Alexey Volchanskiy: А зачем оптимизировать при отладке? Сначала добейтесь работы без ошибок, тут обычное тестирование подойдет Да и облако в тестере не работает, только в оптимизаторе.
Я не о кликаньи в дебаггере, конечно. Отладка в более широком смысле, настройка алгоритма. Советник вообще без параметров - золотая мечта, но пока что такого не придумалось )
Еще раз перечитал справку по оптимизации советников (сам ей не пользовался, ограничен лишь справкой). По ней выходит, что нет даже простейших методов наискорейшего спуска, покоординатного спуска, Монте-Карло. Либо перебор вариантов с его проклятием размерности, либо неизвестный мне генетический алгоритм. Оба реализованных метода отличаются ресурсоемкостью, длительностью.
Правильно ли я понял ситуацию?
Если да, почему тогда не встречаются надстройки над тестером стратегий, радикально снижающие количество прогонов, реализующие оптимизацию давно изученными методами; вместо этого движение идет в сторону роста требуемых ресурсов?
Еще раз перечитал справку по оптимизации советников (сам ей не пользовался, ограничен лишь справкой). По ней выходит, что нет даже простейших методов наискорейшего спуска, покоординатного спуска, Монте-Карло. Либо перебор вариантов с его проклятием размерности, либо неизвестный мне генетический алгоритм. Оба реализованных метода отличаются ресурсоемкостью, длительностью.
Правильно ли я понял ситуацию?
Если да, почему тогда не встречаются надстройки над тестером стратегий, радикально снижающие количество прогонов, реализующие оптимизацию давно изученными методами; вместо этого движение идет в сторону роста требуемых ресурсов?
Надстройку не сделать технически, нет такого АПИ. Только писать свой тестер. Есть некоторая возможность анализировать прогон в процессе через
OnTesterPass();
Генетический алгоритм широко применяется, на сайте есть по нему статьи, если неизвестен. Все остальные вопросы к разработчикам.
Заинтересовался вопросом, а что же предлагают разработчики для оптимизации.
Их методы справляются с овражными функциями?
А в чем проблема с овражными функциями?
Vladimir:
Еще раз перечитал справку по оптимизации советников (сам ей не пользовался, ограничен лишь справкой). По ней выходит, что нет даже простейших методов наискорейшего спуска, покоординатного спуска, Монте-Карло. Либо перебор вариантов с его проклятием размерности, либо неизвестный мне генетический алгоритм. Оба реализованных метода отличаются ресурсоемкостью, длительностью.
Правильно ли я понял ситуацию?
Если да, почему тогда не встречаются надстройки над тестером стратегий, радикально снижающие количество прогонов, реализующие оптимизацию давно изученными методами; вместо этого движение идет в сторону роста требуемых ресурсов?
У Вас есть примеры, подтверждающие превосходство алгоритмов отличных от генетических? И именно для сложных ступенчатых функций, с широкими горизонтальными участками, с острыми пиками и впадинами, какими являются оптимизируемые функции в программах оперирующих дискретными данными (советники)?
Еще раз перечитал справку по оптимизации советников (сам ей не пользовался, ограничен лишь справкой). По ней выходит, что нет даже простейших методов наискорейшего спуска, покоординатного спуска, Монте-Карло. Либо перебор вариантов с его проклятием размерности, либо неизвестный мне генетический алгоритм. Оба реализованных метода отличаются ресурсоемкостью, длительностью.
Генетический алгоритм - весьма радикально снижает число прогонов по сравнению с полным перебором. Если функция достаточно гладкая - то приводит к оптимизации гораздо-гораздо быстрее. Если же функция сильно "рваная", то даже полный перебор - бесполезен, "рваность" функции означает неустойчивость алгоритма, и найденные "оптимальные значения", скорее всего, будут случайными выбросами, а вовсе не точками оптимума.
George Merts: Генетический алгоритм - весьма радикально снижает число прогонов по сравнению с полным перебором. Если функция достаточно гладкая - то приводит к оптимизации гораздо-гораздо быстрее. Если же функция сильно "рваная", то даже полный перебор - бесполезен, "рваность" функции означает неустойчивость алгоритма, и найденные "оптимальные значения", скорее всего, будут случайными выбросами, а вовсе не точками оптимума.
Дайте, пожалуйста, определение (можно и своё) "точки оптимума" и/или "оптимальные значения".
Andrey Dik: Дайте, пожалуйста, определение (можно и своё) "точки оптимума" и/или "оптимальные значения".
Это набор параметров, дающих наибольшее оптимизируемое значение (баланс, рекавери или что-то еще), которое при этом является устойчивым, то есть, небольшое изменение входных параметров не приводит к большому изменению оптимизируемого значения. Если такое происходит - то это не оптимальное значение, а как раз случайный выброс функции.
George Merts: Это набор параметров, дающих наибольшее оптимизируемое значение (баланс, рекавери или что-то еще), которое при этом является устойчивым, то есть, небольшое изменение входных параметров не приводит к большому изменению оптимизируемого значения. Если такое происходит - то это не оптимальное значение, а как раз случайный выброс функции.
