Optimizasyon ve numune dışı test. - sayfa 5
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Samimi , kârın tekdüzeliği ile her şey o kadar basit değil. NN'de aynı A, B, C kümelerini alırsak, normal eğitimden sonra stratejinin karlılığı şöyle olacaktır: A bölümünde maksimum, B bölümünde önemli ölçüde daha azdır ve C bölümünde önemli ölçüde daha azdır. daha da kötüdür. Ama bizde işler tam olarak böyle: Tarihte, sonuçlar mükemmel, ama bunun dışında - bir tahliye ... Sorun tam olarak, C bölümünün karlılık açısından neredeyse kesinlikle daha kötü olacağı bir strateji seçmekte, ama yine de A alanı ile karşılaştırılabilir.
Onları burada tanıtmayacağım. Ama bunları yaparken öğrendiğim test prensipleri çok mantıklı. Ve burada, meta alıntı uydurmanın aksine, en azından genelleme yeteneğine güvenebiliriz (danışmanın gelecekte kârlı kalabileceği ana özellik; optimize edicimiz bu özellikten tamamen yoksundur).
MetaTrader'a gerçek test cihazının, numune + numune dışı setini optimize ederken, numunenin optimizasyonu ile sonraki numune dışı testlerle aynı sonuçları almanızı sağladığını söylemek isterim. Test Cihazında "Uzman Özellikleri" butonu, ardından "Test" ve "Optimizasyon" sekmeleri, istediğiniz uzunluk ve derinlikteki kayıplardan kurtulmanızı sağlar.
Her şey göreve bağlı. Test süresi boyunca kârın tek biçimli dağılımını ihmal edersek, MT test cihazının standart yetenekleri gerçekten yeterlidir ve zaman maliyetleri karşılaştırılabilir olacaktır. ihmal edilmeli mi? Herkesin kendi deneyimi ve kendi görüşleri vardır. Süreç gerçekten de uydurma olarak adlandırılabilir, ancak sanırım yaklaşım terimi daha doğru olacaktır. Her yaklaşıklık geleceğe yönelik tahmin edilemez ve kâr tekdüzelik kriteri, tahmin için açıkça uygun olmayan seçenekleri atmamıza izin verir. Tabii ki IMHO.
Bu, test cihazının bir numune üzerindeki optimizasyon problemine uygulanabilirliği ve ardından numunenin dışında test yapılması anlamına gelir. Aynı sonuçlar, sadece diğer taraftan yaklaşmanız gerekiyor - ardışık kayıpların sayısını ve kayıpların büyüklüğünü azaltın. Sadece.
Samimi , kârın tekdüzeliği ile her şey o kadar basit değil. NN'de aynı A, B, C kümelerini alırsak, normal eğitimden sonra stratejinin karlılığı şöyle olacaktır: A bölümünde maksimum, B bölümünde önemli ölçüde daha azdır ve C bölümünde önemli ölçüde daha azdır. daha da kötüdür. Ama bizde işler tam olarak böyle: Tarihte, sonuçlar mükemmel, ama bunun dışında - bir tahliye ... Sorun tam olarak, C bölümünün karlılık açısından neredeyse kesinlikle daha kötü olacağı bir strateji seçmekte, ama yine de A alanı ile karşılaştırılabilir.
Bana öyle geliyor ki, yaklaşıklık ile analoji burada da cevabı veriyor: Yaklaşım ne kadar iyi olursa, ekstrapolasyon için o kadar az uygun olduğu biliniyor (elbette, tahminle birlikte bir analitik fonksiyonun grafiği durumunu atıyoruz) . Dolayısıyla iyi bir çözüm, büyük olasılıkla A üzerinde büyük bir kâr sağlayan değil, A + B üzerinde daha eşit bir kâr sağlayan bir çözümdür. Şimdi ekstrapolasyona başlıyoruz ve yine doğal olarak tahmin ufkunda bir artışla hatada bir artış elde ediyoruz.
Kesinlikle katılmıyorum, Vita . Aksi takdirde, sinir ağlarında tüm verilerin temelde farklı olan üç parçaya bölünmesi olmazdı: gerçek optimizasyon - sadece ilk bölümde; ikincisi yalnızca eğitimin sonunu belirlemeye hizmet eder ve üçüncüsü - sadece tek test için. Yani, gerçek ayarlama sadece ilkinde gerçekleşir ve üçüncüsünde - ne olur ... Ve seçim - "Occam'ın usturası" veya sisteme olan güven kaybı - sistemin yaratıcısına kalır.
