最適化結果についてのヘルプが必要 - ページ 4

[削除済み]

sergeyrar:

お時間をいただきありがとうございました。本当にありがとうございました。

だから、次のテスト結果によって、私はちょうど非常に幸運だったのですか？

この全体の期間（約50トレードの約23グループ - 1つのテストに全部を圧迫することができませんでした）の連続負けの取引の最大量は41（これは50トレードの2つのグループの間で分割されるかもしれません）でした。

私はこのようなドローダウンをもっと頻繁に見るべきでしたか？

最終的に私はこのゲームを "再生 "を続ければ、私はその種の失われたストライキの時間の9％を取得するのだろうか？

さて、もう一つのこと

この報告書によると

儲かる取引は8.85%で、負ける取引は91.15%です。

ということは、50回連続で負ける確率は、0.9115^50 = 0.97% ...です。

となり、9％からかなり離れてしまうのですが、どうしてでしょうか？

もし、95.3%の確率で負けるとしたら、それは正しいことで、そのような確率では、私の期待値はマイナスになりますO_O。

Ex= 0.953*(-23)+0.047*(247) = -10.31 pips の利益/トレード

自動化されたレポートで計算され報告される統計は「時系列固有」であることを理解することが重要です。 つまり、市場そのものが同じ時系列特性を持っている場合、文字通り将来の取引特性を予測するのに役立つだけです...明らかな理由により、実際には決してそうではありません。

バックテストレポートの統計から未来を占おうとすると、本当に絶望的なほど迷うことになります。 バックテストの結果は、最悪の場合、まったく役に立ちませんが、バックテストの方法を正しく準備すれば、バックテストで使用した時系列とは無関係であるはずの事柄を語ることができるデータのナゲットを生成することができます。

ただ、あなたは定常プロセスを 扱っていないことを忘れないでください。 なぜなら、親分布は完全にサンプリングされることはなく（まだ存在しないのでありえない、時間がより多くの未サンプリング空間を作り出す）、平均や標準偏差などの分布の統計は変化するからです。

このことを念頭に置いて、バックテスト中に遭遇した限定的なサンプリングから生成されたものよりも、現実には標準偏差がより広くなる可能性が高いため、損失リスクの計算を「ベストケース」の結果と見なすことになっています。

[sergey]

再びこんにちは :)

サンプル期間を50トレードのグループから月ごとの計算に変更し、以下の結果を得ました。

これらの値が正常に分布していると仮定すると（これはここでは事実ではないかもしれません）。

1.RORの計算で歪度と尖度を考慮する方法はありますか？

2. これは本当に正規分布なのでしょうか？そうでない場合、どのように扱えばよいのでしょうか？

[削除済み]

sergeyrar:

再びこんにちは :)

サンプル期間を50トレードのグループから月ごとの計算に変更し、以下の結果を得ました。

これらの値が正常に分布していると仮定すると（これはここでは事実ではないかもしれません）。

1.RORの計算で歪度と尖度を考慮する方法はありますか？

2.これは本当に正規分布なのでしょうか？そうでない場合、どのように扱えばよいのでしょうか？

これは、「悪魔は細部に宿る」というような意味だと思いますが、重要な細部を理解することで、それが悪魔であることに気づくという意味です。

そう、あなたは正規分布を仮定していますが、実際にはあなたの結果は正規分布の代表ではありません。

ところで、余談ですが、ビン幅を最適化すると、ヒストグラムがよりよく表示されるようになるかもしれません。

ヒストグラムのビン幅を最適化する

私はこのコードをMQLで実装しました。私の投稿をチェックしていただければ、ここにアップロードしているかもしれません。 しかし、もしあなたがそれを追求することに決めたら、これは本当に飛び込んで独学する必要があることの一つであり、そうでなければ最適化されたビン幅ヒストグラムがなぜ有用で特別なのか理解できないでしょう、と私は言います。

話を戻しますが、あなたが発見した重要なポイントは、バックテスト結果に対して統計分析を行う際、データがガウス分布から取られたサンプルである場合にのみ厳密に正しい統計量を使用することがよくあるということです。 この時、人々はこの仮定を検証し、正規化された分布統計を分析に適用する正当性があるかどうかを確認することに失敗しがちなのです。

この時点で分岐点に到達します。「統計的に特徴付け可能な」結果を追求し、正規化された分布統計に適合していないという理由で、一見最適に見える結果を捨てるか、バックテスト結果を分析し、その方法が堅牢で、将来の結果を予測するための有意義で有用な指標を提供する、より一般的な方法を模索するか、選択できることになるのです。

私がバックテストで正規分布の統計量を使うことの愚かさについて啓示を受けた、私が行った分析の一例を紹介します。

赤い点はデータポイント、緑の実線は赤いデータポイントに最適なガウス関数、水色の線は一般化ガウス分布関数に最適なものです。

あなたは数学的志向が強く、従来のガウス型分布を超える統計解析の分野を追求することに抵抗はないでしょうか？それとも、このような一見奇妙な結果は捨てて無視し、より解釈しやすい測定基準に適合する結果を追求したいのでしょうか？

現時点では、どの道を選ぶべきかについてのコンセンサスはなく、むしろ個性と情熱の問題です。 自然で簡単だと思うことをすればいいのです。

[[Удален]]

zzuegg:

利益は良い最適化パラメータではありません。利益係数とドローダウンは戦略についてより多くを語っています...

私はその意見に賛成で、多分このスレッドの思考を再集中させるでしょう....
健全な戦略は多くの最適化を必要としないはず...？

スキャルピングの場合、TPとSLをどの程度に設定するかが重要です。
グリッドトレーディングなら、レンジトレーディングと同じようにTP＆SLは自明です
スイングトレードでは、ATRまたはフィボをベースにしたストップが必要です。
ポジショントレード の場合は、最適化に関する統計データを作成するには少なすぎます。
私たちは何を求めているのでしょうか？
もしストラテジーが（実際には）完全でない場合、最適化は本当にその差を埋めることになるのでしょうか？

ご参考までに

-BB-

[pindurs]

@BarrowBoy 「健全な戦略は、あまり最適化を必要としないはずですが...」最適化は、良い戦略を悪い戦略から作ることはできませんが、むしろ最適化は、その時々のオポチュニティを現す設定を見つけるために行われるものだと思いませんか？