Генетические алгоритмы в MetaTrader 4. Сравнение с прямым перебором оптимизатора

1.     Что такое генетические алгоритмы?

В MetaTrader 4 стали доступны генетические алгоритмы оптимизации входных параметров экспертов. Они значительно сокращают время оптимизации, практически не искажая результаты тестирования. Принцип их работы подробно описан в статье Генетические алгоритмы - математический аппарат.

Данная статья посвящена сравнению оптимизации входных параметров экспертов с использованием генетических алгоритмов  и оптимизации с использованием прямого, полного перебора значений параметров.

 

2.     Эксперт

       Для проведения экспериментов я немного доработал уже знакомого вам по статье Управление ордерами - это просто  эксперта CrossMACD:

• Добавил к устанавливаемым позициям СтопЛосс и ТейкПрофит.
• Добавил сопровождение позиций ТрейлингСтопом.
• Для фильтрации сигналов ввел параметр OpenLuft: теперь сигналом будет пересечение нулевой линии на определённое количество пунктов (с точностью до одной десятой пункта).
• Добавил параметр CloseLuft для аналогичной фильтрации сигналов закрытия.
• Вынес во внешние переменные периоды быстрой и медленной скользящих средних, используемых при расчёте индикатора MACD.

Теперь это практически полноценный эксперт. Его будет удобно оптимизировать и использовать для торговли. Вы можете скачать эксперта  CrossMACD_DeLuxe.mq4 к себе на компьютер и провести все тесты самостоятельно.

3.     Оптимизация

Можно приступать к оптимизации. В рамках подготовки статьи будет проведено три теста с разным количеством переборов оптимизации. Это позволит сравнить выигрыш от использования генетических алгоритмов в разных ситуациях.

После каждого теста я буду вручную удалять кэш тестера, чтоб следующие тесты не использовали уже просчитанные варианты. Это необходимо только для чистоты эксперимента - при обычном использовании оптимизатора, автоматическое кэширование результатов только ускорит процесс повторной оптимизации.

Для сравнения результатов оптимизация с использованием генетических алгоритмов будет проводиться дважды: первый раз – с целью найти максимальную прибыль (Profit), а второй – с целью найти лучшую прибыльность (Profit Factor). После этого три лучшие результата для обоих методов оптимизации будут представлены в сводной таблице отчёта, отсортированной по указанным колонкам.

Оптимизация несёт чисто экспериментальный характер. Цели найти параметры, приносящие максимальную прибыль, автор не преследовал.

Тест 1

• Символ графика – EURUSD;
• Период графика – Н1;
• Период тестирования – 2 года;
• Режим моделирования – "По ценам открытия";
• Перебираемые параметры: 

Имя переменной	Стартовое значение	Шаг	Конечное значение
StopLoss	0	10	100
TakeProfit	0	10	150
TrailingStop	0	10	100
OpenLuft	0	5	50
CloseLuft	0	5	50
Количество переборов			234 256

 

Стоит заметить, что при использовании генетических алгоритмов ожидаемое время оптимизации примерно такое же, как и при оптимизации с прямым перебором параметров. Отличие состоит в том, что генетический алгоритм, постоянно отсеивая заведомо плохие варианты, сокращает количество необходимых тестов в несколько (десятков, сотен, тысяч) раз. Поэтому ориентироваться на предположительное время оптимизации при использовании генетических алгоритмов не стоит. Реальное время оптимизации будет всегда меньше:

Прямой перебор

Генетический алгоритм

       Как видите, вместо ожидаемых пяти с половиной часов, оптимизация с использованием генетических алгоритмов заняла меньше четырех минут ;)

       График оптимизации при этом тоже отличается от графика обычной оптимизации - поскольку плохие варианты отсеиваются, следующие тесты используют комбинации параметров, дающие большую прибыль. Поэтому график баланса устремлён вверх:

 

       Теперь подробно рассмотрим результаты обоих методов оптимизации.

Таблица результатов:

	Прямой перебор						Генетический алгоритм
Общее время оптимизации	4 ч. 13 мин. 28 сек.						3 мин. 50 сек.
	SL	TP	TS	Open Luft	Close Luft	Profit	SL	TP	TS	Open Luft	Close Luft	Profit
1	70	140	0	20	30	1248.08	70	140	0	20	30	1248.08
2	70	140	0	20	35	1220.06	70	140	0	20	35	1220.06
3	70	150	0	20	30	1176.54	70	150	0	20	30	1176.54
	SL	TP	TS	Open Luft	Close Luft	Profit Factor	SL	TP	TS	Open Luft	Close Luft	Profit Factor
1	100	50	40	50	5	4.72	0	50	40	50	5	4.72
2	90	50	40	50	5	4.72	90	50	40	50	5	4.72
3	80	50	40	50	5	4.72	80	50	40	50	0	4.72

 

Как видно из таблицы, скорость оптимизации с использованием генетических алгоритмов выше в несколько десятков раз! Результаты при этом практически идентичны. Результатов с максимальной прибыльностью равной 4.72 несколько, поэтому в отчёты попали разные комбинации параметров, но это не принципиально.

