最適化とストーリーへの適合 - ページ 3 123456789 新しいコメント Dmitry Fedoseev 2019.06.22 09:01 #21 Vladimir Baskakov: まあ、彼は普段から言動がしっかりしている人なので これは、何も約束してないんです。最適化するときは、計算しすぎるのではなく、計算するように心がけてください。 Nikolai Semko 2019.06.22 09:09 #22 Vladimir Baskakov: CodeBaseにこのブロックの例はありますか？ もちろん、万能なブロックではありません。それぞれの戦略によって異なる。このブロックが、戦略の成功と複雑さの99％を占めているのです。それは、要するにAIです。 これが、マックスの仕事です。 例えば、パラメータが1つの最も単純な戦略を考えてみよう。 MAを1本。 買いシグナル - MA線の傾きが正のとき、価格はMA線の下にある。 売りシグナル - MA線の傾きが負の場合、価格はMA線の上にある。 もちろん、どの時間軸でも「最適」なМА期間を見つけることができ、この期間ではストラテジーが利益を上げることができます。 さらに言えば、このMA期間を変更しなければ、ドローダウンが確定してしまう--時間の問題だ。 市場の状況に応じてМА期が常に修正されるような真の自己最適化には、簡単に言えばパターン認識のタスクを解決するこのAIのブロックが必要なのです。ここにはゴニョゴニョとした選択肢があります。 例えば、一番簡単なのは、点の6次元空間を作ることです。各点は6つの座標を持つ。 1はMAの期間です。 2番目は時間です。 3rdは、期間XのMA線の変曲点の密度です。 第4期 X 第5位 - 当期利益(損失) Y 6日〜期間Y 3番目と5番目の座標のみ計算し、他は同じステップで離散的に変化させます。 こうして6次元の雲が形成され、分析 すると（より長い履歴になる）、必要な現在のMA期間の「予測」が可能になるのです。 第3座標は、横ばい/トレンドの判断に有効です。 この非常に大きな計算量は、ヒストリーデータ1パスにつき1回だけ発生します。さらに、新しいティック（バー）ごとに、このスペースにポイントが追加されるだけです。 ilmel 2019.06.26 23:13 #23 このまさにフォワードランのための最適化バリアントを選択するための明確な(そしてすべてのフォワードランで同じ)選択基準(であるべき)を持ったフォワード最適化)を行う。この場合、フィッティングではなく、最適化です。もしそれがうまくいくなら、最適化バリアントを選択するための明確な基準を持ち、この前方最適化をうまく通過するようなExpert Advisorを私は見たことがありません)). Renat Akhtyamov 2019.06.26 23:26 #24 Vladimir Baskakov: これらのコンセプトの根本的な違いは何でしょうか？ ヒストリーマッチングとは、Expert Advisorのパラメータのうち、特定の過去の時間枠の値動きで最良の取引結果を得るための値のセットです。 ここで、最適化を定義してみてください。 同じなんですか？ 削除済み 2019.06.26 23:33 #25 ilmel: フォワードランで、最適化バリアントを選択するための明確な（そしてすべてのフォワードランで同じ）選択基準（であるべき）を持つフォワード最適化。この場合、フィッティングではなく、最適化です。もしそれがうまくいくなら、最適化オプションを選択するための正確な基準を持ち、この前方最適化をうまく通過するようなExpert Advisorを私は見たことがありません）。 ここでは、例としてフォワードテストを紹介します。結論から言うと、どうなんでしょうか？ CHINGIZ MUSTAFAEV 2019.06.27 08:49 #26 最適化とフィッティングは同じものです。 削除済み 2019.06.27 09:52 #27 Martin_Apis_Bot Cheguevara: 最適化とフィッティングは同じものです。 ようですが、TR＆SLが使用されている場合 TheXpert 2019.06.27 10:50 #28 Vladimir Baskakov: ここでは、例としてフォワードテストを紹介します。結論から言うと、どうなんでしょうか？ 結論を出すには、ウォークフロワードテストか、自動最適化機能を内蔵したバックテストが必要です。 削除済み 2019.06.27 10:52 #29 TheXpert: 結論から言うと、ウォーク・フォワード・テストか、自動最適化装置を組み込んだバックテストが必要です。 