首先，要感谢VNPY.com论坛 keke分享 海龟策略深入研究-策略回测系列-17 基于遗传算法的信号优化 一文
经过一段时间学习和使用，深感这个是用于交易策略参数优化的优秀方法。这个说一些理解。
优化的对象就是这样一个list数组 [16, 8, 24, 1, 13, 8, 1] ，其实就是交易策略的参数，比如cciWindows，BollDev。类似于DNA。
首先要生成这样一个数组，这里keke做了一个方法，具体就是随机生成一个数组，同时确保每个数在一个范围内。
这里我加了一个数组，针对K线的时间，这样就不会出现7分钟k线这个比较奇怪的情况。
timerange = [2,3,5,10,15,20] bartime = random.choice(timerange
就是设定进化选择，这里就是调用vnpy回测方法，用回测的指标，比如年化收益，sharpe ratio，收益亏损比等。这里建议加入一个清理的，避免多线程问题。我是使用按此统计，而不是按日统计；感觉比较准确 engine.clearBacktestingResult()
然后就是对于这一大堆不同策略数组群体进行遗传进化，包括按照概率任意两个list数组交叉包含的数，生成新的list，类似于繁殖。同时也有一定概率
一个list数字改变；还有就是有一个名人堂(HallofFame)机制，选择几个最好的数组，一直保持在群体里面，其实这些名人堂存在价值变成了后面的参照组。
这里原文是用DEAP原生方法mutUniformInt，在(6,40)直接随机生成一个数字替代原来的。但是考虑之前创建时候，每个是有个范围，可能适合抵押给数字的范围并不适合最后一个，比如k线时间。这里我做了个自己突变方法替代原来的。
tools.mutUniformInt,low = 4,up = 40,indpb=0.6)
def mutArrayGroup(individual,parameterlist, indpb): size = len(individual) parameterlist = parameterlist() for i in xrange(size): if random.random() < indpb: individual[i] = parameterlist[i] return individual, toolbox.register("mutate", mutArrayGroup, parameterlist = parameter_generate, indpb=0.6
这样跑下来就差不多了，如果想要多线程请在toolbox初始化后加入下面代码
import multiprocessing
pool = multiprocessing.Pool(processes=(multiprocessing.cpu_count()-2))
toolbox.register("map", pool.map)
