optimize

VectorBT 戦略のパラメーター最適化スクリプトを作成します。

引数

$ARGUMENTS を次の形式で解析します：strategy symbol exchange interval

• $0 = 戦略名（例：ema-crossover、rsi、donchian）。デフォルト：ema-crossover
• $1 = シンボル（例：SBIN、RELIANCE、NIFTY）。デフォルト：SBIN
• $2 = 取引所（例：NSE、NFO）。デフォルト：NSE
• $3 = 時間足（例：D、1h、5m）。デフォルト：D

引数が指定されていない場合は、最適化する戦略をユーザーに尋ねてください。

手順

1. 参考パターンとして vectorbt-expert スキルのルールを読みます
2. backtesting/{strategy_name}/ ディレクトリが存在しない場合は作成します（必要に応じて）
3. backtesting/{strategy_name}/ に {symbol}_{strategy}_optimize.py という名前の .py ファイルを作成します
4. スクリプトでは、次のことを行う必要があります。
   • find_dotenv() を使用してプロジェクトルートの .env を読み込み、OpenAlgo の client.history() でデータを取得する
   • ユーザーが DuckDB のパスを指定した場合は、duckdb.connect(path, read_only=True) でデータを直接読み込む。vectorbt-expert の rules/duckdb-data.md を参照してください。
   • スタンドアロンの DuckDB を使用する場合、openalgo.ta をインポートできなければ、インラインの exrem() フォールバックを使用する
   • デフォルトではすべてのインジケーターに OpenAlgo ta を使用する（VectorBT 組み込みのものは使用しない）。ユーザーが明示的に「talib」または「TA-Lib」と指定した場合に限り、TA-Lib に切り替える
   • 特殊なインジケーター（Supertrend、Donchian など）には必ず OpenAlgo ta を使用する（TA-Lib に同等のものがないため）
   • シグナルのクリーニングには ta.exrem() を使用する（必ず exrem の前に .fillna(False) を適用する）
   • 選択した戦略に適したパラメーター範囲を定義する
   • ループベースの最適化を使用して、各組み合わせの複数の指標を収集する
   • 各組み合わせについて、total_return、sharpe_ratio、max_drawdown、trade_count を記録する
   • 進行状況バーには tqdm を使用する
   • インドの現物株式の手数料：fees=0.00111, fixed_fees=20
   • total return と Sharpe ratio のそれぞれについて最適なパラメーターを見つける
   • それぞれの基準で上位 10 件の結果を表示する
   • パラメーターグリッド全体の total return を示す Plotly ヒートマップを生成する（template="plotly_dark"）
   • Sharpe ratio を示す Plotly ヒートマップを生成する
   • NIFTY ベンチマークを取得し、最適なパラメーターの結果と比較する
   • 戦略とベンチマークの比較表を表示する
   • 通常のトレーダーにも分かる平易な言葉で結果を説明する
   • 結果を CSV に保存する
5. コードやロガーの出力にアイコンや絵文字を使用しないでください
6. 先物シンボルには、ロットサイズを考慮したサイズ設定を使用してください。
   • NIFTY：min_size=65, size_granularity=65
   • BANKNIFTY：min_size=30, size_granularity=30

デフォルトのパラメーター範囲

戦略	パラメーター 1	パラメーター 2
ema-crossover	fast EMA：5～50	slow EMA：10～60
rsi	window：5～30	oversold：20～40
donchian	period：5～50	-
supertrend	period：5～30	multiplier：1.0～5.0

使用例

/optimize ema-crossover RELIANCE NSE D /optimize rsi SBIN