To measure the performance of a trading strategy, annualized returns are often a common metric. However comparing two strategies based on annualised returns may not always be a logical way due to several reasons. Some strategies might be directional, some market neutral and some might be leveraged which makes annualized return alone a futile...
MO 的另一个特点是，在应用模型时，训练时间窗口中相关性很好的预测因子可能会分散，即相关性是假的。当一部分结构相似的树叶停止生长时，我就会在树上观察到这种情况。也就是说，由于 "过滤 "出最佳分割的预测因子的随机相关性，离树叶较近的部分分割可能是一个随机值，因此，虽然树叶结构极其相似，但相似的树叶会有盈利和不盈利两种情况。这是一个非稳态和数据不足的问题，鉴于这些情况的特殊性，有必要对 MO 过程本身进行调整；我有一些想法，但遗憾的是，我不是程序员，无法实现这些想法。
例如，log（收益率/缩减率）
作为优化标准，这些值等同于对数下的表达式。
上文的堆肥建议采用经典的 FV，并进行时间配给。
有些东西还不太清楚。我们正在讨论 reinvest-TS 的三个实体。
对 MT5-Tester 说几句话。
文章介绍了 MT5-Tester 如何用于发现市场模式。但完全没有介绍编写 TS 时的研究工作。
通常情况下，会编写几个实验 TS，其本身就是一种研究。它们可能在某些区块上互不相同。大多数情况下，这些不是交易区块本身，而是形成交易信号的算法。也就是说，变化包含在细小但决定性的部分中。
只要尽职尽责，这类 TS 就能积累很多。市场研究开始简化为分析准备就绪的算法如何从给定的交易间隔中榨取利润。
MT5-Tester 是多核（基于云）的，并内置了良好的遗传算法，即使是初学者也能对输入参数的巨大空间（可能是环形空间）进行高效快速的计算。当需要对 TC 进行比较时，就需要对每个 TC 的优化结果进行比较。
即使是 MT5-Tester 这样简单而强大的工具，手动操作也非常繁琐。尤其是当您需要经常这样做时，就更难了。在算法交易中，可能至少每周一次或更频繁，这完全取决于 TS 作者的懒惰程度。不过，不仅是 TS 作者，普通用户也可能面临这样的任务。例如，如果您想比较市场上几种现成的智能交易系统。
MT5-Tester 有内置的自动化机制，但需要良好的资质。这就是为什么订单执行 设置（是否滑动等）和佣金下的结果。
要执行每个项目，您都不需要运行测试器。
也就是说，即使是市场上的付费机器人，也可以对 TS 进行深入研究。
让我们假设市场存在某种规律性。其特点是，您可以编写多个具有不同逻辑的 TS，它们都能获取利润，只是效率不同而已。
例如，我衡量利润捕获效率的标准是，在以恒定手数优化时，最佳通行证的利润。曲线越高，效率越高。也就是说，利润越高，交易在 价格图表上的 叠加就越准确。
经典与 NS
有趣的是，不同的 TS 不仅输入参数集不同，逻辑也不同。逻辑本身可以通过 NS 来描述，它在通用内部逻辑中有自己的输入数。
当我优化经典 TS 时，逻辑来自于头部，不存在根据市场调整逻辑的问题。也就是说，逻辑已经创建，您只需进一步优化其少量输入参数。
但是，在 EA 上处理 TS 时，"通用 TS "的输入参数数量巨大。因此，从直观上讲，拟合概率要比经典 TC 高得多。
我的推理缺陷在哪里？
交易成本
对于剥头皮 TS 而言，佣金起着重要作用。在这种情况下，价格完全取决于它。也就是说，市场规律实际上并不取决于该指标。因此，在比较 TS 时，使用不含佣金的利润是合乎逻辑的。但在实际交易中不能忽略佣金。这就是为什么在无佣金优化过程中获得的 TS 期望值较高，当然利润指标也较低的原因。事实证明，那些对市场规律的描述比它们所能描述的更糟糕的 TS 会投入战斗。这有点自相矛盾。
