最初的策略选择方法使用两种策略，手动注册和一个简单的[0, 1]列表来决定哪个是策略的目标。

因为 Python 为元类提供了许多自省的可能性，所以实际上可以自动化该方法。让我们使用一种decorator 在这种情况下可能是侵入性最小的方法（无需为策略定义 元类）

改造策略

现在的策略：

  • 在策略之前声明
  • 有一个空的_STRATS类属性（它之前有返回的策略）
  • 有一个registerclassmethod 将用作装饰器并接受将添加到_STRATS
  • 有一个COUNT类方法，它将返回一个迭代器（range 实际上是一个），其中包含要优化的可用策略的计数
  • 对实际策略方法没有任何更改：__new__，它继续使用idx参数返回_STRATS给定索引处的类属性中的任何内容
class StFetcher(object):
    _STRATS = []

    @classmethod
    def register(cls, target):
        cls._STRATS.append(target)

    @classmethod
    def COUNT(cls):
        return range(len(cls._STRATS))

    def __new__(cls, *args, **kwargs):
        idx = kwargs.pop('idx')

        obj = cls._STRATS[idx](*args, **kwargs)
        return obj

像这样：

  • StFetcher策略本身不再包含任何硬编码的策略

装饰待优化策略

示例中的策略不需要重新设计。register使用 的方法进行装饰 StFetcher足以将它们添加到选择组合中。

@StFetcher.register
class St0(bt.SignalStrategy):

和

@StFetcher.register
class St1(bt.SignalStrategy):

利用 COUNT
过去使用 optstrategy 将策略工厂添加到系统时的手动 [0, 1] 列表可以完全替换为对 StFetcher.COUNT() 的透明调用。 硬编码结束了。

cerebro.optstrategy(StFetcher, idx=StFetcher.COUNT())

示例运行

$ ./stselection-revisited.py --optreturn
Strat 0 Name OptReturn:
  - analyzer: OrderedDict([(u'rtot', 0.04847392369449283), (u'ravg', 9.467563221580632e-05), (u'rnorm', 0.02414514457151587), (u'rnorm100', 2.414514457151587)])

Strat 1 Name OptReturn:
  - analyzer: OrderedDict([(u'rtot', 0.05124714332260593), (u'ravg', 0.00010009207680196471), (u'rnorm', 0.025543999840699633), (u'rnorm100', 2.5543999840699634)])

我们的 2 个策略已经运行并交付（如预期）不同的结果。

Tips：该示例很小，但已在所有可用 CPU 上运行。执行它--maxpcpus=1会更快。对于更复杂的场景，使用所有 CPU 将很有用。

结论

选择已完全自动化。和以前一样，可以设想像查询数据库以获取可用策略的数量，然后一一获取策略。

示例使用

$ ./stselection-revisited.py --help
usage: strategy-selection.py [-h] [--data DATA] [--maxcpus MAXCPUS]
                             [--optreturn]

Sample for strategy selection

optional arguments:
  -h, --help         show this help message and exit
  --data DATA        Data to be read in (default:
                     ../../datas/2005-2006-day-001.txt)
  --maxcpus MAXCPUS  Limit the numer of CPUs to use (default: None)
  --optreturn        Return reduced/mocked strategy object (default: False)

源码

已包含在 backtrader 的来源中

from __future__ import (absolute_import, division, print_function,
                        unicode_literals)

import argparse

import backtrader as bt
from backtrader.utils.py3 import range


class StFetcher(object):
    _STRATS = []

    @classmethod
    def register(cls, target):
        cls._STRATS.append(target)

    @classmethod
    def COUNT(cls):
        return range(len(cls._STRATS))

    def __new__(cls, *args, **kwargs):
        idx = kwargs.pop('idx')

        obj = cls._STRATS[idx](*args, **kwargs)
        return obj


@StFetcher.register
class St0(bt.SignalStrategy):
    def __init__(self):
        sma1, sma2 = bt.ind.SMA(period=10), bt.ind.SMA(period=30)
        crossover = bt.ind.CrossOver(sma1, sma2)
        self.signal_add(bt.SIGNAL_LONG, crossover)


@StFetcher.register
class St1(bt.SignalStrategy):
    def __init__(self):
        sma1 = bt.ind.SMA(period=10)
        crossover = bt.ind.CrossOver(self.data.close, sma1)
        self.signal_add(bt.SIGNAL_LONG, crossover)


def runstrat(pargs=None):
    args = parse_args(pargs)

    cerebro = bt.Cerebro()
    data = bt.feeds.BacktraderCSVData(dataname=args.data)
    cerebro.adddata(data)

    cerebro.addanalyzer(bt.analyzers.Returns)
    cerebro.optstrategy(StFetcher, idx=StFetcher.COUNT())
    results = cerebro.run(maxcpus=args.maxcpus, optreturn=args.optreturn)

    strats = [x[0] for x in results]  # flatten the result
    for i, strat in enumerate(strats):
        rets = strat.analyzers.returns.get_analysis()
        print('Strat {} Name {}:\n  - analyzer: {}\n'.format(
            i, strat.__class__.__name__, rets))


def parse_args(pargs=None):

    parser = argparse.ArgumentParser(
        formatter_class=argparse.ArgumentDefaultsHelpFormatter,
        description='Sample for strategy selection')

    parser.add_argument('--data', required=False,
                        default='../../datas/2005-2006-day-001.txt',
                        help='Data to be read in')

    parser.add_argument('--maxcpus', required=False, action='store',
                        default=None, type=int,
                        help='Limit the numer of CPUs to use')

    parser.add_argument('--optreturn', required=False, action='store_true',
                        help='Return reduced/mocked strategy object')

    return parser.parse_args(pargs)


if __name__ == '__main__':
    runstrat()

 

评论被关闭。