高级优化
概览
StockSharp 提供用于微调策略优化过程的高级工具。本节描述高级组件：通过 GeneticSettings 配置遗传算法，通过 FitnessFormulaProvider 编译自定义适应度公式，以及通过 OptimizationProgressTracker 监控进度。
遗传设置
GeneticSettings 类管理遗传优化算法的所有方面。它位于 StockSharp.Algo.Strategies.Optimization 命名空间中。
人口与代参数
| 属性 | 类型 | 默认值 | 描述 |
|---|---|---|---|
Population |
整数 | 8 | 初始种群规模 |
PopulationMax |
整数 | 16 | 最大人口规模 |
GenerationsMax |
整数 | 20 | 最大世代数 |
GenerationsStagnation |
整数 | 5 | 在停滞时停止（几代没有改进） |
概率参数
| 属性 | 类型 | 默认值 | 描述 |
|---|---|---|---|
MutationProbability |
十进制 | 0.1 | 突变概率（0-1） |
CrossoverProbability |
十进制 | 0.8 | 交叉概率（0-1） |
遗传算子
| 属性 | 默认值 | 描述 |
|---|---|---|
Reinsertion |
精英再插入 | 代替生成策略 |
Mutation |
统一变异 | 变异算子 |
Crossover |
单点交叉 | 交叉算子 |
Selection |
锦标赛选择 | 选择算子 |
健身公式提供者
FitnessFormulaProvider 类将 C# 字符串表达式编译为 Func<Strategy, decimal> 函数，用于在优化过程中评估策略。
编译方法
var fitnessProvider = new FitnessFormulaProvider();
Func<Strategy, decimal> fitness = fitnessProvider.Compile("PnL / (MaxDD + 1)");
可用变量
在适应度函数公式中，可以使用以下变量，对应于策略统计指标：
| 变量 | 描述 |
|---|---|
| 盈亏 | 净利润 |
| 赢利交易 | 赢利交易 |
| 亏损交易 | 亏损的交易 |
| TCount | 总交易 |
| RTrip | 往返旅行 |
| 平均每笔交易利润 | 每笔交易的平均利润 |
| AvgWTrades | 平均获利交易 |
| AvgLTrades | 平均亏损交易 |
| 最大多头 | 最大多头持仓 |
| 最大空头 | 最大空头持仓 |
| 最大盈利 | 最大利润 |
| 最大回撤 | 最大回撤 |
| 最大相对回撤 | 最大相对回撤 |
| Ret | 返回 |
| 回收 | 回收因子 |
| MaxLatReg | 最大注册延迟 |
| MaxLatCan | 最大取消延迟 |
| MinLatReg | 最小注册延迟 |
| MinLatCan | 最小取消延迟 |
| 订单数量 | 订单计数 |
| OrdRegErrCount | 注册错误 |
| OrdCancelErrCount | 取消错误 |
| OrdFundErrCount | 资金不足错误 |
变量可以组合成任意数学表达式："PnL - MaxDD * 2", "Recovery * WinTrades", "PnL / (MaxDD + 1)"。
优化进度跟踪器
OptimizationProgressTracker 类提供了对优化过程的便捷监控。
属性
| 属性 | 类型 | 描述 |
|---|---|---|
TotalIterations |
整数 | 迭代总次数 |
CompletedIterations |
int | 完成的迭代次数 |
TotalProgress |
双精度 | 总体进度 (0-100) |
StartedAt |
日期时间偏移 | 优化开始时间 |
Elapsed |
时间间隔 | 已用时间 |
Remaining |
时间间隔 | 预计剩余时间 |
方法
| 方法 | 描述 |
|---|---|
IterationCompleted() |
标记一次迭代为已完成 |
Reset(totalIterations) |
重置追踪器以进行新运行 |
优化器类
StockSharp 提供了两种继承自 BaseOptimizer 的优化器：
- BruteForceOptimizer —— 对所有参数组合进行穷举枚举。适用于小型参数空间。
- GeneticOptimizer -- 遗传算法。对大量参数有效，能够自动收敛到最优解。
使用示例
var geneticSettings = new GeneticSettings
{
Population = 16,
PopulationMax = 32,
GenerationsMax = 50,
GenerationsStagnation = 10,
MutationProbability = 0.15m,
CrossoverProbability = 0.75m,
};
// 自定义适应度函数公式
var fitnessProvider = new FitnessFormulaProvider();
var fitness = fitnessProvider.Compile("PnL / (MaxDD + 1)");
// 创建遗传优化器
var optimizer = new GeneticOptimizer(
new CollectionSecurityProvider(new[] { security }),
new CollectionPortfolioProvider(new[] { portfolio }),
storageRegistry,
Paths.FileSystem);
optimizer.Settings.Population = geneticSettings.Population;
optimizer.Settings.PopulationMax = geneticSettings.PopulationMax;
optimizer.Settings.GenerationsMax = geneticSettings.GenerationsMax;
optimizer.Settings.GenerationsStagnation = geneticSettings.GenerationsStagnation;
optimizer.Settings.MutationProbability = geneticSettings.MutationProbability;
optimizer.Settings.CrossoverProbability = geneticSettings.CrossoverProbability;
// 进度监控
var tracker = new OptimizationProgressTracker();
tracker.Reset(totalIterations: 100);
optimizer.SingleProgressChanged += (strategy, parameters, progress) =>
{
if (progress == 100)
{
tracker.IterationCompleted();
Console.WriteLine($"Progress: {tracker.TotalProgress:F1}%, " +
$"Remaining: {tracker.Remaining:hh\\:mm\\:ss}");
}
};