多头开仓条件：短期均线上穿长期均线同时长期均线大于更长期均线的值
空头开仓条件：短期均线下穿长期均线同时长期均线小于更长期均线的值
为了达到分散风险的目的，选取价格走势相关性较小的品种，本文将标的池选为RBM0, CUM0, RMM0, SRM0 等主力合约。获取2014年1月1日止2014年12月31日这些合约的日行情。
标的之间的相关系数矩阵
参数优化
网格优化
那么参数设为多少合适？指数移动平均线交易系统涉及到三个参数，短周期，长周期，更长的周期。下面我们设置为更长的周期为25，对短周期和长周期进行网格化的遍历，设定短周期范围为5至10，长周期范围为15-25。
遗传算法
通过机器学习的方法来进行参数优化求解。
网格算法
max_drawdown
sharpe
annualized_return
最后本文选择了5日短线，20日长线来作为回测的参数。下面画出其累计收益率的走势，以及具体风险指标。
遗传算法
那么有没有不遍历的方法进行参数优化？本文以机器学习的遗传算法为例，旨在提供一个思路，具体效果可能并没有那么理想，而且容易陷入局部最优解，后续还将多加调整。
遗传算法介绍
遗传算法是通过模拟大自然中生物进化的历程，来解决问题的。大自然中一个种群经历过若干代的自然选择后，剩下的种群必定是适应环境的。把一个问题所有的解看做一个种群，经历过若干次的自然选择以后，剩下的解中是有问题的最优解的。当然，只能说有最优解的概率很大。
几点说明
编码方式：我们考虑两个参数，短周期与长周期。短周期的范围为[5，10]，长周期范围为[15，25]。采用普通的二进制编码，码长为6位。
解码方式：对于6位的二进制编码可以表示[0，63]内的任意正整数，所以还需构造映射进行转换至相应的区间。
适应度函数：这里的适应度函数即回测，函数的因变量为策略的年化收益率。
['000000', '101011'] 0.5451
['000010', '101101'] 0.5451
['000010', '000010'] 0.5451
['000000', '000100'] 0.5451
可以看到6次繁衍后，遗传算法最后也收敛到了最优解上。
2人赞赏收藏
