self.am = ArrayManager(10)

请教一下，我现在回测一个策略，里面用到rsi指标（用的是vnpy自带的用talib生成的rsi指标）。现在发现：self.am的初始化长度，对回测结果影响很大。

原因我理解是：

1. talib的rsi指标是路径依赖的，初始化长度，会影响回测期间的rsi指标值（虽然大致会差不多，但在用rsi指标突破阈值作为开平仓的时候还是影响比较明显）；
2. 我的策略里还带了一些浮动止盈的机制。这样初始化时间长度不一样，会导致回测的初始持仓不同。然后浮动止盈机制又会导致后续持仓都不一样。比如都是从2022/1/1开始回测，preload 5天和20天，会生成不同的2022/1/21的持仓（因为preload 5天的情况下，1/21可能已经止盈了，但preload 20天的时候，只是刚刚开始判断是否开仓）。

所以想请教一下，怎么解决这个初始化长度不同产生的回测影响？
（或者说，如果不好解决的话，是不是意味着这种策略的稳定性本身就不行？）

谢谢

ArrayManager用更长窗口即可，只要缓存数据足够长talib.RSI的计算结果也能几乎收敛稳定

MTF wrote:

ArrayManager用更长窗口即可，只要缓存数据足够长talib.RSI的计算结果也能几乎收敛稳定

明白了，谢谢大佬

你设置太短的时候，可能数据不够用。根据你的参数估算你需要的窗口就好了

你提到的初始化长度对回测结果的影响确实是一个常见的问题，尤其是在使用路径依赖的技术指标（如RSI）时。以下是一些解决这个问题的建议：

1. 增加初始化长度

• 你可以尝试增加ArrayManager的初始化长度，以确保在回测开始时，技术指标（如RSI）已经稳定。通常，建议将初始化长度设置为指标计算所需的最大窗口长度的2-3倍。例如，如果你的RSI窗口长度为14，可以将ArrayManager的长度设置为30或40。

self.am = ArrayManager(40)  # 假设RSI窗口长度为14

2. 使用预热期

• 在策略开始回测之前，设置一个预热期（warm-up period），在这段时间内不进行交易，只用于计算和稳定技术指标。这样可以确保在回测正式开始前，所有指标都已经基于足够的历史数据进行了计算。

def on_init(self):
    self.am = ArrayManager(40)  # 初始化长度
    self.warm_up_period = 30    # 预热期长度
    self.load_bar(self.warm_up_period)  # 加载预热期数据

3. 忽略初始化阶段的数据

• 在策略中增加逻辑，忽略初始化阶段的数据，直到ArrayManager中的数据足够稳定。可以通过检查ArrayManager的inited属性来判断是否已经初始化完成。

def on_bar(self, bar: BarData):
    self.am.update_bar(bar)
    if not self.am.inited:
        return  # 忽略初始化阶段的数据
    # 正常策略逻辑

4. 参数敏感性分析

• 进行参数敏感性分析，评估不同初始化长度对策略绩效的影响。如果策略对初始化长度非常敏感，可能需要重新评估策略的稳定性，或者考虑使用其他不依赖于历史路径的指标。

5. 策略稳定性评估

• 如果策略对初始化长度非常敏感，可能意味着策略本身存在一定的稳定性问题。在这种情况下，建议重新审视策略逻辑，考虑是否可以通过其他方式（如使用不同的技术指标或调整交易规则）来提高策略的稳定性。

总结

初始化长度对回测结果的影响是可以通过增加初始化长度、设置预热期、忽略初始化阶段数据等方式来缓解的。如果策略对初始化长度非常敏感，可能需要重新评估策略的稳定性，并考虑进行参数敏感性分析。

希望这些建议对你有所帮助！

 
-- 以上回答来自VeighNa AI