想使用该办法对双均线系统clone策略做参数分析，不过总显示出错，请教一下哪里没有用对，谢谢！ ``` #1 先导入所需要的程序包 import datetime import numpy as np import pandas as pd import time from jqdata import * from pandas import Series, DataFrame import matplotlib.pyplot as plt import seaborn as sns import itertools import copy import pickle # 定义类'参数分析' class parameter_analysis(object): # 定义函数中不同的变量 def __init__(self, algorithm_id=None): self.algorithm_id = algorithm_id # 回测id self.params_df = pd.DataFrame() # 回测中所有调参备选值的内容，列名字为对应修改面两名称，对应回测中的 g.XXXX self.results = {} # 回测结果的回报率，key 为 params_df 的行序号，value 为 self.evaluations = {} # 回测结果的各项指标，key 为 params_df 的行序号，value 为一个 dataframe self.backtest_ids = {} # 回测结果的 id # 新加入的基准的回测结果 id，可以默认为空 ''，则使用回测中设定的基准 self.benchmark_id = 'ae0684d86e9e7128b1ab9c7d77893029' self.benchmark_returns = [] # 新加入的基准的回测回报率 self.returns = {} # 记录所有回报率 self.excess_returns = {} # 记录超额收益率 self.log_returns = {} # 记录收益率的 log 值 self.log_excess_returns = {} # 记录超额收益的 log 值 self.dates = [] # 回测对应的所有日期 self.excess_max_drawdown = {} # 计算超额收益的最大回撤 self.excess_annual_return = {} # 计算超额收益率的年化指标 self.evaluations_df = pd.DataFrame() # 记录各项回测指标，除日回报率外 # 定义排队运行多参数回测函数 def run_backtest(self, # algorithm_id=None, # 回测策略id running_max=10, # 回测中同时巡行最大回测数量 start_date='2006-01-01', # 回测的起始日期 end_date='2016-11-30', # 回测的结束日期 frequency='day', # 回测的运行频率 initial_cash='1000000', # 回测的初始持仓金额 param_names=[], # 回测中调整参数涉及的变量 param_values=[] # 回测中每个变量的备选参数值 ): # 当此处回测策略的 id 没有给出时，调用类输入的策略 id if algorithm_id == None: algorithm_id=self.algorithm_id # 生成所有参数组合并加载到 df 中 # 包含了不同参数具体备选值的排列组合中一组参数的 tuple 的 list param_combinations = list(itertools.product(*param_values)) # 生成一个 dataframe， 对应的列为每个调参的变量，每个值为调参对应的备选值 to_run_df = pd.DataFrame(param_combinations) # 修改列名称为调参变量的名字 to_run_df.columns = param_names # 设定运行起始时间和保存格式 start = time.time() # 记录结束的运行回测 finished_backtests = {} # 记录运行中的回测 running_backtests = {} # 计数器 pointer = 0 # 总运行回测数目，等于排列组合中的元素个数 total_backtest_num = len(param_combinations) # 记录回测结果的回报率 all_results = {} # 记录回测结果的各项指标 all_evaluations = {} # 在运行开始时显示 print '【运行中|已完成|待运行】:', # 当运行回测开始后，如果没有全部运行完全的话： while len(finished_backtests)datetime.datetime(2013,1, 1): set_commission(PerTrade(buy_cost=0.0003, sell_cost=0.0013, min_cost=5)) elif dt>datetime.datetime(2011,1, 1): set_commission(PerTrade(buy_cost=0.001, sell_cost=0.002, min_cost=5)) elif dt>datetime.datetime(2009,1, 1): set_commission(PerTrade(buy_cost=0.002, sell_cost=0.003, min_cost=5)) else: set_commission(PerTrade(buy_cost=0.003, sell_cost=0.004, min_cost=5)) ''' ================================================================================ 每天交易时 ================================================================================ ''' def handle_data(context, data): # 将总资金等分为g.N份，为每只股票配资 capital_unit = context.portfolio.portfolio_value/g.N toSell = signal_stock_sell(context,data) toBuy = signal_stock_buy(context,data) # 执行卖出操作以腾出资金 for i in range(len(g.security)): if toSell[i]==1: order_target_value(g.security[i],0) # 执行买入操作 for i in range(len(g.security)): if toBuy[i]==1: order_target_value(g.security[i],capital_unit) if not (1 in toBuy) or (1 in toSell): # log.info("今日无操作") send_message("今日无操作") #5 #获得卖出信号 #输入：context, data #输出：sell - list def signal_stock_sell(context,data): sell = [0]*len(g.security) for i in range(len(g.security)): # 算出今天和昨天的两个指数移动均线的值，我们这里假设长线是60天，短线是1天(前一天的收盘价) (ema_long_pre,ema_long_now) = get_EMA(g.security[i],g.N35,data) (ema_short_pre,ema_short_now) = get_EMA(g.security[i],g.N5,data) # 如果短均线从上往下穿越长均线，则为死叉信号，标记卖出 if ema_short_now < ema_long_now and ema_short_pre > ema_long_pre and context.portfolio.positions[g.security[i]].sellable_amount > 0: sell[i]=1 return sell #6 #获得买入信号 #输入：context, data #输出：buy - list def signal_stock_buy(context,data): buy = [0]*len(g.security) for i in range(len(g.security)): # 算出今天和昨天的两个指数移动均线的值，我们这里假设长线是60天，短线是1天(前一天的收盘价) (ema_long_pre,ema_long_now) = get_EMA(g.security[i],g.N35,data) (ema_short_pre,ema_short_now) = get_EMA(g.security[i],g.N5,data) # 如果短均线从下往上穿越长均线，则为金叉信号，标记买入 if ema_short_now > ema_long_now and ema_short_pre < ema_long_pre and context.portfolio.positions[g.security[i]].sellable_amount == 0 : buy[i]=1 return buy #7 # 计算移动平均线数据 # 输入：股票代码-字符串，移动平均线天数-整数 # 输出：算术平均值-浮点数 def get_MA(security_code,days): # 获得前days天的数据，详见API a=attribute_history(security_code, days, '1d', ('close')) # 定义一个局部变量sum，用于求和 sum=0 # 对前days天的收盘价进行求和 for i in range(1,days+1): sum+=a['close'][-i] # 求和之后除以天数就可以的得到算术平均值啦 return sum/days ''' ================================================================================ 每天收盘后 ================================================================================ ''' # 每日收盘后要做的事情（本策略中不需要） def after_trading_end(context): return ```