چگونه به کمک کد پایتون یک استراتژی معاملاتی را بهینه کنیم؟ ( بهینه سازی استراتژی معاملاتی با پایتون )

				
					
print("\n🚀 شروع بهینه‌سازی پیشرفته چهارپارامتر با Heatmap")
print("="*80)

# 1. ایجاد موتور بکتست
bt = Backtest(train_data, SMACrossWithSLTP,
                cash=10000000,
                commission=.002,
                exclusive_orders=True)

# 2. تعریف فضای پارامترها برای بهینه‌سازی
# می‌توان از range، لیست یا tuple استفاده کرد
param_grid = {
    'n1': range(10, 35, 5),   # 10, 15, 20, 25, 30
    'n2': range(40, 110, 10), # 40, 50, 60, 70, 80, 90, 100
    'sl': [0.03, 0.05, 0.07, 0.10],  # حد ضرر: 3%, 5%, 7%, 10%
    'tp': [0.10, 0.15, 0.20, 0.25]   # حد سود: 10%, 15%, 20%, 25%
}

# 3. محاسبه تعداد کل ترکیبات
total_combinations = 1
for key in param_grid:
    total_combinations *= len(param_grid[key])

print(f"📊 فضای جستجو: {total_combinations} ترکیب پارامتر ممکن")
print("⏳ در حال اجرای بهینه‌سازی (این مرحله ممکن است چند دقیقه طول بکشد)...")

# 4. اجرای بهینه‌سازی
# maximize: معیاری که می‌خواهیم ماکزیمم شود
# constraint: قیدهایی که پارامترها باید رعایت کنند
# return_heatmap: برای تولید Heatmap
# max_tries: محدود کردن تعداد تست‌ها برای سرعت بیشتر (اختیاری)
optimization_stats, heatmap = bt.optimize(
    **param_grid,
    maximize='Sharpe Ratio',  # هدف: ماکزیمم کردن نسبت شارپ
    constraint=lambda p: p.n2 > p.n1,  # SMA بلند > SMA کوتاه
    return_heatmap=True,
    max_tries=500,  # فقط ۵۰۰ ترکیب را تست کن (برای سرعت)
    random_state=42   # برای تکرارپذیری نتایج
)

print("✅ بهینه‌سازی تکمیل شد!")

# 5. نمایش بهترین پارامترهای یافت شده
print("\n" + "="*80)
print("🎯 بهترین پارامترهای یافت شده:")
print("="*80)
print(f"📊 SMA کوتاه (n1): {optimization_stats['_strategy'].n1}")
print(f"📊 SMA بلند (n2): {optimization_stats['_strategy'].n2}")
print(f"🛑 حد ضرر (SL): {optimization_stats['_strategy'].sl*100:.1f}%")
print(f"🎯 حد سود (TP): {optimization_stats['_strategy'].tp*100:.1f}%")
print(f"\n📈 عملکرد با پارامترهای بهینه:")
print(f"   بازده: {optimization_stats['Return [%]']:.2f}%")
print(f"   نسبت شارپ: {optimization_stats['Sharpe Ratio']:.3f}")
print(f"   حداکثر افت سرمایه: {optimization_stats['Max. Drawdown [%]']:.2f}%")
print(f"   تعداد معاملات: {optimization_stats['# Trades']}")
print(f"   Win Rate: {optimization_stats['Win Rate [%]']:.1f}%")

