Backtesting.py中优化函数触发止损断言错误的分析与解决

问题背景

在使用Backtesting.py进行量化策略回测时，开发人员经常会遇到需要优化策略参数的情况。项目中提供的bt.optimize()函数是一个非常实用的工具，它允许我们通过网格搜索或贝叶斯优化等方法自动寻找最佳参数组合。然而，在处理某些特定股票（如高波动性的杠杆ETF UPRO和TQQQ）时，这个优化过程可能会意外中断并抛出断言错误。

错误现象

当使用bt.optimize()函数对止损(sl)和止盈(tp)参数进行优化时，系统会报出以下关键错误：

AssertionError: 
File backtesting\backtesting.py:655, in Trade.__set_contingent
assert price is None or 0 < price < np.inf

这个错误表明，在设置止盈止损价格时，系统检测到了一个无效的价格值（可能是负数或无限大），从而触发了断言失败。

问题根源分析

经过深入分析，我们发现这个问题的产生与以下几个因素有关：

1. 高波动性股票的特性：UPRO和TQQQ这类杠杆ETF具有极高的日内波动性，在优化过程中生成的某些参数组合可能导致计算出的止损/止盈价格超出合理范围。

2. 优化参数范围设置：代码中使用了slcoef=[i/10 for i in range(10, 31)]和TPSLRatio=[i/10 for i in range(10, 31)]这样的参数范围，对于某些极端行情，这些参数可能导致止损价格计算为负值。

3. 价格验证机制：Backtesting.py内部有一个严格的验证机制，确保所有交易价格都是有效正数（0 < price < ∞）。当优化过程生成的参数导致价格计算超出这个范围时，就会触发断言错误。

解决方案

针对这个问题，我们有以下几种解决方案：

方案一：限制优化参数范围

# 调整参数范围，避免生成极端参数
lower_b = 10
upper_b = 21  # 从31调整为21，缩小参数范围
stats, heatmap = bt.optimize(
    slcoef=[i/10 for i in range(lower_b, upper_b)],
    TPSLRatio=[i/10 for i in range(lower_b, upper_b)],
    maximize='Return [%]', 
    max_tries=600,
    random_state=0,
    return_heatmap=True
)

方案二：添加参数约束条件

# 添加constraint参数，确保sl和tp的合理性
def constraint(params):
    return params.slcoef > 0 and params.TPSLRatio > 0

stats, heatmap = bt.optimize(
    slcoef=[i/10 for i in range(10, 31)],
    TPSLRatio=[i/10 for i in range(10, 31)],
    constraint=constraint,
    maximize='Return [%]',
    max_tries=600,
    random_state=0,
    return_heatmap=True
)

方案三：修改策略逻辑

在策略类中添加价格验证逻辑，确保计算出的止损止盈价格始终有效：

class MyStrat(Strategy):
    def next(self):
        # 原有策略逻辑...
        if self.position:
            # 计算止损止盈时添加验证
            sl_price = max(0.01, current_price * (1 - sl_coef))  # 确保不小于0.01
            tp_price = current_price * (1 + tp_ratio)
            self.position.sl = sl_price
            self.position.tp = tp_price

最佳实践建议

1. 参数范围选择：对于高波动性品种，应该谨慎选择优化参数的范围，避免生成过于激进的参数组合。

2. 异常处理：在策略实现中添加适当的异常处理逻辑，确保即使某些参数组合不理想，优化过程也能继续运行。

3. 数据分段测试：可以先在小样本数据上测试优化过程，确认无误后再扩展到全量数据。

4. 参数约束：充分利用optimize()函数的constraint参数，排除不合理的参数组合。

总结

Backtesting.py中的断言错误实际上是一种保护机制，防止使用无效参数进行回测。通过合理设置优化参数范围、添加约束条件或修改策略逻辑，我们可以有效避免这类问题的发生。对于高波动性品种的回测，特别需要注意参数设置的合理性，确保生成的止损止盈价格始终处于有效范围内。