最適化範囲 - ページ 6 1234567 新しいコメント Avals 2009.03.04 10:07 #51 ITeXPert писал(а)>> みなさん、こんにちは。 EAの最適化に使用するデータ範囲について質問させてください。つまり、どのタイムフレームで、どのレンジを選択するかということです。例えば、H1の場合、Expert Advisorは1ヶ月、3ヶ月、1年のデータで最適化すればよいのでしょうか。異なる時間軸でのこれらの値と、少なくともその選択の簡単な裏付けが欲しいところです。ありがとうございました。 まず、自分にとって最適化とは何かを考える必要があります。ゼロからシステムを構築して、過去X日／X年分の最適化を図ろうとすると、フィット感がなくなり、そのままゴミ箱行きになります。最適化範囲が案件数で決まっている場合も同じです。TSに実装された方法は、長い時間（長ければ長いほど良い）、できれば異なるシンボルで動作する必要があります。しかし、その作業とは、固定されたパラメータでお金を削ることではありません。適応性があること。つまり、その最適なパラメータは、最も近い履歴に調整されたパラメータを使って稼ぐことができるほど、ゆっくりと均等に変化する必要があるということです。あるいは、マーケットがあなたのシステムに合わない場合、時間的に取引を中断することもできます。そのためには、どのパラメータをどの範囲で最適化するのが合理的なのか、また、システム拒絶の基準（例えば、最適化期間中にあらかじめ定義されたゾーン内に最適値が存在しない場合）を知っておく必要があります。つまり、システムの適用範囲や最適化の境界を知る必要があるのですが、これはテストや取引履歴から知ることができます。個々の最適なパラメータではなく、手法のロバスト性を実現することが必要である。そのためには、個別のランを分析するのではなく、パラメータの最適な範囲内での挙動と、その範囲内での最適なパラメータの挙動の時間的なダイナミクスを分析する必要があります。 Rider 2009.03.04 10:17 #52 Avals >> : 同じことを話していなかったような気がする :(( Dmitriy 2009.03.04 11:22 #53 Avals >> : ...つまり、その最適なパラメータは、最も近い履歴に調整されたパラメータを使用して、あなたがお金を稼ぐのに十分なほどゆっくりと均等に変化する必要があるということです。あるいは、マーケットが自分のシステムに合わない場合は、時間内に取引を停止することもできます。そのためには、どのパラメータをどの範囲で最適化するのが合理的か、また、システムの放棄の基準（例えば、最適化期間中に所定のゾーン内に最適値がない場合）を知る必要があります。 最適なパラメータはゆっくりと変化するはずで、市場は静止しておらず、また、いつでも これらのパラメータとその限界は大きく変化する可能性があります)。 Rider 2009.03.04 11:26 #54 budimir >> : 最適なパラメータはゆっくりと変化するはずで、市場は静止しておらず、また、いつでも これらのパラメータとその限界は大きく変化する可能性があります)。 そこがポイントです :))) Avals 2009.03.04 11:30 #55 budimir писал(а)>> 最適なパラメータはゆっくりと変化するはずであり、市場は静止しておらず、またいつでも これらのパラメータとその限界は大きく変化する可能性があります :-o) そのために、システム放棄の基準があり、ほとんどの場合、エクイティで表現される前に行うことができます。また、ショートがうまくいかない場合、ロングだけのトレードを禁止する人はいませんし、その逆も同様です ;)このようなことは、トレーディング・パラメーターのエクイティの変化だけで判断しなければ、やがて可能になる。 Victor Nikolaev 2009.03.04 11:39 #56 最近は、安定係数のようなものを使うようにしています。 例えば、1年間最適化し、各月ごとに成長係数（1ヶ月あたりのDEPOの増加量）をカウントします。係数の最大値と最小値を算出します。その比率を安定係数という。1に傾くのであれば、それは理想的なバリアントと言えるでしょう。また、最小係数は1より大きいことが望ましい。すべてのパラメータがファイルに保存されます。これだけのものをまともな形で作る時間はない。自分の掲示板に掲載したい。 Avals 2009.03.04 11:44 #57 Vinin писал(а)>> 最近は、安定係数のようなものを使うようにしています。 例えば、1年間最適化し、各月ごとに成長係数（1ヶ月あたりのDEPOの増加量）をカウントします。係数の最大値と最小値を算出します。その比率を安定係数という。1に傾くのであれば、それは理想的なバリアントと言えるでしょう。また、最小係数は1より大きいことが望ましい。すべてのパラメータがファイルに保存されます。これだけのものをまともな形で作る時間はない。自分の掲示板に掲載したい。 IMHOの欠点は、月、年という固定された時間範囲にあります。そのため、私はNeutronと 同意見です。パラメータを比較するためには、一定の取引数を使用すべきです。そうすれば、DEPO（利益）の増加だけでなく、例えばプロフィットファクターを比較することによって利益/リスクを計算することができます。 