MetaTrader 5 Strategy Tester! - страница 71
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Уважаемые Разработчики, с новым билдом (1476 x64) тестер стратегий стал криво отрисовывать свои окна:
Вот еще одно: нажал на кнопку зуммирования и убрал мышь в сторону, но кнопка по-прежнему осталась нажатой:
Для истории -
Багов вроде нету, пускай этот второй код будет окончательный вариант, ок.
Будет очень некрасиво если начнёте опять придумывать новые правила на ходу.. так что объявляю текущие правила и ваш текущий результат тоже окончательными.
В светлый путь!
Уважаемые Разработчики, с новым билдом (1486 x64) тестер стратегий стал криво отрисовывать свои окна:
Вот еще одно: нажал на кнопку зуммирования и убрал мышь в сторону, но кнопка по-прежнему осталась нажатой:
Таблицу Вы строили? Нет, не Вам её и заполнять. Наглец.
а где вы взяли 1486? на демо сервере ночью вроде 1476 появилась только
Я тут не устанавливаю правила, меня попросили провести сравнительные тесты - этим я и занимаюсь не забывая обеспечивать равенство условий для испытуемых алгоритмов.
Я ещё недоволен как вы оцениваете MQ.
Чтобы бы было честно, следует использовать доступные алгоритмы alglib. http://www.alglib.net/optimization/
Я вижу там пять алгоритмов, и я так понимаю они уже присутствуют в mql -
L-BFGS and CG
Unconstrained optimization. Function gradient is needed.
Levenberg-Marquardt algorithm
Unconstrained or boundary constrained optimization.
Bound and linear equality/inequality constrained optimization
Linearly constrained optimization.
Nonlinearly equality/inequality constrained optimization
Nonlinearly constrained optimization.
Constrained quadratic programming with box/linear constraints
Constrained quadratic optimization.
Первый алгоритм (L-BFGS) явно не подходит под эту задачу, но вот остальные 4 нужно тоже попробовать.
Я ещё недоволен как вы оцениваете MQ.
Чтобы бы было честно, следует использовать доступные алгоритмы alglib. http://www.alglib.net/optimization/
Я вижу там пять алгоритмов, и я так понимаю они уже присутствуют в mql -
L-BFGS and CG
Unconstrained optimization. Function gradient is needed.
Levenberg-Marquardt algorithm
Unconstrained or boundary constrained optimization.
Bound and linear equality/inequality constrained optimization
Linearly constrained optimization.
Nonlinearly equality/inequality constrained optimization
Nonlinearly constrained optimization.
Constrained quadratic programming with box/linear constraints
Constrained quadratic optimization.
Первый алгоритм (L-BFGS) явно не подходит под эту задачу, но вот остальные 4 нужно тоже попробовать.
Полагаете, что я стремлюсь, что бы Вы были довольны? Хе хе...
На свете миллион алгоритмов, все они хороши под свои типы задач, хорошо, когда знаешь конкретно что именно нужно решать - взял подходящий алгоритм и решил наилучшим и наибыстрейшим образом. Парадокс в том, что если известна формула - то алгоритмы оптимизации не нужны совсем, можно получить максимально возможное точное решение моментально в пакете символьной математики. Но когда формула не известна, то тогда и только тогда имеет смысл применять алгоритмы оптимизации, в этом случае лучшим будет именно тот, который сможет лучше решать больше разнотипных задач оптимизации.
У Вас совершенно однобокое мышление, да к тому же плоское. Но попытайтесь, всё же, представить себе такое: Вы создали платформу, на которой пользователи будут решать свои задачи оптимизации, всякие, с гладкими функциями, и те, где отсутствуют зависимости практически полностью. Пользователь не даёт свою формулу ФФ Вам, не потому что он вредный, а потому что её у него нет и никогда не будет! Однако Вашей платформе как то всё же нужно решать задачи пользователя, при том что прекрасно знаете, что если "затачивать" алгоритм под какой то определённый тип задач пользователей, то другая часть пользователей останется недовольна и перестанет пользоваться Вашим продуктом. Отсюда вытекает потребность в создании универсального алгоритма оптимизации, который подойдет для ЛЮБЫХ типов задач пользователей, именно таким и является алгоритм от MQ, именно таким он и заявлен - как универсальный алгоритм оптимизации, в нем нет даже настроек, потому что он универсален. Понимаете? А Вы твердите, что какой то алгоритм лучше подходит под что то а какой то хуже... Да, но речь идет об сравнении универсальных алгоритмов, нет смысла сравнивать универсальный алгоритм от MQ с узкоспециализированным, таким какие Вы предлагаете, да ещё и на определённом типе задач, это некорректное сравнение.
Я представил на тесты одну из задач, где нет зависимостей между параметрами, она наилучшим образом подходит для проверки как раз универсальных алгоритмов, но для полноты картины необходимо решать и другие типы задач, что я собственно и предлагал и предлагаю - предлагайте свои примеры ФФ, будем тестировать и сравнивать, только проделав тесты на разнообразных задачах можно будет говорить - да, этот алгоритм более универсален, чем другие.
И завязывайте со своими детскими выходками, с заполнением таблиц и перечеркиванием ников - здесь не детский сад. Вы ещё усы к моему хамелеону на аве фломастерам на своём мониторе нарисуйте, если так неймется.
Отсюда вытекает потребность в создании универсального алгоритма оптимизации
Именно поэтому L-BFGS плохо подходит. Для его работы нужно найти производные для всех параметров функции. А мы сейчас говорим о фитнесс функции как о чёрном ящике, для которого производные вообще не могут быть найдены аналитически.
Найти производные для чёрного ящика вообщем-то можно и вычислениями, просто вызывая фитнес функцию с разными параметрами, но результат будет хуже, весь алгоритм оптимизации не под такое заточен.
Первая же ссылка в гугле на эту тему -
https://pdfs.semanticscholar.org/af6b/f2e865e87bb709e93036a94ca4de03b4ca58.pdf
However, the use of L-BFGS can be complicated
in a black-box scenario where gradient information is not available and therefore
should be numerically estimated. The accuracy of this estimation, obtained by finite
difference methods, is often problem-dependent that may lead to premature convergence
of the algorithm.
Не получите вы в универсальности в общем. Преждевременная конвергенция :)
Но вообще хотелось бы увидеть результаты сравнения разных оптимизаторов с L-BFGS при оптимизации советников.
Если известна формула - то алгоритмы оптимизации не нужны совсем, можно получить максимально возможное точное решение моментально в пакете символьной математики.
Моментально для сложной формулы вы ничего не получите, такие пакеты, вроде вольфрама, внутри тоже имеют алгоритмы оптимизации. Волшебства не будет, просто вы оптимизацию перекладываете со своих плеч на пакет.
Моментально для сложной формулы вы ничего не получите, такие пакеты, вроде вольфрама, внутри тоже имеют алгоритмы оптимизации. Волшебства не будет, просто вы оптимизацию перекладываете со своих плеч на пакет.