optimize

为 VectorBT 策略创建参数优化脚本。

参数

按以下格式解析 $ARGUMENTS：策略名称 标的 交易所 周期

• $0 = 策略名称（例如：ema-crossover、rsi、donchian）。默认值：ema-crossover
• $1 = 标的（例如：SBIN、RELIANCE、NIFTY）。默认值：SBIN
• $2 = 交易所（例如：NSE、NFO）。默认值：NSE
• $3 = 周期（例如：D、1h、5m）。默认值：D

如果没有参数，请询问用户要优化哪种策略。

说明

1. 阅读 vectorbt-expert 技能规则，参考其中的模式
2. 如果 backtesting/{strategy_name}/ 目录不存在，则按需创建
3. 在 backtesting/{strategy_name}/ 中创建一个 .py 文件，命名为 {symbol}_{strategy}_optimize.py
4. 脚本必须：
   • 使用 find_dotenv() 从项目根目录加载 .env，并通过 OpenAlgo client.history() 获取数据
   • 如果用户提供 DuckDB 路径，则通过 duckdb.connect(path, read_only=True) 直接加载数据。参见 vectorbt-expert rules/duckdb-data.md。
   • 如果无法导入 openalgo.ta（独立 DuckDB），则使用内联 exrem() 回退实现。
   • 默认对所有指标使用 OpenAlgo ta（绝不使用 VectorBT 内置指标）。只有用户明确提到“talib”或“TA-Lib”时才切换到 TA-Lib
   • 特殊指标始终使用 OpenAlgo ta（例如 Supertrend、Donchian 等）——没有对应的 TA-Lib 指标
   • 使用 ta.exrem() 清理信号（调用 exrem 前始终先执行 .fillna(False)）
   • 为所选策略定义合理的参数范围
   • 使用基于循环的优化，为每组参数收集多个指标
   • 使用 tqdm 显示进度条
   • 印度交割费用：交割股票使用 fees=0.00111, fixed_fees=20
   • 分别按总回报和夏普比率找出最佳参数
   • 按这两项标准分别打印前 10 个结果
   • 生成总回报参数网格的 Plotly 热力图（template="plotly_dark"）
   • 生成夏普比率参数网格的 Plotly 热力图
   • 获取 NIFTY 基准数据，并将最佳参数与基准进行比较
   • 打印策略与基准的对比表
   • 用通俗易懂的语言向普通交易者解释结果
   • 将结果保存为 CSV
5. 代码或日志输出中绝不使用图标或表情符号
6. 对于期货标的，使用适配手数的仓位大小：
   • NIFTY：min_size=65, size_granularity=65
   • BANKNIFTY：min_size=30, size_granularity=30

默认参数范围

策略	参数 1	参数 2
ema-crossover	快速 EMA：5-50	慢速 EMA：10-60
rsi	窗口：5-30	超卖：20-40
donchian	周期：5-50	-
supertrend	周期：5-30	乘数：1.0-5.0

使用示例

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