Victor Nikolaev 2009.03.04 11:48 #58 Avals писал(а)>> IMHOのデメリットは、月、年という固定されたタイムフレームにあります。この点で、私は中性子に 同意する - 取引の固定数でインデックスを比較し、その後、例えば利益率を比較し、DEPO（利益）の増加だけでなく、利益/リスクをカウントすることができます。 システムは常に改善される可能性があります。基準さえあれば。 Rider 2009.03.04 12:44 #59 Vinin >> : ...... 基準があれば、いつでも。 そこがポイントです :) 「最適化の名著」を読んでも、誰もが自分の基準を自分で調整する............。すべての質問に答えはない......どこかで誰かが働き、どこかで誰かが働かない......等々......。 残念ながら、私はこれらを計算できるような統計数学的な装置を持っていないのですが、それも役に立たないと思うのです。 Neutron 2009.03.04 12:59 #60 一般的にStrategy Testerのオプティマイザーを俯瞰してみると、Neural Networkと変わらないことがわかると思います。確かに、我々はカスタマイズ可能なパラメータの一定量、使用される指標の一定数と、ロングまたはショートにポジションを開くために私たちに信号を送る1つの出力を持っています。原則として、調整可能なパラメータの数は指標（入力）の数と同じであり、古典的な単層ペルセプトロンの変種である。しかし、私たちはそれを知らずに、それでも積極的に取引に利用しているのです。そして、NSで作業する際に使用される装置をよりよく知ることができれば、パラメータ最適化における標準誤差や最適でない動作を回避することができるようになります。例えば、単層ペルセプロンは最適な近似器ではなく、その結果、この定式化ではTSの収益性の観点からMTSの最良の結果を得ることは原理的に不可能であるため、このことから直ちに戦略テスターの限界がわかります。 NSの場合、あらかじめ決められた履歴の長さに対して最適なフィッティングパラメータ数を導き出すのですが、それを考慮しないとパラメータの過剰最適化の影響が出ます（前述しました）。テスターが履歴を記憶し、フォワードテストで預金がなくなるという問題は、すべてここからきているのです。さらに、2層ペルセプトロンが万能近似器であることを考慮すれば、使用する指標間のどんな狡猾なリンク（乗算、除算などがあるもの）を持つTSも、力を失うことなく同じ指標の加重和に還元でき、これが古典的NSアーキテクチャであり、世界で最も有効なパラメータ最適化の方法である後退誤差伝搬法が使えるのである。テスターで使われている単純なブルートフォースや遺伝的アルゴリズムと 比較しても、明らかに桁違いに速いんです。しかも、このような新しいアーキテクチャへの移行は、何も難しいことはなく、指標となるシグナルの合計を取り、最適な重みを見つけるだけでよいのです。 私たちは、人工知能やそれに関連するもの、特にNSに対して非常に懐疑的です。 しかし、私たちはこの知識領域をあらゆる段階で暗黙的に利用していることに気づいていません。戦略テスターにおける最適化です私たちは、この部分を手探りという最もサブオプティマムな方法で開拓しています。 それゆえ、一連のテストの中で「悪い」パスを捨てたいなどと思うことがよくある。実は、世の中はもっとシンプルで、やることは何もないのですが、手法の適用範囲とその限界を知っていればいいのです。 1234567 新しいコメント 取引の機会を逃しています。 無料取引アプリ 8千を超えるシグナルをコピー 金融ニュースで金融マーケットを探索 新規登録 ログイン スペースを含まないラテン文字 このメールにパスワードが送信されます エラーが発生しました Googleでログイン WebサイトポリシーおよびMQL5.COM利用規約に同意します。 新規登録 MQL5.com WebサイトへのログインにCookieの使用を許可します。 ログインするには、ブラウザで必要な設定を有効にしてください。 ログイン/パスワードをお忘れですか？ Googleでログイン
みなさん、こんにちは。
EAの最適化に使用するデータ範囲について質問させてください。つまり、どのタイムフレームで、どのレンジを選択するかということです。例えば、H1の場合、Expert Advisorは1ヶ月、3ヶ月、1年のデータで最適化すればよいのでしょうか。異なる時間軸でのこれらの値と、少なくともその選択の簡単な裏付けが欲しいところです。ありがとうございました。
同じことを話していなかったような気がする :((
...つまり、その最適なパラメータは、最も近い履歴に調整されたパラメータを使用して、あなたがお金を稼ぐのに十分なほどゆっくりと均等に変化する必要があるということです。あるいは、マーケットが自分のシステムに合わない場合は、時間内に取引を停止することもできます。そのためには、どのパラメータをどの範囲で最適化するのが合理的か、また、システムの放棄の基準（例えば、最適化期間中に所定のゾーン内に最適値がない場合）を知る必要があります。
最適なパラメータはゆっくりと変化するはずで、市場は静止しておらず、また、いつでも
これらのパラメータとその限界は大きく変化する可能性があります)。
