def runOptimization():
from vnpy.trader.app.ctaStrategy.ctaBacktesting import BacktestingEngine, MINUTE_DB_NAME, OptimizationSetting
# 创建回测引擎
engine = BacktestingEngine()
# 设置引擎的回测模式为K线
engine.setBacktestingMode(engine.BAR_MODE)
# 设置回测用的数据起始日期
engine.setStartDate('20110801')
# 设置产品相关参数
engine.setCapital(100000)
engine.setSlippage(1) # 股指1跳
engine.setRate(1.0 / 10000) # 万0.3
engine.setSize(10) # 股指合约大小
engine.setPriceTick(1) # 股指最小价格变动
# 设置使用的历史数据库
engine.setDatabase(MINUTE_DB_NAME, 'rb0000')
engine.stratName = 'MultiTimeM60M5'
engine.symbol = 'rb0000'
# 跑优化
setting = OptimizationSetting() # 新建一个优化任务设置对象
setting.setOptimizeTarget(
'totalNetPnl') # 设置优化排序的目标是策略净盈利 sharpeRatio totalNetPnl endBalance
#setting.addParameter('stop_loss', 10, 100, 5) # 增加第一个优化参数atrLength，起始12，结束20，步进2
setting.addParameter('stop_loss', 65)
#setting.addParameter('bollDev', 1, 5, 0.5) # 增加第二个优化参数atrMa，起始20，结束30，步进5
setting.addParameter('bollDev', 2.5)
setting.addParameter('bollWindow', 10, 100, 5)
#setting.addParameter('bollWindow', 5) # 增加一个固定数值的参数
# 性能测试环境：I7-3770，主频3.4G, 8核心，内存16G，Windows 7 专业版
# 测试时还跑着一堆其他的程序，性能仅供参考
import time
start = time.time()
# 运行单进程优化函数，自动输出结果，耗时：359秒
#engine.runOptimization(BollingerStrategy, setting)
# 多进程优化，耗时：89秒
#engine.runParallelOptimization(BollingerStrategy, setting)
engine.saveParallelOptimization(MultiTimeframeStrategy, setting)
print u'耗时：%s' % (time.time() - start)
def backTest(startDate, endDate):
engine = BacktestingEngine()
engine.setBacktestingMode(engine.BAR_MODE) # 设置引擎的回测模式为K线
engine.setDatabase(MINUTE_DB_NAME) # 设置使用的历史数据库
engine.setStartDate(startDate,initDays=1) # 设置回测用的数据起始日期
engine.setEndDate(endDate)
engine.setSlippage(0.2) # 设置滑点为股指1跳
engine.setRate(1/1000) # 设置手续费万0.3
engine.setSize(1) # 设置股指合约大小
engine.setPriceTick(0.01) # 设置股指最小价格变动
engine.setCapital(1000000) # 设置回测本金
engine.initStrategy(MultiFrameMaStrategy, {'symbolList':['tBTCUSD:bitfinex']})
engine.setCapital(100000)
engine.runBacktesting()
# 优化配置
setting = OptimizationSetting() # 新建一个优化任务设置对象
setting.setOptimizeTarget('totalNetPnl') # 设置优化排序的目标是策略净盈利
setting.addParameter('fastWindow', 20, 40, 10) # 增加第一个优化参数atrLength，起始12，结束20，步进2
setting.addParameter('slowWindow', 50, 80, 10) # 增加第二个优化参数atrMa，起始20，结束30，步进5
setting.addParameter('symbolList', ['tBTCUSD:bitfinex'])
# 执行多进程优化
import time
import json
start = time.time()
resultList = engine.runParallelOptimization(MultiFrameMaStrategy, setting)
# resultList = engine.runOptimization(MultiFrameMaStrategy, setting)
print('耗时：%s' %(time.time()-start))
performance = pd.DataFrame(resultList).sort_values(1, ascending=False).iloc[0:2]
