sma2 = bt.ind.SMA(period=10), bt.ind.SMA(period=30)
        crossover = bt.ind.CrossOver(sma1, sma2)
        self.signal_add(bt.SIGNAL_LONG, crossover)

class St1(bt.SignalStrategy):
    def __init__(self):
        sma1 = bt.ind.SMA(period=10)
        crossover = bt.ind.CrossOver(self.data.close, sma1)
        self.signal_add(bt.SIGNAL_LONG, crossover)

class StFetcher(object):
    _STRATS = [St0, St1]

    def __new__(cls, *args, **kwargs):
        idx = kwargs.pop('idx')

        obj = cls._STRATS[idx](*args, **kwargs)
        return obj

def runstrat(pargs=None):
    args = parse_args(pargs)

    cerebro = bt.Cerebro()
    data = bt.feeds.BacktraderCSVData(dataname=args.data)
    cerebro.adddata(data)

    cerebro.addanalyzer(bt.analyzers.Returns)
    cerebro.optstrategy(StFetcher, idx=[0, 1])
    results = cerebro.run(maxcpus=args.maxcpus, optreturn=args.optreturn)

    strats = [x[0] for x in results]  # flatten the result
    for i, strat in enumerate(strats):
        rets = strat.analyzers.returns.get_analysis()
        print('Strat {} Name {}:\n - analyzer: {}\n'.format(
            i, strat.__class__.__name__, rets))

def parse_args(pargs=None):

    parser = argparse.ArgumentParser(
        formatter_class=argparse.ArgumentDefaultsHelpFormatter,
        description='Sample for strategy selection')

    parser.add_argument('--data', required=False,
                        default='../../datas/2005-2006-day-001.txt',
                        help='Data to be read in')

    parser.add_argument('--maxcpus', required=False, action='store',
                        default=None, type=int,
                        help='Limit the numer of CPUs to use')

    parser.add_argument('--optreturn', required=False, action='store_true',
                        help='Return reduced/mocked strategy object')

    return parser.parse_args(pargs)

if __name__ == '__main__':
    runstrat() 

---

我们一直在努力

apachecn/AiLearning

---