Asesor para un artículo. Pruebas para todos los interesados. - página 7
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Así que la optimización ya pasa por ellos, ¿dónde más se van a desviar?
Se trata de introducir errores insignificantes durante la optimización, es decir, los valores de los parámetros de entrada se distorsionarán ligeramente de forma aleatoria y se supone que evita que el algoritmo genético se fije en falsos extremos con descensos pronunciados. Al mismo tiempo, para los extremos con pendientes suaves, las pequeñas distorsiones también tendrán un pequeño efecto en el algoritmo de optimización.
Por ejemplo, si un extremo tiene coordenadas en forma de valores de los parámetros de entrada x, y, z y la función de aptitud profit = f(x, y, z) entonces x ± delta, y ± delta, z ± delta donde delta es una pequeña distorsión para los valores de los parámetros de entrada, para los falsos extremos la desviación de la función de aptitud afectará al resultado final significativamente mientras que para los extremos con pendientes suaves la desviación de la función de aptitud no será significativa.
Esto es análogo al tráfico rodado: si la carretera es estrecha y resbaladiza, es difícil circular por ella sin salir volando por el arcén, un extremo falso, es decir, inestable. Si la carretera es ancha y está bien pavimentada, se puede conducir con facilidad, un extremo más verdadero, es decir, estable. Introducimos pequeñas desviaciones en la dirección y ya no es posible conducir por una carretera estrecha y resbaladiza en las curvas: cortamos los falsos extremos. Dado que encontrar los extremos de las funciones multidimensionales es muy parecido a subir por varios senderos, la analogía es bastante acertada.
Así, teóricamente, el algoritmo genético tratará de evitar los falsos extremos, ya que sus descendientes como cromosomas no encajarán en los giros y tratará de maximizar en los estables.
Después de la optimización, las distorsiones de los parámetros de entrada deben desactivarse.
Después de la optimización, hay que desactivar la distorsión de los parámetros de entrada.
Tal vez no debería haberlos excluido. Pueden dar límites de confianza
Después de la optimización, las distorsiones de los parámetros de entrada deben desactivarse.
Tal vez no debería descartarlos, señor. Pueden dar límites de confianza
¿Por qué se necesitan distorsiones en el comercio? Tal vez los encienda para tener una reducción de más/menos un kilómetro, pero no necesito tal placer. La tarea consiste únicamente en cortar una gran parte de los extremos inestables durante la optimización.
Tal vez no debas descartarlos. Pueden dar límites de confianza
El Sr. Yuri, ¿y el artículo? ¿Cuándo se publicará?
Me encantaría leer su trabajo para el fin de semana.
Buena suerte.
Me encantaría leer su trabajo para el fin de semana.
Buena suerte.
Es todo friki, algunas fórmulas, algunas palabras friki, imágenes para darle más importancia.
Prefiero leer una historia de detectives.
Se trata de introducir errores insignificantes durante la optimización, es decir, los valores de los parámetros de entrada se distorsionarán ligeramente de forma aleatoria y se supone que evita que el algoritmo genético se fije en falsos extremos con descensos pronunciados. Al mismo tiempo, para los extremos con pendientes suaves, las pequeñas distorsiones también tendrán un pequeño efecto en el algoritmo de optimización.
Por ejemplo, si un extremo tiene coordenadas en forma de valores de los parámetros de entrada x, y, z y la función de fitness profit = f(x, y, z) entonces x ± delta, y ± delta, z ± delta donde delta es una pequeña distorsión para los valores de los parámetros de entrada, para los falsos extremos la desviación de la función de fitness afectará significativamente al resultado final mientras que para los extremos con pendientes suaves la desviación de la función de fitness no será significativa.
Esto es análogo al tráfico rodado: si la carretera es estrecha y resbaladiza, es difícil circular por ella sin salir volando hacia el lado de la carretera, un extremo falso, es decir, inestable. Si la carretera es ancha y está bien pavimentada, se puede conducir con facilidad, un extremo más verdadero, es decir, estable. Introducimos pequeñas desviaciones en la dirección y ya no es posible conducir por una carretera estrecha y resbaladiza y encajar en las curvas: cortamos los falsos extremos. Dado que encontrar los extremos de las funciones multidimensionales es muy parecido a subir por varios senderos, la analogía es bastante apropiada.
Así, el algoritmo genético, en teoría, tratará de evitar los falsos extremos porque sus descendientes como cromosomas no entrarán en los giros y tratará de maximizar en los estables.
Después de la optimización, hay que desactivar las distorsiones de los parámetros de entrada.
no distorsione nada accidentalmente. Esto lo hace el propio AG mediante el mecanismo de mutación. La optimización es necesaria para comprobar la solidez de cada opción individual, no para buscar extremos globales. Si una opción no cumple los requisitos, entonces este filtro, o elemento del conjunto (dependiendo de cuál sea el parámetro) debe ser revisado o descartado por completo.
El AG sólo es necesario para un punto de referencia inicial - para elegir los valores de los opts que más o menos funcionan, para fijarlos y luego comprobar cada opt por separado.
El avance es necesario en cualquier caso. ¿De qué otra manera podemos estimarlo?
No se necesita un delantero en absoluto si se analizan correctamente los mayoristas.
La esencia del avance es evaluar si los extremos de los parámetros optimizados flotan en el tiempo. Es decir, cortar las variantes cuando hay varios extremos locales en toda la sección de pruebas (optimización + autofsample). Se puede cortar mucho mejor a través de un análisis separado para cada opción de su singularidad extrema y monotonicidad. Es decir, ya es una garantía de que una opción no "flota" en el tiempo. Y el forward tiene una grave desventaja: sólo considera puntos individuales en la superficie de optimización y no en el conjunto. Eso, unido a la división fonónica de las parcelas en optimización y automuestras, reduce la fiabilidad estadística de esos análisis por debajo del zócalo) Es sólo una realización - tal vez uno tendrá la suerte de seleccionar una auto muestra y un conjunto de opciones de mierda será pasado, o viceversa - una auto muestra caerá en un período de reducción temporal de un "buen" conjunto de opciones.
Pero en cualquier caso repito que la tarea de optimización es evaluar la robustez de cada parámetro del sistema. En caso de duda, es mejor descartarla o modificarla. Deje sólo lo que esté respaldado al 100% por las estadísticas y la lógica comercial.