Обсуждение статьи "Самооптимизация экспертов: Эволюционные и генетические алгоритмы"
Искренне поздравляю!
Благодарю.
Пользуйте.
А как понять, каков общий набор предикторов для раздела "Поиск лучшей комбинации предикторов" и как их получили (понятно, что это индюки, но связи с МТ или другим источником котировок никакой не указано)? Есть одно упоминание в тексте - "Используем те же данные и функции, что и в предыдущей статье" - но ссылки на статью как таковой нет.
Имеется в ввиду эта статья.
Исходные данные и функции также там.
Удачи
Вы программист, биолог и кибернетик?
Кстати, теория эволюции потому и называется теорией, так как она не доказана.
Это в анналы надо )))
Наверное, да.
Но: "... поиск оптимального значения, где значение — сложная функция, зависящая от некоторых входных параметров ...". Уже на втором курсе Киевского Высшего Военного Авиационного Инженерного Училища мне не удалось-бы произнести эту фразу... Причем, на вполне гражданской и общеобразовательной кафедре математики. Не очень у автора с пониманием оптимизации вообще и целевой функции в частности. Строго имхенько.
Наверное, да.
Но: "... поиск оптимального значения, где значение — сложная функция, зависящая от некоторых входных параметров ...". Уже на втором курсе Киевского Высшего Военного Авиационного Инженерного Училища мне не удалось-бы произнести эту фразу... Причем, на вполне гражданской и общеобразовательной кафедре математики. Не очень у автора с пониманием оптимизации вообще и целевой функции в частности. Строго имхенько.
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Самооптимизация экспертов: Эволюционные и генетические алгоритмы:
В статье будут рассмотрены основные принципы, заложенные в эволюционных алгоритмах, их разновидности и особенности. На примере простого эксперта с помощью экспериментов покажем, что может дать нашей торговой системе использование оптимизации. Рассмотрим программные пакеты, реализующие генетические, эволюционные и другие виды оптимизации и приведем примеры применения при оптимизации набора предикторов и оптимизации параметров торговой системы.
Решаемые реальные задачи могут быть сформулированы как поиск оптимального значения, где значение — сложная функция, зависящая от некоторых входных параметров. В некоторых случаях представляет интерес найти те значения параметров, при которых достигается наилучшее точное значение функции. В других случаях точный оптимум не требуется, и решением может считаться любое значение, которое лучше некоторой заданной величины. В этом случае генетические алгоритмы часто становятся наиболее приемлемым методом для поиска "хороших" значений. Сила генетического алгоритма — в его способности манипулировать одновременно многими параметрами. Эта особенность ГА использовалась в сотнях прикладных программ, включая проектирование самолетов, настройку параметров алгоритмов и поиск устойчивых состояний систем нелинейных дифференциальных уравнений.
Однако нередки случаи, когда ГА работает не так эффективно, как ожидалось.
Предположим, есть реальная задача, сопряженная с поиском оптимального решения. Как узнать, подходит ли для этого ГА? Строго ответа на этот вопрос до настоящего времени еще не получено. Однако многие исследователи разделяют предположения о том, что ГА имеет хорошие шансы стать эффективной процедурой поиска в следующих случаях:
Самые важные опции, влияющие на качество, — это те, которые определяют численность популяции (pop.size) и число поколений, выполняемых алгоритмом (max.generations, wait.generations, hard.generation.limit и gradient.check). Поисковая производительность, как ожидают, улучшится, если численность популяции и число поколений, выполняемых программой, увеличатся. Эти и другие опции должны быть скорректированы для различных проблем вручную. Обратите особое внимание на области поиска (Домены и default.domains).
Линейные и нелинейные ограничения среди параметров могут быть представлены пользователями в их фитнес-функции. Например, если сумма параметров 1 и 2 должна быть меньше чем 725, это условие можно заложить в фитнес-функцию, пользователь будет максимизировать genoud, : if((parm1 + parm2)>= 725) {return (-99999999)}. В этом примере очень плохое фитнес-значение будет возвращено genoud, если линейное ограничение нарушено. Тогда genoud попытается найти значения параметров, которые удовлетворят ограничение.
Напишем нашу фитнес-функцию. Она должна вычислять:
MACD
сигналы
коэффициент качества
Автор: Vladimir Perervenko