Вот, я именно такого ответа и ожидал, потому что не может быть другого, логически связанного с Вашим предыдущим постом, ответа.
А спросил я для того, что бы подчеркнуть противоречие. Подумайте, попытайтесь связать вместе выделенное цветом. Если не получится, то я помогу. Дело в том, что в Вашем посте пример широко распространённого заблуждения.
Andrey Dik: Если не получится, то я помогу. Дело в том, что в Вашем посте пример широко распространённого заблуждения.
И где же у меня противоречия и заблуждения ? Зачем загадками говоришь-то (давай на ты ?). Есть конкретные возражения - давай, выкладывай свои мысли, обсудим.
Для авторизации и пользования сайтом MQL5.com необходимо разрешить использование файлов Сookie.
Пожалуйста, включите в вашем браузере данную настройку, иначе вы не сможете авторизоваться.
Вы вошли в аккаунт. Двухфакторная аутентификация отключена. Настройте её заново и отсканируйте новый QR-код или продолжите с отключённой двухфакторной аутентификацией.
Заинтересовался вопросом, а что же предлагают разработчики для оптимизации.
Их методы справляются с овражными функциями?
А зачем оптимизировать при отладке? Сначала добейтесь работы без ошибок, тут обычное тестирование подойдет Да и облако в тестере не работает, только в оптимизаторе.
зачет )))))
Еще раз перечитал справку по оптимизации советников (сам ей не пользовался, ограничен лишь справкой). По ней выходит, что нет даже простейших методов наискорейшего спуска, покоординатного спуска, Монте-Карло. Либо перебор вариантов с его проклятием размерности, либо неизвестный мне генетический алгоритм. Оба реализованных метода отличаются ресурсоемкостью, длительностью.
Правильно ли я понял ситуацию?
Если да, почему тогда не встречаются надстройки над тестером стратегий, радикально снижающие количество прогонов, реализующие оптимизацию давно изученными методами; вместо этого движение идет в сторону роста требуемых ресурсов?
Еще раз перечитал справку по оптимизации советников (сам ей не пользовался, ограничен лишь справкой). По ней выходит, что нет даже простейших методов наискорейшего спуска, покоординатного спуска, Монте-Карло. Либо перебор вариантов с его проклятием размерности, либо неизвестный мне генетический алгоритм. Оба реализованных метода отличаются ресурсоемкостью, длительностью.
Правильно ли я понял ситуацию?
Если да, почему тогда не встречаются надстройки над тестером стратегий, радикально снижающие количество прогонов, реализующие оптимизацию давно изученными методами; вместо этого движение идет в сторону роста требуемых ресурсов?
OnTesterPass();
Генетический алгоритм широко применяется, на сайте есть по нему статьи, если неизвестен. Все остальные вопросы к разработчикам.
Заинтересовался вопросом, а что же предлагают разработчики для оптимизации.
Их методы справляются с овражными функциями?
Еще раз перечитал справку по оптимизации советников (сам ей не пользовался, ограничен лишь справкой). По ней выходит, что нет даже простейших методов наискорейшего спуска, покоординатного спуска, Монте-Карло. Либо перебор вариантов с его проклятием размерности, либо неизвестный мне генетический алгоритм. Оба реализованных метода отличаются ресурсоемкостью, длительностью.
Правильно ли я понял ситуацию?
Если да, почему тогда не встречаются надстройки над тестером стратегий, радикально снижающие количество прогонов, реализующие оптимизацию давно изученными методами; вместо этого движение идет в сторону роста требуемых ресурсов?
Еще раз перечитал справку по оптимизации советников (сам ей не пользовался, ограничен лишь справкой). По ней выходит, что нет даже простейших методов наискорейшего спуска, покоординатного спуска, Монте-Карло. Либо перебор вариантов с его проклятием размерности, либо неизвестный мне генетический алгоритм. Оба реализованных метода отличаются ресурсоемкостью, длительностью.
Генетический алгоритм - весьма радикально снижает число прогонов по сравнению с полным перебором. Если функция достаточно гладкая - то приводит к оптимизации гораздо-гораздо быстрее. Если же функция сильно "рваная", то даже полный перебор - бесполезен, "рваность" функции означает неустойчивость алгоритма, и найденные "оптимальные значения", скорее всего, будут случайными выбросами, а вовсе не точками оптимума.
Дайте, пожалуйста, определение (можно и своё) "точки оптимума" и/или "оптимальные значения".
Это набор параметров, дающих наибольшее оптимизируемое значение (баланс, рекавери или что-то еще), которое при этом является устойчивым, то есть, небольшое изменение входных параметров не приводит к большому изменению оптимизируемого значения. Если такое происходит - то это не оптимальное значение, а как раз случайный выброс функции.
А спросил я для того, что бы подчеркнуть противоречие. Подумайте, попытайтесь связать вместе выделенное цветом. Если не получится, то я помогу. Дело в том, что в Вашем посте пример широко распространённого заблуждения.
Если не получится, то я помогу. Дело в том, что в Вашем посте пример широко распространённого заблуждения.