bestParameter = performance.iloc[0,0].replace("'",'"')
newParameter = json.loads(bestParameter)
return newParameter
def runOptimization():
from vnpy.trader.app.ctaStrategy.ctaBacktesting import BacktestingEngine, MINUTE_DB_NAME, OptimizationSetting
# 创建回测引擎
engine = BacktestingEngine()
# 设置引擎的回测模式为K线
engine.setBacktestingMode(engine.BAR_MODE)
bd = {'start':'20170801','capital':10000,'slippage':1,'rate':1.0/10000,'size':10,'priceTick':1,'symbol':'rb0000','stratName':'A3Strategy'}
# 设置回测用的数据起始日期
engine.setStartDate(bd['start'])
# 设置产品相关参数
engine.setCapital(bd['capital'])
engine.setSlippage(bd['slippage']) # 股指1跳
engine.setRate(bd['rate']) # 万0.3
engine.setSize(bd['size']) # 股指合约大小
engine.setPriceTick(bd['priceTick']) # 股指最小价格变动
# 设置使用的历史数据库
engine.setDatabase(MINUTE_DB_NAME, bd['symbol'])
engine.stratName = bd['stratName']
engine.symbolName = bd['symbol']
# 跑优化
setting = OptimizationSetting() # 新建一个优化任务设置对象
setting.setOptimizeTarget('totalNetPnl') # 设置优化排序的目标是策略净盈利 sharpeRatio totalNetPnl endBalance
#setting.addParameter('stop_loss', 10, 100, 5) # 增加第一个优化参数atrLength，起始12，结束20，步进2
setting.addParameter('fastPeriod', 5, 30, 5)
setting.addParameter('slowPeriod', 60)
# 性能测试环境：I7-3770，主频3.4G, 8核心，内存16G，Windows 7 专业版
# 测试时还跑着一堆其他的程序，性能仅供参考
import time
start = time.time()
# 运行单进程优化函数，自动输出结果，耗时：359秒
#engine.runOptimization(BollingerStrategy, setting)
# 多进程优化，耗时：89秒
#engine.runParallelOptimization(BollingerStrategy, setting)
engine.saveParallelOptimization(A3Strategy, setting)
print u'耗时：%s' %(time.time()-start)
def runBacktesting(self, symbol, strategy, sort):
# 写入测试品种和参数, 返回回测数据集包含回测结果
# 在引擎中创建策略对象
# 创建回测引擎
engine = BacktestingEngine()
# 设置引擎的回测模式为K线
engine.setBacktestingMode(engine.BAR_MODE)
# 设置回测用的数据起始日期
engine.setStartDate(symbol["StartDate"])
engine.setSlippage(symbol["Slippage"]) # 1跳
engine.setRate(symbol["Rate"]) # 佣金大小
engine.setSize(symbol["Size"]) # 合约大小
engine.setPriceTick(symbol["Slippage"]) # 最小价格变动
engine.setCapital(symbol["Capital"])
# 设置使用的历史数据库
engine.setDatabase(MINUTE_DB_NAME, symbol["vtSymbol"])
# 调用优化方法，可以集成优化测试
setting = OptimizationSetting() # 新建一个优化任务设置对象
setting.setOptimizeTarget(sort) # 设置优化排序的目标是策略净盈利
print strategy[1]
for settingKey in strategy[1]:
if isinstance(strategy[1][settingKey], tuple):
setting.addParameter(settingKey, strategy[1][settingKey][0], strategy[1][settingKey][1],
strategy[1][settingKey][2])
else:
setting.addParameter(settingKey, strategy[1][settingKey])
#
optimizationresult = engine.runParallelOptimization(strategy[0], setting)
engine.output(u'输出统计数据')
