黄金矿工

DMA之一基础策略#

通过2个vbt.MA.run计算均线，然后计算指标和可视化，计算信号和可视化，最终形成交易序列以及可视化。

DMA之二网格参数优选#

在上一篇基础上，使用vbt.MA.run_combs，形成多个参数组合的策略，网格遍历的形式优选出最佳均线参数。获得各参数表现热力图，以及最佳表现。
局限在于： 01，虽然回测但无法实盘，原因是对于今天来讲，使用的均是历史信息，但是对于过去视角看，过去是不知道未来xx月，使用xx参数可以取得较好收益。所以获得回测结果也就只能看看而已，不具备落地条件。
02，由于参数在整个测试区间都是固定，限制了策略表现，现实中参数大概率随时间or行情走势动态变动的。固定参数无法动态的适应行情。

DMA之三滑窗网格参数优选(滚动窗口)#

采用滚动窗口+网格参数优选，分析出动态最优参数。
需要对行情，做滚动切分，切分成训练集，预测集
训练集用于测试各参数的表现，选择最优用于预测集合。同时也要尽可能保证
a,训练集和预测集数据比例合适.
b,预测集合尽可能首尾相接连续整合行情区间，避免重复或者间隙过多（重复或者间隙可能导致double/错过 某周期性行情，引入额外测试误差).

验证集的收益计算采用，会面临预热问题，导致验证集信号稀疏。也会破坏最初设计的验证集首尾相接接近整个时间区间。

1
def simulate_all_params(price, windows, **kwargs):
2
    fast_ma, slow_ma = vbt.MA.run_combs(price, windows, r=2, short_names=['fast', 'slow'])
3
    entries = fast_ma.ma_crossed_above(slow_ma)
4
    exits = fast_ma.ma_crossed_below(slow_ma)
5
    pf = vbt.Portfolio.from_signals(price, entries, exits, **kwargs)
6
    return pf.sharpe_ratio()

最终效果

DMA之四滑窗网格参数优选(size状态仓位)#

处理预热问题，将信号，指标的计算前置，entry+exit机制改为状态机制（否则entry按照滚动周期，切分后会有信号丢失的问题）。 此时得到结果
对应到参数走势图

显然参数不合理，出现(10，11)，(43，44)这种参数组合。
不过，这是第一个理论上没有未来数据等硬伤，且可持续滚动进行下去的版本。

DMA之五滑窗网格参数优选(参数正交性<快线>*慢线乘数)#

改进了参数组合方式，采用快线以及慢线相对快线的倍率。大致认为剔除二者相关性了（正交性）。
此时就无法借助run_combs创建组合计算指标了，需基于vbt创建新技术指标DualMA
参数走势

最终效果

DMA之六滑窗网格参数优选(4种参数优选)#

之前每个周期(训练集)的最佳参数，都是采用直接优选的方法。可能存在局部最优过拟合陷阱（某个参数效果很好，但是其邻居效果奇差）。新增3种参数优选方法，一定程度上降低参数过拟合的可能。

v1<直接>(简单最大值)优选法
选取，测试集合的最优参数作为验证集参数，如果sharp_ratio就最大，回撤就最小类似这样的简单优选策略。

v2<邻近域优选法>
在上一个策略中，实际上是选取，测试集合的最优参数作为验证集参数。而有些情况下，测试集得到参数会突然发生较大变化，这可能偶发事件导致的，
比如：之前的双均线最佳参数一直是，（20，40），本期突然变成（80，160），显然不大合理，为了避免这种突变，让参数的变化也具有一定连贯性（当然，增加连贯性也一定程度降低过拟合风险）
v3<邻居权重优选法-均值>
在评估一组参数是否最佳时，并不单纯观察此参数本身是否最优，而是综合考虑参数本以及参数的邻居表现。
比如： 0.5 0.7 0.5 0.2 0.2
0.8 0.7 0.6 0.9 0.2
0.5 0.7 0.5 0.2 0.2
按照基础的最大值法，则选择0.9，但是0.9的邻居表现均不佳。
定义：新取值=原值 + (邻居的平均值)
则可以综合考虑参数本身和参数邻居点的表现。
v4<邻居权重优选法-中位数>
由于均值受极值影响较大，可以考虑用 median( 多个邻居)，代替上面”邻居的平均值”。

参数优选方法对应累积收益图