Hexo
0%

vectorbt学习_52DMA之十二回顾小节

Posted on Edited on In ,

接上一篇文章《29DMA之七回顾小节》

DMA之八滑窗网格参数优选(止损,止盈)

回测结果汇总

原始双均线

参数 

1
2
fast_windows = np.arange(10, 50,5)
slow_multis = np.arange(1.5, 5.5, 0.5)

最佳参数 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
in_best_index[:5]
MultiIndex([( 0, 35, 2.0),
            ( 1, 10, 4.5),
            ( 2, 10, 2.0),
            ( 3, 25, 3.5),
            ( 4, 40, 5.0),
            ( 5, 35, 5.0),
            ( 6, 10, 1.5),
            ( 7, 45, 3.0),
            ( 8, 40, 1.5),
            ( 9, 20, 1.5),
            (10, 25, 1.5)],
           names=['split_idx', 'dualma_fast_window', 'dualma_slow_multi'])

最佳参数样本内网sharp

最佳参数测试集回测表现

最佳参数验证集回测表现

简单说明：对于训练集合，其整体时间为2T，2倍于预测时间。 所以
01，训练集和验证集数据图上，即使同一种颜色也无太大比较意义。
02，训练集绿色线高于蓝色线，说明参数优选效果（拟合效果，训练效果）较好。这也是合理，毕竟用训练的最优最结果又用来回测自身，效果当然也应当好嘛。
03，验证集绿色高于蓝色越多越好，说明相对简单持有具有超额收益。当然实际上有难度，尤其是行情好时。由于策略需要控制风险（追求高sharpe），所以时间维度难以持续满仓，所以牛市可能不如稳定持有，但是遇到大跌时，规避风险的优势就很明显了。

跟踪止损

参数 

1
2
sl_stops = [0.05,0.1,0.15,0.20]
sl_trail=True

最佳参数 

1
2
3
4
5
6
7
8
9
10
11
12
MultiIndex([( 0, 35, 2.0,  0.1),
            ( 1, 15, 4.0, 0.05),
            ( 2, 10, 2.0, 0.05),
            ( 3, 10, 1.5,  0.1),
            ( 4, 40, 5.0,  0.2),
            ( 5, 35, 5.0,  0.2),
            ( 6, 10, 4.0,  0.1),
            ( 7, 45, 2.5,  0.2),
            ( 8, 40, 1.5,  0.2),
            ( 9, 20, 1.5,  0.1),
            (10, 30, 1.5, 0.05)],
           names=['split_idx', 'dualma_fast_window', 'dualma_slow_multi', 'sl_stop'])

最佳参数样本内网sharp

最佳参数测试集回测表现

最佳参数验证集回测表现

跟踪止损+np.inf

参数 

1
2
sl_stops = [np.inf,0.05,0.1,0.15,0.20]
sl_trail=True

最佳参数 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
merged_df[in_test_best_index_basic]
                                                        in_sharpe  in_return  out_sharpe  out_return
split_idx dualma_fast_window dualma_slow_multi sl_stop                                              
0         35                 2.0               0.10      1.979770   0.319978   -2.876613   -0.124038
1         15                 4.0               0.05      0.324361   0.016997    2.231171    0.195700
2         10                 2.0               0.05      1.844657   0.303627    2.693463    0.161817
3         25                 3.5               inf       3.374967   1.233830    3.996941    0.571024
4         40                 5.0               inf       4.501923   2.451051    0.688785    0.053886
5         35                 5.0               0.20      2.959891   1.144421   -2.467499   -0.193663
6         10                 4.0               0.10      3.029320   0.727907   -1.060044   -0.073690
7         45                 3.0               inf       2.296182   0.749108         inf    0.000000
8         40                 1.5               inf       2.489317   0.692895    3.678357    0.449287
9         20                 1.5               inf       2.926436   0.575073    2.364898    0.128734
10        30                 1.5               0.05      2.402594   0.302466   -4.323912   -0.074724

最佳参数样本内网sharp

最佳参数测试集回测表现

最佳参数验证集回测表现

止损止盈

1
2
3
sl_stops = [0.05,0.1,0.15,0.20]
sl_trails = [False, True]
tp_stops = [0.1, 0.2]

最佳参数 

1
2
3
4
5
6
7
8
9
10
11
12
13
MultiIndex([( 0, 45, 2.0, 0.05, False, 0.1),
            ( 1, 15, 4.0, 0.05, False, 0.1),
            ( 2, 10, 2.0, 0.05,  True, 0.2),
            ( 3, 10, 2.0, 0.05,  True, 0.2),
            ( 4, 15, 1.5, 0.05, False, 0.2),
            ( 5, 40, 3.5,  0.2, False, 0.2),
            ( 6, 20, 4.0, 0.05, False, 0.2),
            ( 7, 25, 2.0, 0.05, False, 0.2),
            ( 8, 40, 1.5,  0.1, False, 0.2),
            ( 9, 30, 5.0,  0.1, False, 0.2),
            (10, 30, 3.0, 0.05, False, 0.2)],
           names=['split_idx', 'dualma_fast_window', 'dualma_slow_multi', 'sl_stop', 'sl_trail', 'tp_stop'])

最佳参数样本内网sharp

最佳参数训练集回测表现

最佳参数验证集回测表现

止损止盈+np.inf

参数 

1
2
3
sl_stops = [np.inf,0.05,0.1,0.15,0.20]
sl_trails = [False, True]
tp_stops = [np.inf,0.1, 0.2]

