优化改进#
Backtrader 通过引入两个新的 Cerebro 参数，优化了在多进程环境下管理数据源和结果的方式。
参数说明：
| 参数名 | 默认值 | 描述 |
|---|---|---|
| optdatas | True | 如果为True并进行优化（系统可以预加载并使用runonce），则数据预加载将仅在主进程中进行一次，以节省时间和资源。 |
| optreturn | True | 如果为True，优化结果将不是完整的策略对象（包括所有数据、指标、观察者等），而是带有以下属性的对象（与策略中相同）：
|
通常只需查看策略参数组合的最终表现（如收益率）。如需查看运行过程中的详细数据（如每个时间点的指标值），请关闭此选项。
数据源管理#
在优化场景中，Cerebro 参数可能的组合是：
preload=True（默认）：数据源会在执行任何回测代码前完成预加载。runonce=True（默认）：指标在紧凑的 for 循环中批量计算，而非逐步计算。
如果两个条件均为 True 且 optdatas=True，则数据源会在生成新子进程之前在主进程中预加载（子进程负责执行回测）。
结果管理#
在优化场景中，评估每次策略运行的不同参数时，最重要的两个因素是：
strategy.params（或 strategy.p）
回测使用的实际参数集
strategy.analyzers
提供策略实际表现评估的对象。例如：SharpeRatio_A（年化夏普比率）
当 optreturn=True 时，不会返回完整的策略实例，而是创建占位符对象，仅携带上述两个属性供评估。
这避免了传回大量生成的数据，例如回测期间指标生成的值。
如需返回完整的策略对象，在实例化 Cerebro 或调用 cerebro.run 时设置 optreturn=False 即可。
一些测试运行#
backtrader 源码中的优化示例已扩展并添加了对 optdatas 和 optreturn 的控制（实际上是禁用它们）。
单核心运行#
作为参考，当将CPU数量限制为1且不使用多进程模块时会发生什么：
$ ./optimization.py --maxcpus 1
==================================================
**************************************************
--------------------------------------------------
OrderedDict([(u'smaperiod', 10), (u'macdperiod1', 12), (u'macdperiod2', 26), (u'macdperiod3', 9)])
**************************************************
--------------------------------------------------
OrderedDict([(u'smaperiod', 10), (u'macdperiod1', 13), (u'macdperiod2', 26), (u'macdperiod3', 9)])
...
...
OrderedDict([(u'smaperiod', 29), (u'macdperiod1', 19), (u'macdperiod2', 29), (u'macdperiod3', 14)])
==================================================
Time used: 184.922727833多核心运行#
在不限制 CPU 数量的情况下，Python 多进程模块会尝试使用所有 CPU。以下测试会禁用 optdatas 和 optreturn：
optdatas和optreturn都启用
默认行为：
$ ./optimization.py
...
...
...
==================================================
Time used: 56.5889185394通过多核以及数据源和结果的优化，总时间从 184.92 秒减少到 56.58 秒。
请注意，示例使用了252条数据，并且指标仅生成长度为252点的值。这只是一个例子。
关键问题是这些改进有多少归功于新行为。
optreturn 禁用：将完整的策略对象传回调用者：
$ ./optimization.py --no-optreturn
...
...
...
==================================================
Time used: 67.056914007执行时间增加了 18.50%（速度提升 15.62%）。
optdatas 禁用：每个子进程被迫加载各自的数据源值：
$ ./optimization.py --no-optdatas
...
...
...
==================================================
Time used: 72.7238112637执行时间增加了 28.52%（速度提升 22.19%）。
两者都禁用：仍然使用多核，但使用旧的未改进行为：
$ ./optimization.py --no-optdatas --no-optreturn
...
...
...
==================================================
Time used: 83.6246643786执行时间增加了 47.79%（速度提升 32.34%）。
这表明使用多个核心是时间改进的主要贡献因素。
注意：这些测试是在配备 i7-4710HQ（4 核/8 逻辑线程）和 16 GB RAM 的笔记本电脑上进行的，操作系统为 Windows 10 64 位。其他环境下结果可能有所不同。
总结#
在优化过程中时间减少的最大因素是使用多个核心。
使用 optdatas 和 optreturn 的测试运行分别实现了约 22.19% 和 15.62% 的速度提升（两者结合则提升了 32.34%）。
示例使用#
$ ./optimization.py --help
usage: optimization.py [-h] [--data DATA] [--fromdate FROMDATE]
[--todate TODATE] [--maxcpus MAXCPUS] [--no-runonce]
[--exactbars EXACTBARS] [--no-optdatas]
[--no-optreturn] [--ma_low MA_LOW] [--ma_high MA_HIGH]
[--m1_low M1_LOW] [--m1_high M1_HIGH] [--m2_low M2_LOW]
[--m2_high M2_HIGH] [--m3_low M3_LOW]
[--m3_high M3_HIGH]
Optimization
optional arguments:
-h, --help show this help message and exit
--data DATA, -d DATA data to add to the system
--fromdate FROMDATE, -f FROMDATE
Starting date in YYYY-MM-DD format
--todate TODATE, -t TODATE
Starting date in YYYY-MM-DD format
--maxcpus MAXCPUS, -m MAXCPUS
Number of CPUs to use in the optimization
- 0 (default): use all available CPUs
- 1 -> n: use as many as specified
--no-runonce Run in next mode
--exactbars EXACTBARS
Use the specified exactbars still compatible with preload
0 No memory savings
-1 Moderate memory savings
-2 Less moderate memory savings
--no-optdatas Do not optimize data preloading in optimization
--no-optreturn Do not optimize the returned values to save time
--ma_low MA_LOW SMA range low to optimize
--ma_high MA_HIGH SMA range high to optimize
--m1_low M1_LOW MACD Fast MA range low to optimize
--m1_high M1_HIGH MACD Fast MA range high to optimize
--m2_low M2_LOW MACD Slow MA range low to optimize
--m2_high M2_HIGH MACD Slow MA range high to optimize
--m3_low M3_LOW MACD Signal range low to optimize
--m3_high M3_HIGH MACD Signal range high to optimize
(C) 2015-2024 Daniel Rodriguez