# 如果是使用优化模式，这里返回的是策略回测的dict的list，如果普通回测就是单个dict
# 如果大于30 ，就返回三十之内，否则全部
if len(optimizationresult) > 30:
return optimizationresult[:30]
else:
return optimizationresult
def runOptimization():
from vnpy.trader.app.ctaStrategy.ctaBacktesting import BacktestingEngine, MINUTE_DB_NAME, OptimizationSetting
# 创建回测引擎
engine = BacktestingEngine()
# 设置引擎的回测模式为K线
engine.setBacktestingMode(engine.BAR_MODE)
# 设置回测用的数据起始日期
engine.setStartDate('20120101')
# 设置产品相关参数
engine.setCapital(200000)
engine.setSlippage(0.2) # 股指1跳
engine.setRate(0.3 / 10000) # 万0.3
engine.setSize(300) # 股指合约大小
engine.setPriceTick(0.2) # 股指最小价格变动
# 设置使用的历史数据库
engine.setDatabase(MINUTE_DB_NAME, 'IF0000')
# 跑优化
setting = OptimizationSetting() # 新建一个优化任务设置对象
setting.setOptimizeTarget(
'endBalance') # 设置优化排序的目标是策略净盈利 sharpeRatio totalNetPnl endBalance
setting.addParameter('atrLength', 12, 20,
2) # 增加第一个优化参数atrLength，起始12，结束20，步进2
#setting.addParameter('atrMa', 20, 30, 5) # 增加第二个优化参数atrMa，起始20，结束30，步进5
#setting.addParameter('rsiLength', 5) # 增加一个固定数值的参数
# 性能测试环境：I7-3770，主频3.4G, 8核心，内存16G ，Windows 7 专业版
# 测试时还跑着一堆其他的程序，性能仅供参考
import time
start = time.time()
# 运行单进程优化函数，自动输出结果，耗时：359秒
#engine.runOptimization(AtrRsiStrategy, setting)
# 多进程优化，耗时：89秒
engine.runParallelOptimization(AtrRsiStrategy, setting)
print u'耗时：%s' % (time.time() - start)
def run_tasks(pardir=None):
if pardir:
os.chdir(pardir)
sys.path.append(pardir)
setting = loadSettings()
STRATEGY_SETTING = setting['STRATEGY_SETTING']
folderName = createFolder(STRATEGY_SETTING)
opt_engine_setting = OptimizationSetting()
opt_engine_setting.setOptimizeTarget(setting["OPT_TARGET"])
opt_engine_setting.addParameter("symbolList",
STRATEGY_SETTING["symbolList"])
engine = startBacktestingEngine(setting['ENGINE_SETTINGS'])
strategy = loadStrategy(STRATEGY_SETTING, pardir)
for task in setting['TASK_LISTS']:
task_name, param_mode = task
opt_result = start_optimize_n_output(engine, task, param_mode,
opt_engine_setting, folderName,
strategy, setting["OPT_TARGET"])
with open(f'{folderName}/opt_result_summary.json', "w",
encoding="utf-8") as f:
json.dump(opt_result, f, indent=4)
print("*** tasks finished ****")
# 设置回测用的数据起始日期
engine.setStartDate('20090327')
# 设置产品相关参数
engine.setSlippage(0) # 股指1跳
engine.setRate(0) # 万0.3
engine.setSize(10) # 股指合约大小
engine.setPriceTick(1) # 股指最小价格变动
engine.setCapital(30000)
# 设置使用的历史数据库
engine.setDatabase(DAILY_DB_NAME, 'RB9999')
# 跑优化
setting = OptimizationSetting() # 新一个优化任务设置对象
setting.setOptimizeTarget('maxDdPercent')
setting.addParameter('SP_Volatility', 0.9, 1.0, 0.01)
setting.addParameter('BK_A_FLAOT_PROFIT_ALL', 400, 800, 50)
