VNPY中，优化参数也经常要批量去做，一个是一组不同策略批量对一个品种优化，还有一个策略对应不同凭证，下面是源代码，放在example\CtaBacktesting文件夹下面，主要是参考了原来的优化代码。
# encoding: UTF-8
import pandas as pd
from vnpy.trader.app.ctaStrategy.ctaBacktesting import BacktestingEngine, MINUTE_DB_NAME, OptimizationSetting
from vnpy.trader.app.ctaStrategy.strategy.strategyBollChannel import BollChannelStrategy
class BatchOptimization(object):
def __init__(self):
""
def calculateBacktesting(self,symbollist,strategylist, sort = 'totalNetPnl'):
#填入品种队列和策略队列，返回结果resultlist, 为了输出方便检索，加入品种名称，策略名称和策略参数
resultlist = []
for symbol in symbollist:
for strategy in strategylist:
result = self.runBacktesting(symbol,strategy,sort)
#加入品种名称，策略名称和策略参数
if isinstance(result,dict):
#如果返回的是dict，直接加入
result["Symbolname"] = str(symbol["vtSymbol"])
result["strategyname"] = str(strategy[0])
result["strategysetting"] = str(strategy[1])
resultlist.append(result)
else:
# 发现优化回来的是一个包含元组的队列，元组有三个组成，第一个排策略参数，第二个回测目标的值，第三策略参数全部运行结果。
# 这里我们要的就是第三个,先插入这个dict，在dict插入symbolname，和strategysetting
for resultraw in result:
resultlist.append(resultraw[2])
resultlist[-1]["Symbolname"] = str(symbol["vtSymbol"])
resultlist[-1]["strategysetting"] = str(resultraw[0])
return resultlist
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 toExcel(self, resultlist, path = "C:\data\datframe.xlsx"):
#按照输入统计数据队列和路径，输出excel，这里不提供新增模式，如果想，可以改
#dft.to_csv(path,index=False,header=True, mode = 'a')
summayKey = resultlist[0].keys()
# summayValue = result.values()
dft = pd.DataFrame(columns=summayKey)
for result_ in resultlist:
new = pd.DataFrame(result_, index=["0"])
dft = dft.append(new,ignore_index=True)
dft.to_excel(path,index=False,header=True)
print "回测统计结果输出到" + path
if __name__ == "__main__":
#创建品种队列，这里可以用json导入，为了方便使用直接写了。
symbollist = [{
"vtSymbol": 'm1809',
"StartDate": "20180101",
"Slippage": 1,
"Size": 10,
"Rate": 2 / 10000,
"Capital": 10000
},
{
"vtSymbol": 'rb1810',
"StartDate": "20180101",
"Slippage": 1,
"Size": 10,
"Rate": 2 / 10000,
"Capital": 10000
}
]
# 这里是同一个策略，不同参数的情况，当然可以有多个策略和多个参数组合
Strategylist2 = []
# 策略list,如果是元组，那么就是三个，按照第一个初始，第二个结束，第三个步进
settinglist =[
{'bollWindow': (10,20,2)}]
# 合并一个元组
if settinglist != []:
for para1 in settinglist:
Strategylist2.append((BollChannelStrategy, para1))
NT = BatchOptimization()
resultlist = NT.calculateBacktesting(symbollist,Strategylist2,sort = 'totalNetPnl')
#定义路径
path = "C:\Project\OptimizationResult.xlsx"
NT.toExcel(resultlist,path)