如何利用遺傳算法庫DEAP優化交易策略

這篇文章給大家分享的是有關如何利用遺傳算法庫DEAP優化交易策略的內容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

1. 優化的對象就是這樣一個list數組 [16, 8, 24, 1, 13, 8, 1]，其實就是交易策略的參數，比如cciWindows，BollDev。類似于DNA。

2. 首先要生成這樣一個數組，這里keke做了一個方法，具體就是隨機生成一個數組，同時確保每個數在一個范圍內。

   這里我加了一個數組，針對K線的時間，這樣就不會出現7分鐘k線這個比較奇怪的情況。

1. timerange = [2,3,5,10,15,20]
   bartime = random.choice(timerange

3. 就是設定進化選擇，這里就是調用vnpy回測方法，用回測的指標，比如年化收益，sharpe ratio，收益虧損比等。這里建議加入一個清理的，避免多線程問題。我是使用按此統計，而不是按日統計；感覺比較準確   engine.clearBacktestingResult()

4. 然后就是對于這一大堆不同策略數組群體進行遺傳進化，包括按照概率任意兩個list數組交叉包含的數，生成新的list，類似于繁殖。同時也有一定概率

   一個list數字改變；還有就是有一個名人堂(HallofFame)機制，選擇幾個最好的數組，一直保持在群體里面，其實這些名人堂存在價值變成了后面的參照組。

   這里原文是用DEAP原生方法mutUniformInt，在(6,40)直接隨機生成一個數字替代原來的。但是考慮之前創建時候，每個是有個范圍，可能適合抵押給數字的范圍并不適合最后一個，比如k線時間。這里我做了個自己突變方法替代原來的。

• tools.mutUniformInt,low = 4,up = 40,indpb=0.6)

• def mutArrayGroup(individual,parameterlist, indpb):
      size = len(individual)
      parameterlist  = parameterlist()
      for i in xrange(size):
          if random.random() < indpb:
              individual[i] = parameterlist[i]
      return individual,
   toolbox.register("mutate", mutArrayGroup, parameterlist = parameter_generate, indpb=0.6

這樣跑下來就差不多了，如果想要多線程請在toolbox初始化后加入下面代碼

import multiprocessing
pool = multiprocessing.Pool(processes=(multiprocessing.cpu_count()-2))
toolbox.register("map", pool.map)

感謝各位的閱讀！關于“如何利用遺傳算法庫DEAP優化交易策略”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！