# 性能测试环境：I7-3770，主频3.4G, 8核心，内存16G，Windows 7 专业版
# 测试时还跑着一堆其他的程序，性能仅供参考
import time
start = time.time()
# 运行单进程优化函数，自动输出结果，耗时：359秒
#engine.runOptimization(DoubleMaStrategyWh, setting)
# 多进程优化，耗时：89秒
engine.runParallelOptimization(strategy_Volatility_RB, setting)
if __name__ == "__main__":
engine = BacktestingEngine()
# 设置回测用的数据起始日期
engine.setStartDate('20190401 23:00:00')
engine.setEndDate('20190430 23:00:00')
# 设置产品相关参数
contracts = [{
"symbol": "eos.usd.q:okef",
"size": 10,
"priceTick": 0.001,
"rate": 5 / 10000,
"slippage": 0.005
}]
engine.setContracts(contracts) # 设置回测合约相关数据
# 设置使用的历史数据库
engine.setDB_URI("mongodb://192.168.0.104:27017")
engine.setDatabase("VnTrader_1Min_Db")
engine.setCapital(100) # 设置起始资金，默认值是1,000,000
with open("CTA_setting.json") as parameterDict:
params = json.load(parameterDict)
engine.initStrategy(Strategy, params[0])
setting = OptimizationSetting()
setting.setOptimizeTarget("sharpe_ratio")
setting.addParameter('bBandPeriod', 12, 20,
2) # 增加第一个优化参数atrLength，起始12，结束20，步进2
engine.run_ga_optimization(setting)
engine.setBacktestingMode(engine.BAR_MODE)
# 设置回测用的数据起始日期
engine.setStartDate('20130616',initDays=1) # 设置回测用的数据起始日期
engine.setEndDate('20130702')
# 设置产品相关参数
engine.setSlippage(0.2) # 股指1跳
engine.setRate(0.3/10000) # 万0.3
engine.setSize(300) # 股指合约大小
engine.setPriceTick(0.2) # 股指最小价格变动
# 设置使用的历史数据库
engine.setDatabase(MINUTE_DB_NAME)
# 跑优化
setting = OptimizationSetting() # 新建一个优化任务设置对象
setting.setOptimizeTarget('capital') # 设置优化排序的目标是策略净盈利
setting.addParameter('lmaPeriod', 12, 20, 2) # 增加第一个优化参数atrLength，起始12，结束20，步进2
setting.addParameter('cciPeriod', 20, 30, 5) # 增加第二个优化参数atrMa，起始20，结束30，步进5
setting.addParameter('rsiEntry', 5) # 增加一个固定数值的参数
setting.addParameter('vtSymbol','IF0000')
# 性能测试环境：I7-3770，主频3.4G, 8核心，内存16G，Windows 7 专业版
# 测试时还跑着一堆其他的程序，性能仅供参考
import time
start = time.time()
# 运行单进程优化函数，自动输出结果，耗时：359秒
# engine.runOptimization(MultiSignalStrategy, setting)
# 多进程优化，耗时：89秒
engine.setStartDate('20181214 23:00:00', initHours=120)
engine.setEndDate('20190314 23:00:00')
# #设置产品相关参数
contracts = [
{"symbol": "ETHUSD:BITFINEX",
"size": 10,
"priceTick": 0.001,
"rate": 5 / 10000,
"slippage": 0.005
}]
engine.setContracts(contracts) # 设置回测合约相关数据
# 跑优化
setting = OptimizationSetting() # 新建一个优化任务设置对象
setting.setOptimizeTarget('totalNetPnl') # 设置优化排序的目标是策略净盈利
setting.addParameter('fastWindow', 55, 60, 5) # 增加第一个优化参数atrLength，起始12，结束20，步进2
setting.addParameter('slowWindow', 70, 75, 5) # 增加第二个优化参数atrMa，起始20，结束30，步进5
setting.addParameter('bBandPeriod', 40) # 增加一个固定数值的参数