Теперь попробуем уменьшить количество переборов, но увеличить время тестирования. Для этого будем использовать модель "все тики".

Тест 2

 

• Символ графика – EURUSD;
• Период графика – Н1;
• Период тестирования – 2 года;
• Режим моделирования – "Все тики";
• Перебираемые параметры:
  

 

Имя переменной	Стартовое значение	Шаг	Конечное значение
StopLoss	0	10	100
TakeProfit	0	10	150
TrailingStop	0	10	100
OpenLuft	0	10	50
Количество переборов			11 616

 

Таблица результатов:

	Прямой перебор					Генетический алгоритм
Общее время оптими зации	32 ч. 32 мин. 37 сек.					1 ч. 18 мин. 51 сек.
	SL	TP	TS	Open Luft	Profit	SL	TP	TS	Open Luft	Profit
1	50	0	0	20	1137.89	50	0	0	20	1137.89
2	70	0	0	20	1097.87	70	0	0	20	1097.87
3	60	0	0	20	1019.95	60	0	0	20	1019.95
	SL	TP	TS	Open Luft	Profit Factor	SL	TP	TS	Open Luft	Profit Factor
1	50	90	60	50	4.65	50	90	60	50	4.65
2	50	140	60	50	4.59	50	140	60	50	4.59
3	100	90	60	50	4.46	70	90	60	50	4.46

 

При таком количестве переборов скорость отличается в 25 раз, что тоже очень неплохо. Результаты совпадают практически на 100%, единственное отличие в значении СтопЛосс в третьем тесте. Прибыльность при этом опять же осталась максимальной.

Теперь попробуем уменьшить количество переборов и уменьшить время тестирования. Для этого будем использовать модель "контрольные точки".

Тест 3

 

• Символ графика – EURUSD;
• Период графика – Н1;
• Период тестирования – 2 года;
• Режим моделирования – "Контрольные точки";
• Перебираемые параметры:
  

Имя переменной	Стартовое значение	Шаг	Конечное значение
StopLoss	0	10	100
OpenLuft	0	5	50
CloseLuft	0	5	50
Количество переборов			1 331

 

Таблица результатов:

	Прямой перебор				Генетический алгоритм
Общее время оптими зации	33 мин. 25 сек.				31 мин. 55 сек.
	SL	Open Luft	Close Luft	Profit	SL	Open Luft	Close Luft	Profit
1	0	0	45	1078.03	0	0	45	1078.03
2	70	20	15	1063.94	70	20	15	1063.94
3	70	20	25	1020.19	70	20	25	1020.19
	SL	Open Luft	Close Luft	Profit Factor	SL	Open Luft	Close Luft	Profit Factor
1	80	50	15	2.73	80	50	15	2.73
2	70	50	15	2.73	70	50	15	2.73
3	90	50	15	2.65	90	50	15	2.65

 

Тут ситуация изменилась. Время оптимизации совпадает (небольшая погрешность допускается), а результаты идентичны. Это связано с тем, что оптимизация состояла всего из 1331 перебора, а такого количества тестов для применения генетических алгоритмов просто мало. Они не успевают "разогнаться" - выигрыш в скорости оптимизации достигается за счёт отсеивания заведомо убыточных комбинаций параметров, а при таком количестве вариантов генетические алгоритмы не могут определить, какие "родители" (комбинации параметров) дадут плохое "потомство". Использовать их, соответственно, смысла нет.

4.     Выводы

    Генетические алгоритмы - прекрасное дополнение к оптимизатору стратегий МТ 4. Ускорение оптимизации при большом количестве переборов просто фантастическое, результаты совпадают с результатами обычной оптимизации.

    Теперь нет смысла использовать полный перебор параметров. Генетические алгоритмы найдут лучший результат быстрее и не менее качественно.

5.     Послесловие

    Уже после написания статьи я для удовлетворения собственного любопытства запустил оптимизацию CrossMACD_DeLuxe по всем параметрам. Количество комбинаций составило более ста миллионов (103 306 896). С использованием генетических алгоритмов оптимизация заняла всего 17 часов, в то время как оптимизация с перебором всех параметров закончилась бы, предположительно, через 35 лет (301 223 часа).

    Делайте выводы.