Kabaca söylemek gerekirse, A+B+C optimizasyonu yukarıda açıklanan işlemden tamamen farklıdır.
Netlik için, her ihtimale karşı.
A, örnek üzerinde optimizasyon yapılarak elde edilen parametre setidir.
B - numunenin dışında A'yı test ettikten sonra elde edilen bir dizi parametre.
B elde etme süreci, bir örnek dışı testin izlediği örnek içi bir optimizasyon sürecidir. Bu süreçte eğri uydurmadan kurtulmanız mı gerekiyor?
C, numune seti + numune seti dışında optimize edilerek elde edilen parametre setidir.
Demek istediğim, eğriye uyma açısından C'nin B kadar iyi olduğu.
S-B = örneklemde veya örneklem dışında kârlı olmayan, ancak bir bütün olarak popülasyonda kârlı olan parametreler kümesi.
B elde etme işlemi standart bir test cihazı tarafından gerçekleştirilebilir.
Samimi , iyi bir çözümün A üzerinde maksimum kâr sağladığını söylemiyorum. Optimize edici bunu daha iyi yapar: A üzerinde mutlak bir maksimum verir, ancak örnek dışı üzerinde hiçbir şey vermez. NN'nin öğrenme modeline göre, iyi bir çözüm için olası bir aday, B'deki maksimum kâr iken, zaten kabul edilebilir derecede yüksek, ancak A'daki maksimum kâr değil.
Yorumunuza gelince: Neredeyse katılıyorum, ancak "A + B" değil, "A + B + C".
2 Özgeçmiş: Bana her şeyi bir önceki sayfada açıkça yazmışım gibi geldi. .. A, B, C kümeleri kesişmez. Örneğin:
A - 1 Ocak 2004'ten 31 Aralık 2005'e kadar,
B - 1 Ocak 2006'dan 31 Ekim 2006'ya kadar ve
C - 1 Kasım 2006'dan günümüze.
NN'deki olağan veri uzunluğu oranı A:B:C = 60:20:20'dir.
Yorumunuza gelince: Neredeyse katılıyorum, ancak "A + B" değil, "A + B + C".
Onları burada tanıtmayacağım. Ama bunları yaparken öğrendiğim test prensipleri çok mantıklı. Ve burada, meta alıntı uydurmanın aksine, en azından genelleme yeteneğine güvenebiliriz (danışmanın gelecekte kârlı kalabileceği ana özellik; optimize edicimiz bu özellikten tamamen yoksundur).
Ah doğru! Genelleme yeteneği , bir optimize edicinin değil, bir EA'nın özelliği olmalıdır. Hukuk danışmanın içine yerleştirilmelidir, danışmanın fikri mümkün olduğunca kapsamlı ve sistematik olmalıdır. Ancak optimize ediciye bu tür iddialarda bulunmazdım. Bence bu çok saçma. Herhangi bir Uzman Danışmanı her zaman ve gelecek için kesinlikle karlılık düzeyine çekmek için genelleme yapabilen bir optimize edici kullanmaya çalışmak kadar saçma. Uzman Danışmanlarda yasa olmaması, karlı bir fikir olmaması vb. optimize edebileceği genelleme yeteneği. Sadece eğriye uyması için kalır.
Samimi , iyi bir çözümün A üzerinde maksimum kâr sağladığını söylemiyorum. Optimize edici bunu daha iyi yapar: A üzerinde mutlak bir maksimum verir, ancak örnek dışı üzerinde hiçbir şey vermez. NN'nin öğrenme modeline göre, iyi bir çözüm için olası bir aday, B'deki maksimum kâr iken, zaten kabul edilebilir derecede yüksek, ancak A'daki maksimum kâr değil.
Yorumunuza gelince: Neredeyse katılıyorum, ancak "A + B" değil, "A + B + C".
2 Özgeçmiş: Bana her şeyi bir önceki sayfada açıkça yazmışım gibi geldi. .. A, B, C kümeleri kesişmez. Örneğin:
A - 1 Ocak 2004'ten 31 Aralık 2005'e kadar,
B - 1 Ocak 2006'dan 31 Ekim 2006'ya kadar ve
C - 1 Kasım 2006'dan günümüze.
NN'deki olağan veri uzunluğu oranı A:B:C = 60:20:20'dir.
Allah onları A, B ve C ile kutsasın. Benim gönderilerimde farklı bir anlamı var. Bunlar zaman dilimleri değil. Bunlar, optimizasyonun ürettiği parametre kümeleridir. Neyse.