# 性能测试环境：I7-3770，主频3.4G, 8核心，内存16G，Windows 7 专业版
# 测试时还跑着一堆其他的程序，性能仅供参考
import time
start = time.time()
# # 运行单进程优化函数，自动输出结果，耗时：359秒
# engine.runOptimization(BollBandsStrategy, setting)
# 设置回测用的数据起始日期
engine.setStartDate('20090327')
# 设置产品相关参数
engine.setSlippage(0) # 股指1跳
engine.setRate(0) # 万0.3
engine.setSize(10) # 股指合约大小
engine.setPriceTick(1) # 股指最小价格变动
engine.setCapital(30000)
# 设置使用的历史数据库
engine.setDatabase(DAILY_DB_NAME, 'RB9999')
# 跑优化
setting = OptimizationSetting() # 新一个优化任务设置对象
setting.setOptimizeTarget('maxDdPercent')
setting.addParameter('TEMP',8,8,1)
#setting.addParameter('BK_A_LOSS_SP',500,1800,100)
#setting.addParameter('SK_A_LOSS_SP',500,1800,100)
#setting.addParameter('BK_BEFORE_DAY',1,4,1)
#setting.addParameter('SP_BEFORE_DAY',1,4,1)
#setting.addParameter('SK_BEFORE_DAY',1,4,1)
#setting.addParameter('BP_BEFORE_DAY',1,4,1)
#setting.addParameter('BK_Volatility',0.1,1.5,0.1)
#setting.addParameter('SP_Volatility',0.1,1.5,0.1)
engine.setBacktestingMode(engine.BAR_MODE)
# 设置回测用的数据起始日期
engine.setStartDate('20120101')
# 设置产品相关参数
engine.setSlippage(0.2) # 股指1跳
engine.setRate(0.3 / 10000) # 万0.3
engine.setSize(300) # 股指合约大小
engine.setPriceTick(0.2) # 股指最小价格变动
# 设置使用的历史数据库
engine.setDatabase(MINUTE_DB_NAME, 'IF0000')
# 跑优化
setting = OptimizationSetting() # 新建一个优化任务设置对象
setting.setOptimizeTarget('capital') # 设置优化排序的目标是策略净盈利
setting.addParameter('atrLength', 12, 20,
2) # 增加第一个优化参数atrLength，起始12，结束20，步进2
setting.addParameter('atrMa', 20, 30, 5) # 增加第二个优化参数atrMa，起始20，结束30，步进5
setting.addParameter('rsiLength', 5) # 增加一个固定数值的参数
# 性能测试环境：I7-3770，主频3.4G, 8核心，内存16G，Windows 7 专业版
# 测试时还跑着一堆其他的程序，性能仅供参考
import time
start = time.time()
# 运行单进程优化函数，自动输出结果，耗时：359秒
#engine.runOptimization(AtrRsiStrategy, setting)
# 多进程优化，耗时：89秒
# 设置回测用的数据起始日期，注意：strategyShortTerm_Overhigh策略该值设置为第一天计算的日期，
# 需要根据日期直接修改strategyShortTerm_Overhigh.py中class ShortTermStrategy_Overhigh的strategyStartpos值
engine.setStartDate('20090327')
# 设置产品相关参数
engine.setSlippage(0) # 股指1跳
engine.setRate(0) # 万0.3
engine.setSize(10) # 股指合约大小
engine.setPriceTick(1) # 股指最小价格变动
engine.setCapital(30000)
# 设置使用的历史数据库
engine.setDatabase(DAILY_DB_NAME, 'RB9999')
# 跑优化
setting = OptimizationSetting() # 新建一个优化任务设置对象
setting.setOptimizeTarget('maxDdPercent')
setting.addParameter('E_LONG', 5, 20, 1)
setting.addParameter('Float_Profit_Over_High', 500)
setting.addParameter('A_FLAOT_PROFIT_1', 2550)
setting.addParameter('A_FLAOT_PROFIT_2', 1600)
setting.addParameter('A_LOSS_SP_1', 0.19)
setting.addParameter('A_LOSS_SP_2', 0.01)
setting.addfilter_greater_than([\
['A_LOSS_SP_1' ,'A_LOSS_SP_2'],\
