Ottimizzazione vs Adattamento alla storia - pagina 3

 
Vladimir Baskakov:
Beh, di solito è un uomo di parola e di azione

Non è questo il caso, e lui non ha promesso nulla. È un obiettivo così mitico a cui tendere - quando si ottimizza si cerca di calcolare piuttosto che calcolare troppo.

 
Vladimir Baskakov:
C'è un esempio di questo blocco in CodeBase?

Naturalmente, non è un blocco universale. È diverso per ogni strategia. Questo blocco è il 99% del successo e della complessità della strategia. È, in sostanza, l'IA. Questo è ciò su cui Max sta lavorando.

Consideriamo, per esempio, la strategia più semplice con un solo parametro:

  • Un MA.
  • Segnale di acquisto - il prezzo è sotto la linea MA quando la pendenza della MA è positiva.
  • Un segnale di vendita - il prezzo è sopra la linea MA quando la pendenza della MA è negativa.

Naturalmente, possiamo trovare un periodo "ottimale" МА su qualsiasi time frame dove la strategia sarà redditizia su questo periodo.

Più avanti, se non cambiamo questo periodo MA, sarà un drawdown garantito - è solo una questione di tempo.

Per una vera auto-ottimizzazione quando il periodo МА è costantemente rivisto a seconda della situazione del mercato, abbiamo bisogno di questo blocco di AI che, in breve, risolve il compito di riconoscimento dei modelli. Ci sono un googol di opzioni qui.

Per esempio, il più semplice è quello di creare uno spazio di punti a 6 dimensioni. Ogni punto ha 6 coordinate:

  • 1 è il periodo di MA.
  • Il secondo è il tempo.
  • 3° è la densità dei punti di flessione della linea MA per il periodo X
  • 4º - periodo X
  • 5° - Utile (perdita) del periodo Y
  • 6° - periodo Y
Solo la 3a e la 5a coordinata sono calcolate, le altre sono cambiate discretamente con lo stesso passo.

Così si formano delle nuvole a 6 dimensioni che, una volta analizzate(si tratta di una storia più lunga), possono essere "previste" per il periodo di MA corrente richiesto.

La terza coordinata è utile per determinare un flat/trend.

Questa grande quantità di calcoli avviene solo una volta per ogni passaggio di dati storici. Inoltre con ogni nuovo tick (barra) i punti vengono aggiunti solo a questo spazio.

 

Ottimizzazione in avanti con criteri di selezione chiari (e uguali per tutte le corse in avanti) per la selezione delle varianti di ottimizzazione per questa stessa corsa in avanti). In questo caso, si tratta di ottimizzazione, non di adattamento. Se funziona, non ho visto tali Expert Advisors che avrebbero criteri chiari per selezionare le varianti di ottimizzazione e che passerebbero con successo questa ottimizzazione in avanti)).

 
Vladimir Baskakov:
Qual è la differenza fondamentale tra questi concetti?

La corrispondenza storica è un insieme di valori per i parametri di un Expert Advisor che danno i migliori risultati di trading su un certo periodo storico di movimento dei prezzi.

Ora provate a definire l'ottimizzazione.

Sono la stessa cosa?

 
ilmel:

Ottimizzazione in avanti con criteri di selezione chiari (e uguali per tutte le corse in avanti) per la selezione delle varianti di ottimizzazione per questa stessa corsa in avanti. In questo caso, si tratta di ottimizzazione, non di adattamento. Se funziona, non ho visto tali Expert Advisors che hanno criteri precisi per selezionare le opzioni di ottimizzazione e passare con successo questa ottimizzazione in avanti).

Ecco il test in avanti per esempio. Qual è la conclusione?

Test

 
Ottimizzazione e adattamento sono la stessa cosa.
 
Martin_Apis_Bot Cheguevara:
Ottimizzazione e adattamento sono la stessa cosa.
Sembra essere lo stesso se si usano TR e SL
 
Vladimir Baskakov:

Ecco un test in avanti per un esempio. Qual è la conclusione?

Nessuno. avete bisogno di un walk-froward test o di un backtest con un auto-ottimizzatore incorporato per trarre conclusioni.
 
TheXpert:
No. Per le conclusioni hai bisogno di un test walk-froward o di un backtest con un auto-ottimizzatore incorporato.
Uso quello che ho
 

L'ottimizzazione è un concetto più ampio. L'history fitting è uno dei metodi di ottimizzazione (calcolo diretto dei valori della funzione). In sostanza, un EA è una funzione descritta in un modo particolare. Il tester MT calcola i suoi valori.

L'ottimizzazione è una ricerca di un estremo di una funzione per uno o più parametri (questo è ciò che si insegnava all'università, per quanto mi ricordi). Il tester vi offre una serie di valori ma non esegue l'ottimizzazione secondo la definizione - lo fate voi selezionando tra i valori offerti.

PS

Sembra che sia stata posta una domanda, ma un'altra domanda era implicita: come valutare se l'estremo scelto è locale (per un dato intervallo di tempo/campione) o globale.

Sfortunatamente, ho preso una C in statistica con uno stiramento :( Nessun aiuto.

Motivazione: