通过调整RSI参数优化交易脚本以获取最优夏普比率

看起来你正在搭建一个基于RSI的趋势跟踪交易系统，想要通过优化rsi_high（当前设为63）和rsi_low（当前设为41）这两个阈值参数来最大化夏普比率——这确实是量化策略调优里很常见的需求。我来给你梳理下可行的优化思路和具体实现方案：

先补全你的基础代码片段 #

首先，我把你提供的截断代码补全（假设rsicalc是用来生成单标的RSI信号的核心函数）：

import numpy as np
import talib as ta

global rsi_high, rsi_low
rsi_high = 63
rsi_low = 41

def rsicalc(prices):
    # 计算14期RSI（可根据策略逻辑调整周期）
    rsi = ta.RSI(prices, timeperiod=14)
    # 生成交易信号：RSI低于rsi_low做多，高于rsi_high做空，否则平仓
    signal = np.where(rsi < rsi_low, 1, np.where(rsi > rsi_high, -1, 0))
    return signal[-1]  # 返回最新一期的信号

def myTradingSystem(DATE, OPEN, HIGH, LOW, CLOSE, VOL, exposure, equity, settings):
    ''' 本系统采用趋势跟踪技术将资金配置到目标标的 '''
    nMarkets = CLOSE.shape[1]  # 获取标的数量
    # 对每个标的应用RSI信号计算逻辑
    signals = np.apply_along_axis(rsicalc, axis=0, arr=CLOSE)
    # 等权重分配仓位（可根据需求调整仓位管理逻辑）
    positions = signals / nMarkets if nMarkets != 0 else np.array([])
    return positions, settings

核心优化思路 #

要找到最优的rsi_high和rsi_low，主要有两种高效的方法：

1. 网格搜索（简单直接，适合小参数范围）

遍历rsi_low和rsi_high的合理取值范围，对每个参数组合运行回测，计算对应的夏普比率，保留最优组合。这里需要注意**rsi_high必须大于rsi_low**，否则策略逻辑会失效。

下面是具体的实现代码（包含夏普比率计算和回测逻辑）：

# 计算年化夏普比率的函数
def calculate_sharpe_ratio(equity_curve):
    returns = np.diff(equity_curve) / equity_curve[:-1]
    # 避免标准差为0的极端情况
    if np.std(returns) == 0:
        return 0
    # 年化处理（假设一年252个交易日）
    return np.mean(returns) / np.std(returns) * np.sqrt(252)

# 网格搜索优化RSI参数
def optimize_rsi_params(DATE, OPEN, HIGH, LOW, CLOSE, VOL, initial_equity=10000):
    best_sharpe = -np.inf
    best_high = rsi_high
    best_low = rsi_low
    
    # 设定参数搜索范围（可根据你的策略逻辑灵活调整）
    rsi_low_range = range(20, 51)   # RSI低位阈值范围：20-50
    rsi_high_range = range(50, 81)  # RSI高位阈值范围：50-80
    
    for low in rsi_low_range:
        for high in rsi_high_range:
            if high <= low:
                continue  # 跳过无效参数组合
            # 更新全局参数
            globals()['rsi_high'] = high
            globals()['rsi_low'] = low
            
            # 模拟回测过程
            exposure = np.zeros(CLOSE.shape[1])
            equity_curve = [initial_equity]
            settings = {}
            
            for i in range(1, len(DATE)):
                # 获取当期仓位
                positions, settings = myTradingSystem(
                    DATE[:i+1], OPEN[:i+1], HIGH[:i+1], LOW[:i+1], 
                    CLOSE[:i+1], VOL[:i+1], exposure, equity_curve[-1], settings
                )
                exposure = positions
                # 计算当期收益（简化版，实际需加入手续费、滑点等交易成本）
                daily_return = np.sum(exposure * (CLOSE[i] - CLOSE[i-1])/CLOSE[i-1])
                equity_curve.append(equity_curve[-1] * (1 + daily_return))
            
            # 计算当前参数组合的夏普比率
            current_sharpe = calculate_sharpe_ratio(np.array(equity_curve))
            
            # 更新最优参数记录
            if current_sharpe > best_sharpe:
                best_sharpe = current_sharpe
                best_high = high
                best_low = low
                print(f"找到更优参数：rsi_low={low}, rsi_high={high}, 夏普比率={current_sharpe:.2f}")
    
    print(f"\n最终最优参数：rsi_low={best_low}, rsi_high={best_high}, 最优夏普比率={best_sharpe:.2f}")
    return best_low, best_high, best_sharpe

# 调用优化函数（传入你的行情数据即可）
# optimize_rsi_params(DATE, OPEN, HIGH, LOW, CLOSE, VOL)

2. 智能优化算法（适合大参数范围，效率更高）

如果参数范围较大，网格搜索会非常耗时，这时可以用遗传算法、粒子群优化（PSO）或者scipy.optimize里的非线性优化函数来快速收敛到最优解。比如用scipy.optimize.minimize（因为我们要最大化夏普比率，等价于最小化负夏普比率）：

from scipy.optimize import minimize

# 定义目标函数（最小化负夏普比率）
def objective(params, DATE, OPEN, HIGH, LOW, CLOSE, VOL, initial_equity):
    low, high = params
    if high <= low:
        return np.inf  # 惩罚无效参数组合
    globals()['rsi_high'] = high
    globals()['rsi_low'] = low
    
    # 模拟回测
    exposure = np.zeros(CLOSE.shape[1])
    equity_curve = [initial_equity]
    settings = {}
    for i in range(1, len(DATE)):
        positions, settings = myTradingSystem(
            DATE[:i+1], OPEN[:i+1], HIGH[:i+1], LOW[:i+1], 
            CLOSE[:i+1], VOL[:i+1], exposure, equity_curve[-1], settings
        )
        exposure = positions
        daily_return = np.sum(exposure * (CLOSE[i] - CLOSE[i-1])/CLOSE[i-1])
        equity_curve.append(equity_curve[-1] * (1 + daily_return))
    
    sharpe = calculate_sharpe_ratio(np.array(equity_curve))
    return -sharpe  # 返回负夏普比率，用于最小化

# 初始参数猜测
initial_guess = [rsi_low, rsi_high]
# 参数约束：high > low
constraints = ({'type': 'ineq', 'fun': lambda x: x[1] - x[0]})
# 参数边界
bounds = [(20, 50), (50, 80)]

# 运行优化
result = minimize(
    objective, initial_guess, 
    args=(DATE, OPEN, HIGH, LOW, CLOSE, VOL, 10000),
    method='SLSQP', bounds=bounds, constraints=constraints
)

best_low, best_high = result.x
best_sharpe = -result.fun
print(f"最优参数：rsi_low={best_low:.0f}, rsi_high={best_high:.0f}, 夏普比率={best_sharpe:.2f}")

关键注意事项 #

• 避免过拟合：优化时一定要用样本外数据验证！比如把行情数据分成训练集（前70%）和测试集（后30%），在训练集上优化参数后，用测试集验证夏普比率是否依然优秀，否则实盘会出现大幅回撤。
• 加入交易成本：回测时必须考虑手续费、滑点等成本，否则优化出来的参数会过于乐观，实际交易中达不到预期收益。
• RSI周期优化：如果有精力，也可以把RSI的timeperiod参数（比如14）加入优化范围，进一步提升策略表现。

内容的提问来源于stack exchange，提问作者Sukhi Kaur