['A_FLAOT_PROFIT_1','A_FLAOT_PROFIT_2'],\
['A_FLAOT_PROFIT_1','Float_Profit_Over_High']\
])
# setting.addParameter('A_LOSS_SP' , 0.26) #{ 保证金亏损幅度 用于卖平 默认0.45}
# 设置回测用的数据起始日期
engine.setStartDate('20090327')
# 设置产品相关参数
engine.setSlippage(0) # 股指1跳
engine.setRate(0) # 万0.3
engine.setSize(10) # 股指合约大小
engine.setPriceTick(1) # 股指最小价格变动
engine.setCapital(30000)
# 设置使用的历史数据库
engine.setDatabase(DAILY_DB_NAME, 'RB9999')
# 跑优化
setting = OptimizationSetting() # 新建一个优化任务设置对象
setting.setOptimizeTarget('maxDdPercent')
setting.addParameter('SK_A_LONG' , 13)
setting.addParameter('SK_A_DAYS_OPEN' , 5)
setting.addParameter('SK_E_LONG' , 69)
setting.addParameter('SK_E_DAYS_LONG' , 6)
setting.addParameter('SK_A_RATE_MIN' , 0.65)
setting.addParameter('SK_A_RATE_MAX' , 3.7)
setting.addParameter('SK_A_RATE_SP' , 3.1)
setting.addParameter('SK_A_LOSS_SP' , 0.08)
setting.addParameter('SK_A_DAY_LOSS' , 1.7)
setting.addParameter('SK_A_FLAOT_PROFIT' , 2900)
setting.addParameter('SK_A_DAYS_CLOSE' , 1)
engine.setBacktestingMode(engine.BAR_MODE)
# 设置回测用的数据起始日期
engine.setStartDate('20120101')
# 设置产品相关参数
engine.setSlippage(0.2) # 股指1跳
engine.setRate(0.3/10000) # 万0.3
engine.setSize(300) # 股指合约大小
engine.setPriceTick(0.2) # 股指最小价格变动
# 设置使用的历史数据库
engine.setDatabase(MINUTE_DB_NAME, 'IF0000')
# 跑优化
setting = OptimizationSetting() # 新建一个优化任务设置对象
setting.setOptimizeTarget('capital') # 设置优化排序的目标是策略净盈利
setting.addParameter('atrLength', 12, 20, 2) # 增加第一个优化参数atrLength，起始12，结束20，步进2
setting.addParameter('atrMa', 20, 30, 5) # 增加第二个优化参数atrMa，起始20，结束30，步进5
setting.addParameter('rsiLength', 5) # 增加一个固定数值的参数
# 性能测试环境：I7-3770，主频3.4G, 8核心，内存16G，Windows 7 专业版
# 测试时还跑着一堆其他的程序，性能仅供参考
import time
start = time.time()
# 运行单进程优化函数，自动输出结果，耗时：359秒
#engine.runOptimization(AtrRsiStrategy, setting)
# 多进程优化，耗时：89秒
engine.runParallelOptimization(AtrRsiStrategy, setting)
engine.setBacktestingMode(engine.BAR_MODE)
# 设置回测用的数据起始日期
engine.setStartDate('20120101')
# 设置产品相关参数
engine.setSlippage(0.2) # 股指1跳
engine.setRate(0.3 / 10000) # 万0.3
engine.setSize(300) # 股指合约大小
engine.setPriceTick(0.2) # 股指最小价格变动
# 设置使用的历史数据库
engine.setDatabase(MINUTE_DB_NAME, 'IF0000')
# 跑优化
setting = OptimizationSetting() # 新建一个优化任务设置对象
setting.setOptimizeTarget(
'endBalance') # 设置优化排序的目标是策略净盈利 sharpeRatio totalNetPnl endBalance
setting.addParameter('atrLength', 12, 20,
2) # 增加第一个优化参数atrLength，起始12，结束20，步进2
#setting.addParameter('atrMa', 20, 30, 5) # 增加第二个优化参数atrMa，起始20，结束30，步进5
#setting.addParameter('rsiLength', 5) # 增加一个固定数值的参数
# 性能测试环境：I7-3770，主频3.4G, 8核心，内存16G，Windows 7 专业版
# 测试时还跑着一堆其他的程序，性能仅供参考
import time
start = time.time()