自分が持っているものを使う Igor Zakharov 2019.06.27 11:01 #30 最適化とは、より広い概念である。ヒストリーフィッティングは、最適化（関数値の直接計算）の手法の一つである。EAとは、要するに機能を特殊な方法で記述したものである。MTテスターはその値を算出する。 最適化とは、ある関数の極限を 1つまたは複数のパラメータで探索 することです（私の記憶の限りでは、大学でそう習いました）。テスターは一連の値を提供しますが、定義に従った最適化を行うわけではありません。 追記 それは、選択された極限が局所的（与えられた時間間隔/サンプルに対して）なのか、それとも大域的なものなのかをどのように評価するかということです。 残念ながら、統計学の成績は伸び悩みでCでした :( 役に立ちませんね。 123456789 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
まあ、彼は普段から言動がしっかりしている人なので
これは、何も約束してないんです。最適化するときは、計算しすぎるのではなく、計算するように心がけてください。
CodeBaseにこのブロックの例はありますか？
もちろん、万能なブロックではありません。それぞれの戦略によって異なる。このブロックが、戦略の成功と複雑さの99％を占めているのです。それは、要するにAIです。 これが、マックスの仕事です。
例えば、パラメータが1つの最も単純な戦略を考えてみよう。
もちろん、どの時間軸でも「最適」なМА期間を見つけることができ、この期間ではストラテジーが利益を上げることができます。
さらに言えば、このMA期間を変更しなければ、ドローダウンが確定してしまう--時間の問題だ。
市場の状況に応じてМА期が常に修正されるような真の自己最適化には、簡単に言えばパターン認識のタスクを解決するこのAIのブロックが必要なのです。ここにはゴニョゴニョとした選択肢があります。
例えば、一番簡単なのは、点の6次元空間を作ることです。各点は6つの座標を持つ。
こうして6次元の雲が形成され、分析 すると（より長い履歴になる）、必要な現在のMA期間の「予測」が可能になるのです。
第3座標は、横ばい/トレンドの判断に有効です。
この非常に大きな計算量は、ヒストリーデータ1パスにつき1回だけ発生します。さらに、新しいティック（バー）ごとに、このスペースにポイントが追加されるだけです。
このまさにフォワードランのための最適化バリアントを選択するための明確な(そしてすべてのフォワードランで同じ)選択基準(であるべき)を持ったフォワード最適化)を行う。この場合、フィッティングではなく、最適化です。もしそれがうまくいくなら、最適化バリアントを選択するための明確な基準を持ち、この前方最適化をうまく通過するようなExpert Advisorを私は見たことがありません)).
これらのコンセプトの根本的な違いは何でしょうか？
ヒストリーマッチングとは、Expert Advisorのパラメータのうち、特定の過去の時間枠の値動きで最良の取引結果を得るための値のセットです。
ここで、最適化を定義してみてください。
同じなんですか？
フォワードランで、最適化バリアントを選択するための明確な（そしてすべてのフォワードランで同じ）選択基準（であるべき）を持つフォワード最適化。この場合、フィッティングではなく、最適化です。もしそれがうまくいくなら、最適化オプションを選択するための正確な基準を持ち、この前方最適化をうまく通過するようなExpert Advisorを私は見たことがありません）。
ここでは、例としてフォワードテストを紹介します。結論から言うと、どうなんでしょうか？
最適化とフィッティングは同じものです。
ここでは、例としてフォワードテストを紹介します。結論から言うと、どうなんでしょうか？
結論から言うと、ウォーク・フォワード・テストか、自動最適化装置を組み込んだバックテストが必要です。
最適化とは、より広い概念である。ヒストリーフィッティングは、最適化（関数値の直接計算）の手法の一つである。EAとは、要するに機能を特殊な方法で記述したものである。MTテスターはその値を算出する。
最適化とは、ある関数の極限を 1つまたは複数のパラメータで探索 することです（私の記憶の限りでは、大学でそう習いました）。テスターは一連の値を提供しますが、定義に従った最適化を行うわけではありません。
追記
それは、選択された極限が局所的（与えられた時間間隔/サンプルに対して）なのか、それとも大域的なものなのかをどのように評価するかということです。
残念ながら、統計学の成績は伸び悩みでCでした :( 役に立ちませんね。