# 6. تحلیل Heatmap
print("\n" + "="*80)
print("🔥 تحلیل Heatmap")
print("="*80)

if heatmap is not None and len(heatmap) > 0:
    # Convert heatmap to DataFrame if it's a Series
    if isinstance(heatmap, pd.Series):
        print("⚠️  Heatmap به صورت Series بازگشته است. در حال تبدیل به DataFrame...")
        # Convert Series to DataFrame
        heatmap_df = heatmap.to_frame('Sharpe Ratio').reset_index()
        # Rename columns appropriately
        heatmap_df.columns = ['n1', 'n2', 'sl', 'tp', 'Sharpe Ratio']
        # For backward compatibility, we'll use this as our main heatmap object
        heatmap = heatmap_df
        print(f"✅ تبدیل انجام شد. Heatmap شامل {len(heatmap)} ترکیب پارامتر است.")
    elif isinstance(heatmap, pd.DataFrame):
        print(f"📊 Heatmap شامل {len(heatmap)} ترکیب پارامتر تست شده است.")
    else:
        print(f"❌ نوع داده Heatmap نامشخص است: {type(heatmap)}")
        heatmap = pd.DataFrame()  # Create empty DataFrame to avoid further errors
    
    # Only proceed if we have data
    if len(heatmap) > 0:
        # مرتب کردن بر اساس نسبت شارپ
        # Check if 'Sharpe Ratio' column exists
        if 'Sharpe Ratio' in heatmap.columns:
            heatmap_sorted = heatmap.sort_values(by='Sharpe Ratio', ascending=False)
        else:
            # If Sharpe Ratio is in the index or Series values
            heatmap_sorted = heatmap.sort_values(ascending=False) if isinstance(heatmap, pd.Series) else heatmap
        
        # نمایش ۱۰ ترکیب برتر از Heatmap
        print("\n🏆 ۱۰ ترکیب برتر از Heatmap (بر اساس Sharpe Ratio):")
        print("-"*80)

        # Display top 10 results
        for i in range(min(10, len(heatmap_sorted))):
            if isinstance(heatmap_sorted, pd.DataFrame):
                row = heatmap_sorted.iloc[i]
                # Check if parameters are in columns or index
                if 'n1' in heatmap_sorted.columns:
                    n1 = row['n1']
                    n2 = row['n2']
                    sl = row['sl'] if 'sl' in row else row.get('sl', 0)
                    tp = row['tp'] if 'tp' in row else row.get('tp', 0)
                    sharpe = row['Sharpe Ratio'] if 'Sharpe Ratio' in row else row[0]
                    returns = row['Return [%]'] if 'Return [%]' in row else 'N/A'
                else:
                    # Parameters might be in the index
                    params = row.name
                    n1, n2, sl, tp = params
                    sharpe = row['Sharpe Ratio'] if 'Sharpe Ratio' in row else row[0]
                    returns = row['Return [%]'] if 'Return [%]' in row else 'N/A'
            else:
                # If it's a Series
                params = heatmap_sorted.index[i]
                if isinstance(params, tuple) and len(params) >= 4:
                    n1, n2, sl, tp = params[:4]
                else:
                    n1, n2, sl, tp = i, i, 0, 0
                sharpe = heatmap_sorted.iloc[i]
                returns = 'N/A'
            
            print(f"{i+1:2d}. SMA({int(n1):2d}/{int(n2):3d}) SL:{float(sl)*100:4.1f}% TP:{float(tp)*100:5.1f}% | Sharpe: {float(sharpe):.3f}")
        
        # محاسبه پراکندگی نتایج (برای تشخیص اورفیتینگ)
        try:
            if isinstance(heatmap, pd.DataFrame) and 'Sharpe Ratio' in heatmap.columns:
                sharpe_values = heatmap['Sharpe Ratio']
                sharpe_std = sharpe_values.std()
            else:
                sharpe_values = heatmap if isinstance(heatmap, pd.Series) else None
                sharpe_std = sharpe_values.std() if sharpe_values is not None else 0
            
            print(f"\n📐 پراکندگی نتایج در Heatmap:")
            print(f"   انحراف معیار Sharpe Ratio: {sharpe_std:.3f}")
            
            # اگر انحراف معیار بسیار بالا باشد، نشانه حساسیت زیاد به پارامترهاست (خطر اورفیتینگ)
            if sharpe_std > 0.5:
                print("   ⚠️  هشدار: پراکندگی Sharpe بالا است. استراتژی ممکن است به پارامترها بیش از حد حساس باشد.")
            else:
                print("   ✅ پراکندگی متوسط است. استراتژی از پایداری نسبی برخوردار است.")
        except Exception as e:
            print(f"   ⚠️  خطا در محاسبه پراکندگی: {e}")
        
