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>>>