如何利用遗传算法库DEAP优化交易策略

这篇文章给大家分享的是有关如何利用遗传算法库DEAP优化交易策略的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。

1. 优化的对象就是这样一个list数组 [16, 8, 24, 1, 13, 8, 1]，其实就是交易策略的参数，比如cciWindows，BollDev。类似于DNA。

2. 首先要生成这样一个数组，这里keke做了一个方法，具体就是随机生成一个数组，同时确保每个数在一个范围内。

   这里我加了一个数组，针对K线的时间，这样就不会出现7分钟k线这个比较奇怪的情况。

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

3. 就是设定进化选择，这里就是调用vnpy回测方法，用回测的指标，比如年化收益，sharpe ratio，收益亏损比等。这里建议加入一个清理的，避免多线程问题。我是使用按此统计，而不是按日统计；感觉比较准确   engine.clearBacktestingResult()

4. 然后就是对于这一大堆不同策略数组群体进行遗传进化，包括按照概率任意两个list数组交叉包含的数，生成新的list，类似于繁殖。同时也有一定概率

   一个list数字改变；还有就是有一个名人堂(HallofFame)机制，选择几个最好的数组，一直保持在群体里面，其实这些名人堂存在价值变成了后面的参照组。

   这里原文是用DEAP原生方法mutUniformInt，在(6,40)直接随机生成一个数字替代原来的。但是考虑之前创建时候，每个是有个范围，可能适合抵押给数字的范围并不适合最后一个，比如k线时间。这里我做了个自己突变方法替代原来的。

• 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

这样跑下来就差不多了，如果想要多线程请在toolbox初始化后加入下面代码

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

感谢各位的阅读！关于“如何利用遗传算法库DEAP优化交易策略”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，让大家可以学到更多知识，如果觉得文章不错，可以把它分享出去让更多的人看到吧！