        # 7. ایجاد Heatmap مصور برای دو پارامتر اصلی (n1, n2)
        print("\n🎨 در حال ایجاد Heatmap مصور برای SMA کوتاه و بلند...")
        
        try:
            # استخراج نتایج برای n1 و n2 (با میانگین‌گیری روی sl و tp)
            simple_heatmap_data = []
            
            # Extract data based on heatmap type
            if isinstance(heatmap, pd.DataFrame):
                for idx, row in heatmap.iterrows():
                    if isinstance(idx, tuple) and len(idx) >= 4:
                        # Parameters are in the index
                        n1, n2, sl, tp = idx[:4]
                        sharpe = row['Sharpe Ratio'] if 'Sharpe Ratio' in row else row[0]
                        returns = row['Return [%]'] if 'Return [%]' in row else 0
                    else:
                        # Parameters are in columns
                        n1 = row['n1'] if 'n1' in row else 0
                        n2 = row['n2'] if 'n2' in row else 0
                        sl = row['sl'] if 'sl' in row else 0
                        tp = row['tp'] if 'tp' in row else 0
                        sharpe = row['Sharpe Ratio'] if 'Sharpe Ratio' in row else row[0]
                        returns = row['Return [%]'] if 'Return [%]' in row else 0
                    
                    simple_heatmap_data.append({
                        'n1': n1,
                        'n2': n2,
                        'Sharpe': sharpe,
                        'Return': returns
                    })
            else:
                # If heatmap is a Series
                for (n1, n2, sl, tp), sharpe in heatmap.items():
                    simple_heatmap_data.append({
                        'n1': n1,
                        'n2': n2,
                        'Sharpe': sharpe,
                        'Return': 0  # Return data not available in Series
                    })
            
            if simple_heatmap_data:
                simple_df = pd.DataFrame(simple_heatmap_data)
                
                # محاسبه میانگین برای هر ترکیب n1, n2
                pivot_sharpe = simple_df.pivot_table(values='Sharpe', index='n1', columns='n2', aggfunc='mean')
                
                # رسم Heatmap
                fig, ax1 = plt.subplots(1, 1, figsize=(10, 8))
                
                # Heatmap برای Sharpe Ratio
                im1 = ax1.imshow(pivot_sharpe.values, cmap='RdYlGn', aspect='auto')
                ax1.set_xticks(range(len(pivot_sharpe.columns)))
                ax1.set_xticklabels([str(int(col)) for col in pivot_sharpe.columns])
                ax1.set_yticks(range(len(pivot_sharpe.index)))
                ax1.set_yticklabels([str(int(row)) for row in pivot_sharpe.index])
                ax1.set_xlabel('Long SMA (n2)')
                ax1.set_ylabel('Short SMA (n1)')
                ax1.set_title('Heatmap: Sharpe ratio average based on SMA parameters')
                plt.colorbar(im1, ax=ax1, label='Sharpe Ratio')
                
                # اضافه کردن اعداد در هر خانه
                for i in range(len(pivot_sharpe.index)):
                    for j in range(len(pivot_sharpe.columns)):
                        ax1.text(j, i, f"{pivot_sharpe.iloc[i, j]:.2f}",
                                ha="center", va="center", color="black", fontsize=8)
                
                plt.tight_layout()
                plt.savefig('heatmap_analysis.png', dpi=150, bbox_inches='tight')
                print(f"📈 Heatmap مصور در فایل 'heatmap_analysis.png' ذخیره شد.")
                plt.show()
            else:
                print("❌ داده‌ای برای ایجاد Heatmap وجود ندارد.")
                
        except Exception as e:
            print(f"❌ خطا در ایجاد Heatmap مصور: {e}")
            import traceback
            traceback.print_exc()
    
else:
    print("❌ Heatmap تولید نشد یا خالی است.")