前面介绍了如何使用 hikyuu 进行策略回测参数优化,同时也提到了这种简单的参数优化本质其实是对历史数据的过拟合,通常并不具备直接使用的意义。那么有什么办法来减缓这种过拟合影响,让参数优化发挥实际的作用呢?答案是——使用滚动系统,但依然需要保持谨慎的态度,因为回测是拟合的本质并没有改变。
先来看一个简单的示例,依然使用趋势双均线,标的为万科,使用2001年-2010年数据进行参数寻优,参数寻优[……] 阅读全文>>>
前面介绍了如何使用 hikyuu 进行策略回测参数优化,同时也提到了这种简单的参数优化本质其实是对历史数据的过拟合,通常并不具备直接使用的意义。那么有什么办法来减缓这种过拟合影响,让参数优化发挥实际的作用呢?答案是——使用滚动系统,但依然需要保持谨慎的态度,因为回测是拟合的本质并没有改变。
先来看一个简单的示例,依然使用趋势双均线,标的为万科,使用2001年-2010年数据进行参数寻优,参数寻优[……] 阅读全文>>>
不久前看到一篇文章QMT使用技巧的文章——“震惊!策略回测参数从500多秒提升到1秒,竟然这么简单?”。当时进去看了下,大概是对单股的双均线策略的快线参数和慢线参数进行寻优,从2001年起至今对50组参数进行寻优,从使用纯 python 到使用 VBA 公式,从380秒优化到 1.3 秒。便想着动手看看 hikyuu 实现同样的参数寻优需要多久。
其实曾经也有人问过如何用 hikyuu 进行
[……] 阅读全文>>>本篇中,我们将通过技术分析流派中经典的“趋势双均线策略”,向大家展现如何 Hikyuu 来测试自己的想法,并最终将它转化为策略!
下面的代码在 Jupyter Lab 中执行,和直接使用 .py 文件执行的区别主要在于 matplotlib 的引入方式。
导入相关库:
%matplotlib inline from hikyuu.interactive imp[……] 阅读全文>>>
项目主页: https://hikyuu.org 或 http://fasiondog.gitee.io/hikyuu
在 Hikyuu 1.3.0 版本中,我们进行了一系列重要的修复和功能增强,该版本更新如下:
1. 指标融合优化,复杂指标计算速度提升了 8~10 倍左右。
从网上找了一段通达信百变一阳指选股器,计算公式如下:
from hikyuu.inte
[……] 阅读全文>>> 因需要在树莓派(及其其他各类派)下使用 akshare,但 akshare 的依赖库 PyMiniRacer 缺少 arm64 架构的包(该包已经不再维护),故在此记录下在 linux arm64 架构下编译 PyMiniRacer 的过程。有需要者可以参考,也可以从下面的链接直接下载已经编译好的 PyMiniRacer arm64 包(注:仅在 ubuntu 20.04 和 Ubuntu 22.
[……] 阅读全文>>>1、在通达信系统设置中,找到“通讯设置”,不同版本的通达信位置可能不一样,如下图所示:
4、打开 windows 任务管理器,找到通达信,查看其相应的进程ID,如下所示:
5、进入 windows 命令行
[……] 阅读全文>>>