backtrader版本1.8.12.99改进了在多处理过程中管理data feeds和结果的方式。
注意
两者的行为都已制定
这些选项的行为可以通过两个新的 Cerebro 参数来控制：
-
optdatas（默认值：True）如果
True和优化（和系统可以preload和使用runonce），数据预加载将只在主进程中完成一次，以节省时间和资源。 -
optreturn（默认值：True）如果
True优化结果不是完整的Strategy对象（以及所有数据、指针、 observers ...），而是具有以下属性的对象（与 中Strategy相同）：-
params（或p）运行策略 -
analyzers策略已运行
在大多数场合，只有 analyzers ，以及参数是评估策略性能所需的东西。如果需要对（例如）指针的生成值进行详细分析，请将其关闭
-
Data Feed 管理
在优化方案中，这可能是 Cerebro 参数的组合：
-
preload=True（默认值）在运行任何回溯测试代码之前，将预加载数据费用
-
runonce=True（默认值）指针将在批处理模式下进行计算，而不是逐步进行循环。
如果两个条件都是True 和 optdatas=True，则：
- Data Feeds将在生成新的子进程（负责运行回溯测试的子进程）之前预加载到主进程中
成果管理
在优化场景中，在评估运行每个策略的不同参数时，两件事应该起着最重要的作用：
-
strategy.params（或strategy.p）用于回溯测试的实际值集
-
strategy.analyzers负责评估「战略」实际运行情况的对象。例：
SharpeRatio_A（年化夏普拉蒂奥）
当不是返回完整的策略实例时optreturn=True，将创建占比特元对象，这些对象带有上述两个属性，以便进行评估。
这避免了回传大量生成的数据，例如在回溯测试期间指针生成的值
如果需要完整的策略对象，只需在cerebro实例化期间或运行 cerebro.run时设置optreturn=False即可。
一些测试运行
backtrader源中的优化范例已扩展为添加对optdatas 和 optreturn 的控制（实际上禁用它们）
单核运行
作为参考，当CPU数量限制为1multiprocessing并且不使用模块时会发生什么：
$ ./optimization.py --maxcpus 1 ================================================== ************************************************** -------------------------------------------------- OrderedDict([(u'smaperiod', 10), (u'macdperiod1', 12), (u'macdperiod2', 26), (u'macdperiod3', 9)]) ************************************************** -------------------------------------------------- OrderedDict([(u'smaperiod', 10), (u'macdperiod1', 13), (u'macdperiod2', 26), (u'macdperiod3', 9)]) ... ... OrderedDict([(u'smaperiod', 29), (u'macdperiod1', 19), (u'macdperiod2', 29), (u'macdperiod3', 14)]) ================================================== Time used: 184.922727833
多核运行
在不限制CPU数量的情况下，Pythonmultiprocessing模块将尝试使用所有这些CPU，并将optreturn被禁用。 optdatas
两者兼optdata 而有 optreturn 之
缺省行为：
$ ./optimization.py ... ... ... ================================================== Time used: 56.5889185394
通过多核以及 data feed 和结果改进的总体改进意味着从184.92 几秒钟开始 56.58 。
考虑到样本使用的252 是柱线，指针仅生成点长度的值 252 。这只是一个例子。
真正的问题是，这其中有多少可归因于新行为。
optreturn 关闭
让我们将完整的策略对象传递回调用方：
$ ./optimization.py --no-optreturn ... ... ... ================================================== Time used: 67.056914007
运行时间增加18.50% （或加速 15.62%）到位。
optdatas 关闭
每个子进程都被迫为 data feeds加载自己的一组值：
$ ./optimization.py --no-optdatas ... ... ... ================================================== Time used: 72.7238112637
运行时间增加28.52% （或加速 22.19%）到位。
两者都已停用
仍在使用多核，但具有旧的未改进行为：
$ ./optimization.py --no-optdatas --no-optreturn ... ... ... ================================================== Time used: 83.6246643786
运行时间增加47.79% （或加速 32.34%）到位。
这表明使用多个内核是时间改进的主要贡献者。
注意
运行是在Windows 10 64位下具有i7-4710HQ 16 GB RAM的笔记型电脑中完成的（4核/ 8逻辑）。在其他条件下，里程可能会有所不同
总结
-
优化期间时间减少的最大因素是使用多个内核
-
该范例运行
optdatas并显示周围22.19%和optreturn15.62%每个的加速（32.34%两者都在测试中一起）
示例用法
$ ./optimization.py --help
usage: optimization.py [-h] [--data DATA] [--fromdate FROMDATE]
[--todate TODATE] [--maxcpus MAXCPUS] [--no-runonce]
[--exactbars EXACTBARS] [--no-optdatas]
[--no-optreturn] [--ma_low MA_LOW] [--ma_high MA_HIGH]
[--m1_low M1_LOW] [--m1_high M1_HIGH] [--m2_low M2_LOW]
[--m2_high M2_HIGH] [--m3_low M3_LOW]
[--m3_high M3_HIGH]
Optimization
optional arguments:
-h, --help show this help message and exit
--data DATA, -d DATA data to add to the system
--fromdate FROMDATE, -f FROMDATE
Starting date in YYYY-MM-DD format
--todate TODATE, -t TODATE
Starting date in YYYY-MM-DD format
--maxcpus MAXCPUS, -m MAXCPUS
Number of CPUs to use in the optimization
- 0 (default): use all available CPUs
- 1 -> n: use as many as specified
--no-runonce Run in next mode
--exactbars EXACTBARS
Use the specified exactbars still compatible with preload
0 No memory savings
-1 Moderate memory savings
-2 Less moderate memory savings
--no-optdatas Do not optimize data preloading in optimization
--no-optreturn Do not optimize the returned values to save time
--ma_low MA_LOW SMA range low to optimize
--ma_high MA_HIGH SMA range high to optimize
--m1_low M1_LOW MACD Fast MA range low to optimize
--m1_high M1_HIGH MACD Fast MA range high to optimize
--m2_low M2_LOW MACD Slow MA range low to optimize
--m2_high M2_HIGH MACD Slow MA range high to optimize
--m3_low M3_LOW MACD Signal range low to optimize
--m3_high M3_HIGH MACD Signal range high to optimize