# 运行单进程优化函数，自动输出结果，耗时：359秒
#engine.runOptimization(AtrRsiStrategy, setting)
# 设置回测用的数据起始日期，注意：strategyShortTerm策略该值设置为第一天计算的日期，
# 需要根据日期直接修改strategyShortTerm.py中class ShortTermStrategy的strategyStartpos值
engine.setStartDate('20090327')
# 设置产品相关参数
engine.setSlippage(0) # 股指1跳
engine.setRate(0) # 万0.3
engine.setSize(10) # 股指合约大小
engine.setPriceTick(1) # 股指最小价格变动
engine.setCapital(30000)
# 设置使用的历史数据库
engine.setDatabase(DAILY_DB_NAME, 'RB9999')
# 跑优化
setting = OptimizationSetting() # 新建一个优化任务设置对象
setting.setOptimizeTarget('maxDdPercent')
# setting.addParameter('A_LOSS_SP_ALL' , 0.1,0.5,0.1)
# setting.addParameter('A_FLAOT_PROFIT_ALL' , 1900,3000,300)
# setting.addParameter('A_MIN_UP_ALL' , 0.9,1.5,0.01)
setting.addParameter('SK_A_LOSS_SP_ALL', 0.37)
setting.addParameter('SK_A_FLAOT_PROFIT_ALL', 1450)
setting.addParameter('A_MIN_DOWN_ALL', 0.9)
# 性能测试环境：I7-3770，主频3.4G, 8核心，内存16G，Windows 7 专业版
# 测试时还跑着一堆其他的程序，性能仅供参考
import time
start = time.time()
engine.setBacktestingMode(engine.BAR_MODE)
# 设置回测用的数据起始日期
engine.setStartDate('20160101')
# 设置产品相关参数
engine.setSlippage(0.01) # 股指1跳
engine.setRate(2/10000) # 万0.3
engine.setSize(1) # 股指合约大小
engine.setPriceTick(0.001) # 股指最小价格变动
# 设置使用的历史数据库
engine.setDatabase(MINUTE_DB_NAME, 'USDTBTC_5min')
# 跑优化
setting = OptimizationSetting() # 新建一个优化任务设置对象
setting.setOptimizeTarget('totalReturn') # 设置优化排序的目标是策略净盈利
#setting.addParameter('atrLength', 12, 26, 2) # 增加第一个优化参数atrLength，起始12，结束20，步进2
#setting.addParameter('atrMa', 20, 30, 5) # 增加第二个优化参数atrMa，起始20，结束30，步进5
#setting.addParameter('rsiLength', 5) # 增加一个固定数值的参数
setting.addParameter('kkdev',1.0, 2.0, 0.2)
setting.addParameter('kkLength',11, 23, 2)
# 性能测试环境：I7-3770，主频3.4G, 8核心，内存16G，Windows 7 专业版
# 测试时还跑着一堆其他的程序，性能仅供参考
import time
start = time.time()
# 运行单进程优化函数，自动输出结果，耗时：359秒
#engine.runOptimization(AtrRsiStrategy, setting)
# 多进程优化，耗时：89秒
# 设置回测用的数据起始日期
engine.setStartDate('20090327')
# 设置产品相关参数
engine.setSlippage(0) # 股指1跳
engine.setRate(0) # 万0.3
engine.setSize(10) # 股指合约大小
engine.setPriceTick(1) # 股指最小价格变动
engine.setCapital(30000)
# 设置使用的历史数据库
engine.setDatabase(DAILY_DB_NAME, 'RB9999')
# 跑优化
setting = OptimizationSetting() # 新一个优化任务设置对象
setting.setOptimizeTarget('maxDdPercent')
setting.addParameter('A_LOSS_SP_ALL', 0.1, 0.4, 0.02)
setting.addParameter('A_FLAOT_PROFIT_ALL ', 500, 3000, 100)
# 性能测试环境：I7-3770，主频3.4G, 8核心，内存16G，Windows 7 专业版
# 测试时还跑着一堆其他的程序，性能仅供参考
import time
start = time.time()
# 运行单进程优化函数，自动输出结果，耗时：359秒
#engine.runOptimization(DoubleMaStrategyWh, setting)
# 多进程优化，耗时：89秒
engine.runParallelOptimization(strategy_WaiBaoDay_RB, setting)