Gama de optimización
Me gustaría hacer una pregunta sobre el rango de datos utilizado para optimizar los EAs. Es decir, en qué plazos elegir qué rangos. Por ejemplo, para H1, ¿es suficiente optimizar el Asesor Experto en un mes, tres meses o un año de datos? Me gustaría ver estos valores para diferentes plazos y al menos una breve justificación de la elección.
No hay criterios claros; todo el mundo tiene una opinión. Intentaré darle mi opinión.
La optimización a lo largo de toda la historia es un puro autoengaño. Por ello, el intervalo de optimización debe ser al menos la mitad del periodo de prueba. Sin embargo, cuanto menor sea la parte del periodo de prueba que se utilice para la optimización, mejor. Después de seleccionar los parámetros en el intervalo de optimización, ejecute la prueba en el intervalo completo que seleccionó como período de prueba. Puede empezar a "creer" en los resultados obtenidos, si la muestra asciende al menos a 100 operaciones. Pero incluso eso no es suficiente para muchas personas. Está claro que una mayor cantidad de acuerdos da una idea más precisa sobre el sistema. Por ejemplo, puedo "creer" en una muestra de al menos 200 operaciones. 1000 operaciones es lo óptimo, pero no hay límite a la perfección...
Esta cuestión está muy bien tratada por Jezev y Shumsky. Esto es lo que se puede decir resumiendo lo que han hecho:
La tarea de la teoría del aprendizaje no es minimizar el error de aprendizaje, sino minimizar el error de generalización definido para todos los posibles ejemplos futuros. Así es como una TS optimizada tendrá el máximo poder de predicción. Y la dificultad aquí es que es y sólo el error de aprendizaje que es realmente observable. El error de generalización sólo puede estimarse, basándose en algunas consideraciones. El errorde las predicciones del probador sobre los nuevos datos está determinado por la longitud total de la descripción del modelo de los datos, junto con la descripción del propio modelo .
Error de aproximación
Dado que el número de decisiones tomadas por la CT, por regla general, es mucho menor que el número de parámetros ajustados en ella, en este caso el error medio de aproximación se expresará a través del número total de parámetros de ajuste w de la siguiente manera Eapprox= d/w, donde d es el número de parámetros de entrada que analiza la ST. En la gran mayoría de los casos se cumple d=w (todos los parámetros de ajuste se concentran en la entrada del TC).
El principal problema de los algoritmos de aprendizaje, se conoce como el problema del sobreaprendizaje o ajuste a la historia.La esencia de este problema se explica mejor con un ejemplo concreto. Supongamos que los ejemplos de entrenamiento son generados por una función que queremos reproducir. En la teoría del aprendizaje, esta función se denomina profesor. Dado un número finito de ejemplos de entrenamiento, siempre es posible construir la prueba con un error de aprendizaje cero, es decir, con el error definido en el conjunto de ejemplos de entrenamiento. Para ello, hay que tomar un TS con el número de parámetros de ajuste mayor que el número de ejemplos. En efecto, para reproducir cada ejemplo tenemos P ecuaciones para W incógnitas.Y si el número de incógnitas es menor que el número de ecuaciones, dicho sistema está infradeterminado y admite infinitas soluciones. Este es el principal problema: no tenemos suficiente información para elegir la única solución correcta: la función docente. Como resultado, la función seleccionada aleatoriamente produce predicciones pobres en los nuevos ejemplos que no estaban presentes en la muestra de entrenamiento, aunque Tester reprodujo estos últimos en la historia sin error. En lugar de generalizar los ejemplos conocidos, los memorizó. Este efecto se llama sobreaprendizaje.
Error relacionado con la complejidad del modelo.
La descripción de un modelo se reduce básicamente a pasar los valores de sus parámetros sub-ajustados. Para una precisión determinada, esta descripción requerirá unos W bits. En consecuencia, el error específico por ejemplo relacionado con la complejidad del modelo puede estimarse como sigue: Ecomplejo=W/P. Como vemos, disminuye monotónicamente con el aumento del número de ejemplos (longitud de la historia en el entrenamiento).
En efecto, para determinar sin ambigüedad los parámetros de ajuste de mediante P ejemplos dados, es necesario que el sistema de P de ecuaciones debeestar sobredeterminado, es decir, el número de parámetros W debe ser mayor que el número de ecuaciones. Cuanto mayor sea el grado de sobredeterminación, menos dependerá el resultado del aprendizaje de la elección particular de un subconjunto de ejemplos de entrenamiento. El componente de error de generalización definido anteriormente está precisamente relacionado con las variaciones de la solución debido a la finitud del número de ejemplos.