最佳参数 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
merged_df[in_test_best_index_basic]
                                                                         in_sharpe  in_return  out_sharpe  out_return
split_idx dualma_fast_window dualma_slow_multi sl_stop sl_trail tp_stop                                              
0         45                 2.0               inf     False    0.1       3.158667   0.237753   -0.929956   -0.064111
1         15                 4.0               inf     False    0.1       0.664945   0.034948    2.563318    0.145963
2         10                 3.0               0.05    False    inf       1.978273   0.408342    1.451395    0.064199
3         25                 3.5               inf     False    inf       3.374967   1.233830    3.996941    0.571024
4         15                 1.5               inf     False    0.2       5.245280   1.127771    2.858175    0.239233
5         35                 5.0               0.20    True     inf       2.959891   1.144421   -2.467499   -0.193663
6         20                 4.0               inf     False    0.2       4.039079   0.462475    1.890751    0.207220
7         45                 3.0               inf     False    inf       2.296182   0.749108         inf    0.000000
8         40                 1.5               inf     False    0.2       2.665200   0.492175    2.449875    0.239941
9         30                 5.0               inf     False    0.2       3.738112   0.507262   -0.434888   -0.063484
10        30                 3.0               inf     False    0.2       2.943695   0.258812   -3.877240   -0.075374

最佳参数样本内网sharp

最佳参数测试集回测表现

最佳参数验证集回测表现

DMA之九滑窗网格参数优选(4种参数优选)

回测结果汇总

参数
4种优选方法 训练集夏普sharp ratio
4种优选方法 验证集夏普sharp ratio
4种优选方法 最佳参数测试集回测表现
4种优选方法 最佳参数验证集回测表现

跟踪止损

参数 

1
2
3
4
5
fast_windows = np.arange(10, 50,5)
slow_multis = np.arange(1.5, 5.5, 0.5)
sl_stops = [0.05,0.1,0.15,0.20]
sl_trails = True
无止盈

4种优选方法 训练集夏普sharp ratio
svg

4种优选方法 验证集夏普sharp ratio

svg

4种优选方法 最佳参数测试集回测表现
svg

4种优选方法 最佳参数验证集回测表现
svg

非跟踪止损

参数 

1
2
3
4
5
fast_windows = np.arange(10, 50,5)
slow_multis = np.arange(1.5, 5.5, 0.5)
sl_stops = [0.05,0.1,0.15,0.20]
sl_trails = False
无止盈

4种优选方法 训练集夏普sharp ratio

4种优选方法 验证集夏普sharp ratio

4种优选方法 最佳参数测试集回测表现

4种优选方法 最佳参数验证集回测表现

跟踪止损+止盈

参数 

1
2
3
4
5
fast_windows = np.arange(10, 50,5)
slow_multis = np.arange(1.5, 5.5, 0.5)
sl_stops = [0.05,0.1,0.15,0.20]
sl_trails = True
tp_stops = [0.1, 0.2]

参数
4种优选方法 训练集夏普sharp ratio

4种优选方法 验证集夏普sharp ratio

4种优选方法 最佳参数测试集回测表现

4种优选方法 最佳参数验证集回测表现

非跟踪止损+止盈

参数 

1
2
3
4
5
fast_windows = np.arange(10, 50,5)
slow_multis = np.arange(1.5, 5.5, 0.5)
sl_stops = [0.05,0.1,0.15,0.20]
sl_trails = False
tp_stops = [0.1, 0.2]

4种优选方法 训练集夏普sharp ratio

4种优选方法 验证集夏普sharp ratio

4种优选方法 最佳参数测试集回测表现

4种优选方法 最佳参数验证集回测表现

DMA之十滑窗网格参数优选(过滤器)

std_indicator

过滤器规则： 

1
2
3
4
5
std_close_wbuf = ohlcv_wbuf['Close'].rolling(window=20).std()
std_close_ma_wbuf = std_close_wbuf.rolling(window=20).mean()
std_close=std_close_wbuf[wobuf_mask]
std_close_ma=std_close_ma_wbuf[wobuf_mask]
std_indicator = (std_close > std_close_ma )

4种优选方法的训练集夏普sharp ratio
svg

4种优选方法的验证集夏普sharp ratio
svg
样本内滚动收益
svg

样本外滚动收益
svg

diff_indicator

过滤器规则： 

1
2
3
4
5
diff_close_wbuf = ohlcv_wbuf['Close'] - ohlcv_wbuf['Close'].rolling(window=int(20/5)).mean().shift(20)
diff_close_ma_wbuf = diff_close_wbuf.rolling(window=20).mean()
diff_close=diff_close_wbuf[wobuf_mask]
diff_close_ma=diff_close_ma_wbuf[wobuf_mask]
diff_indicator = ((diff_close > diff_close_ma )&(diff_close_ma>200*0.0025*20))

4种优选方法的训练集夏普sharp ratio

4种优选方法的验证集夏普sharp ratio

样本内滚动收益

样本外滚动收益

小节

过滤器优化后，相比原始的：DMA之九滑窗网格参数优选(4种参数优选)
其sharpe和收益曲线均未见明显改善，但过滤后可视化角度看，的确过滤掉部分低波动行情。