最適なパラメータはゆっくりと変化するはずで、市場は静止しておらず、また、いつでも
これらのパラメータとその限界は大きく変化する可能性があります)。
そこがポイントです :)))
最適なパラメータはゆっくりと変化するはずであり、市場は静止しておらず、またいつでも
これらのパラメータとその限界は大きく変化する可能性があります :-o)
そのために、システム放棄の基準があり、ほとんどの場合、エクイティで表現される前に行うことができます。また、ショートがうまくいかない場合、ロングだけのトレードを禁止する人はいませんし、その逆も同様です ;)このようなことは、トレーディング・パラメーターのエクイティの変化だけで判断しなければ、やがて可能になる。
最近は、安定係数のようなものを使うようにしています。
例えば、1年間最適化し、各月ごとに成長係数（1ヶ月あたりのDEPOの増加量）をカウントします。係数の最大値と最小値を算出します。その比率を安定係数という。1に傾くのであれば、それは理想的なバリアントと言えるでしょう。また、最小係数は1より大きいことが望ましい。すべてのパラメータがファイルに保存されます。これだけのものをまともな形で作る時間はない。自分の掲示板に掲載したい。
最近は、安定係数のようなものを使うようにしています。
例えば、1年間最適化し、各月ごとに成長係数（1ヶ月あたりのDEPOの増加量）をカウントします。係数の最大値と最小値を算出します。その比率を安定係数という。1に傾くのであれば、それは理想的なバリアントと言えるでしょう。また、最小係数は1より大きいことが望ましい。すべてのパラメータがファイルに保存されます。これだけのものをまともな形で作る時間はない。自分の掲示板に掲載したい。
IMHOの欠点は、月、年という固定された時間範囲にあります。そのため、私はNeutronと 同意見です。パラメータを比較するためには、一定の取引数を使用すべきです。そうすれば、DEPO（利益）の増加だけでなく、例えばプロフィットファクターを比較することによって利益/リスクを計算することができます。
IMHOのデメリットは、月、年という固定されたタイムフレームにあります。この点で、私は中性子に 同意する - 取引の固定数でインデックスを比較し、その後、例えば利益率を比較し、DEPO（利益）の増加だけでなく、利益/リスクをカウントすることができます。
システムは常に改善される可能性があります。基準さえあれば。
...... 基準があれば、いつでも。
そこがポイントです :) 「最適化の名著」を読んでも、誰もが自分の基準を自分で調整する............。すべての質問に答えはない......どこかで誰かが働き、どこかで誰かが働かない......等々......。
残念ながら、私はこれらを計算できるような統計数学的な装置を持っていないのですが、それも役に立たないと思うのです。
一般的にStrategy Testerのオプティマイザーを俯瞰してみると、Neural Networkと変わらないことがわかると思います。確かに、我々はカスタマイズ可能なパラメータの一定量、使用される指標の一定数と、ロングまたはショートにポジションを開くために私たちに信号を送る1つの出力を持っています。原則として、調整可能なパラメータの数は指標（入力）の数と同じであり、古典的な単層ペルセプトロンの変種である。しかし、私たちはそれを知らずに、それでも積極的に取引に利用しているのです。そして、NSで作業する際に使用される装置をよりよく知ることができれば、パラメータ最適化における標準誤差や最適でない動作を回避することができるようになります。例えば、単層ペルセプロンは最適な近似器ではなく、その結果、この定式化ではTSの収益性の観点からMTSの最良の結果を得ることは原理的に不可能であるため、このことから直ちに戦略テスターの限界がわかります。
NSの場合、あらかじめ決められた履歴の長さに対して最適なフィッティングパラメータ数を導き出すのですが、それを考慮しないとパラメータの過剰最適化の影響が出ます（前述しました）。テスターが履歴を記憶し、フォワードテストで預金がなくなるという問題は、すべてここからきているのです。さらに、2層ペルセプトロンが万能近似器であることを考慮すれば、使用する指標間のどんな狡猾なリンク（乗算、除算などがあるもの）を持つTSも、力を失うことなく同じ指標の加重和に還元でき、これが古典的NSアーキテクチャであり、世界で最も有効なパラメータ最適化の方法である後退誤差伝搬法が使えるのである。テスターで使われている単純なブルートフォースや遺伝的アルゴリズムと 比較しても、明らかに桁違いに速いんです。しかも、このような新しいアーキテクチャへの移行は、何も難しいことはなく、指標となるシグナルの合計を取り、最適な重みを見つけるだけでよいのです。
私たちは、人工知能やそれに関連するもの、特にNSに対して非常に懐疑的です。 しかし、私たちはこの知識領域をあらゆる段階で暗黙的に利用していることに気づいていません。戦略テスターにおける最適化です私たちは、この部分を手探りという最もサブオプティマムな方法で開拓しています。 それゆえ、一連のテストの中で「悪い」パスを捨てたいなどと思うことがよくある。実は、世の中はもっとシンプルで、やることは何もないのですが、手法の適用範囲とその限界を知っていればいいのです。