Por lo tanto, estimamos los dos componentes del error de generalización del probador de estrategias: E=Eapprox+ Ecomplex=d/W+W/P>SQRT(d/P).Es importante destacar que estos componentes dependen de forma diferente del número de parámetros de ajuste W, lo que implica que se puede elegir el tamaño óptimo que minimiza el error global. El error mínimo (signo de igualdad) se alcanza en la longitud óptima de los datos históricos que participan en la optimización de la estrategia: P=k*W^2/d=k*W, donde la constante k es aproximadamente igual a 4.
Así, el mínimo error de predicción de un Asesor Experto en la prueba de avance optimizada en el probador de estrategias sobre datos históricos se alcanzará si la longitud de los datos históricos es cuatro veces mayor que el número de parámetros de ajuste en el probador de estrategias.
Si optimizamos 5 parámetros en el probador (por ejemplo, los períodos de Mach), entonces la longitud óptima del historial debería ser tal que el probador utilizara 4*5=20 transacciones en él. Puede llevar de 1 a ...200 días de historia, todo depende de la estrategia adoptada. La reducción de este número conducirá al ajuste del probador a la historia, y el aumento - al deterioro de la calidad de la aproximación y, como consecuencia, al deterioro de la precisión del pronóstico.
Hay muchas formas de conocer este Mundo.
Algunos llegan a conocerlo a través del Amor. Algunos a través de la meditación, etc. Di una forma de estimar el valor del interés a través de la lógica y las matemáticas. Así que su secreto no es un secreto en absoluto, es sólo otra faceta...
P.D. Lo que he comentado anteriormente es sólo un acto de optimización de los parámetros. Para evaluar el rendimiento de un EA optimizado, un punto no es suficiente, es necesario recopilar estadísticas, mientras que el resultado estadísticamente significativo comienza con un centenar de ejecuciones en datos independientes con la sobreoptimización en cada pase ...
Por tanto, la receta para una optimización adecuada en el probador no será sencilla.
Muchas gracias a todos, especialmente a Neutrón por la detallada descripción. Recientemente encontré una idea muy interesante en el foro y estoy trabajando en implementarla en mi código. Al mismo tiempo lo probé en demo y obtuve un resultado bastante bueno, cerca del 150% después de 3 días, pero tengo algunos matices... Para no crear un nuevo tema preguntaré aquí:
Al definir un punto de entrada es necesario averiguar si ya hay una orden abierta en la misma dirección a una distancia de n pips. El siguiente código no funciona pero no puedo entender por qué:
bool buy=true;
for(int cnt=0;cnt<OrdersTotal();cnt++)
{
OrderSelect(cnt, SELECT_BY_POS, MODE_TRADES);
if(OrderType()==OP_BUY && OrderOpenPrice()<=Bid && Bid-OrderOpenPrice()<50*Point) buy=false;
}
si (compra) OrderSend(Symbol(),OP_BUY,0.1,Ask,3,0,0, "MyAdvisor",0,0,Blue);
Como resultado, cuando ejecuto un EA con 10 posibles lotes abiertos, los abre todos desde un punto. Quiero que abra una orden y sólo abra la siguiente si la diferencia entre el precio actual y el precio de la orden abierta actual es superior a 50 pips
a Neutrón
¿se aplican estos dos tipos de errores a cualquier CT o sólo a las redes neuronales?
budimir ¿Elige para la definición de los parámetros las zonas de tendencia? ¿Eliges las líneas de tendencia y las líneas de tendencia laterales?
Selecciono las secciones de tendencia más vivas, y en la sección de ajuste sólo aparecen 20-30 ofertas, mientras que la muestra en la sección de ajuste debería ser de al menos 100-1000 ofertas para
fiabilidad materna - todo esto es una tontería, bueno, digamos que usted tomó una parcela de ajuste, directamente adyacente al futuro, identificó la fase del mercado - una tendencia o es una tendencia lateral o un cambio de dirección, y luego? nada! El mercado NO es estacionario, y no sabemos hacia dónde irá en el futuro!
a ITeXPert > no seas ridículo con lo del 150% en 3 días.
¡y en mi TS puedes conseguir más de una docena de lotes de este tipo en 3 días con el 150% ! :о)
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Hola a todos.
Me gustaría hacer una pregunta sobre el rango de datos utilizado para optimizar los EAs. Es decir, en qué plazos elegir qué rangos. Por ejemplo, para el H1, ¿es suficiente optimizar un EA sobre un mes, tres meses o un año de datos? Me gustaría ver estos valores para diferentes plazos y al menos una breve justificación de la elección. Muchas gracias.