相应地，如果战斗 TS 对市场规律性的描述效果较差，那么其失败的概率就会高于无佣金情况下显示丰厚利润的 TS（期望矩阵高于佣金）。
TS 的比较
假设 TS1 与 TS2 有相同数量的明确输入参数。但是，TC1 的最佳通行证比 TC2 多获得 10%的利润。为了不被统计意义所干扰，让它成为数以千计的滚动交易。
如果说 TC1 比 TC2 更好地描述了市场模式，10% 是多还是少？如何理解哪里是利润的统计误差，哪里是描述市场的算法确实更准确？
总之，我写得比较啰嗦。如果有人看到了我这套口才中的逻辑，并对这个话题有一些想法，我将很乐意倾听。
技术合作比较
假设 TC1 与 TC2 有相同数量的显式输入参数。但同时，TS1 的最佳通过率比 TS2 高出 10%。为了不被统计意义所干扰，我们假设有数千次滚动交易。
如果说 TC1 比 TC2 更好地描述了市场模式，10% 是多还是少？如何理解我们讨论的是利润的统计误差，而我们讨论的是描述市场的真正更准确的算法？
我认为标准的基本方法是比较它们的"年化夏普比率"。或者是其他什么原因？
总之，这篇文章非常啰嗦。如果有人从这一系列诽谤中看到了逻辑，并对这一话题有什么想法，那将会很有意义。
接收到的策略的任何变体都可以成为数据的条件拟合--不管它是发明的，还是在 MO 的帮助下获得的，都没有关系。
如果我们分析一下 TS 停止盈利的原因，可能会发现市场发生了重大变化，也就是说，该策略只是在它一无所知的数据上失败了，或者该数据较早，不可能学会在它上面盈利。学习时间窗口小的问题。
MO 的另一个特点是，在应用模型时，训练时间窗口中相关性很好的预测因子可能会分散，即相关性是假的。当一部分结构相似的树叶停止生长时，我就会在树上观察到这种情况。也就是说，由于 "过滤 "出最佳分割的预测因子的随机相关性，离树叶较近的部分分割可能是一个随机值，因此，虽然树叶结构极其相似，但相似的树叶会有盈利和不盈利两种情况。这是一个非稳态和数据不足的问题，鉴于这些情况的特殊性，有必要对 MO 过程本身进行调整；我有一些想法，但遗憾的是，我不是程序员，无法实现这些想法。
例如，我衡量利润获取效率的标准是，在批量不变的情况下进行优化时，最佳通行证的利润。利润越高，效率越高。也就是说，利润越高，交易在价格图表上的叠加就越准确。
以下结论取决于此处选择的标准。因此，在我看来，在这里只获取利润是错误的。
经典 vs NS
有趣的是，不同的 TS 不仅输入参数集不同，逻辑也不同。逻辑本身可以通过 NS 来描述，它在通用内部逻辑中有自己的输入数。
当我优化一个经典的 TS 时，逻辑来自头部，不存在根据市场调整逻辑的问题。也就是说，逻辑已经创建，您只需进一步优化其少量输入参数即可。
但是，在 EA 上处理 TS 时，"通用 TS "的输入参数数量巨大。因此，从直观上看，适合的概率要比经典 TS 高得多。
我的推理漏洞在哪里？
一切都是合乎逻辑的。
也许区别只在于经典变体的 "少量输入 "和神经网络的合格逻辑输入。
交易成本
佣金对剥头皮 TS 起着重要作用。在这种情况下，价格完全取决于它。 也就是说，市场模式实际上与该指标无关。
我不同意。什么是 "价格"？是到处都一样，还是有一个基准？
我的观点是，某个经纪人佣金的多少可能取决于他的报价（LP 聚合的数量和方法、过滤器等）。
更不用说直接加价了。
fxsaber：
因此，在比较 TC 时使用无佣金利润是合乎逻辑的。
我从根本上不同意。
策略必须考虑成本，这也是选择最佳策略的标准。
为什么我们需要对无法交易的真空中的球形报价进行 "完美描述"？
我不同意。什么是 "价格"？是各地都一样，还是有一个基准？
我的观点是，某个经纪人佣金的多少可能取决于其报价（LP 聚合的数量和方法、过滤器等）。
更不用说直接加价了。
价格是最好的交易条件，不需要在上面加任何东西。
根本不同意。
策略有义务考虑成本，选择最佳策略的标准也是如此。
为什么我们需要在真空中对无法交易的球形报价进行 "完美描述"？
TS 对价格的描述越完美，其逻辑就越符合市场规律。价格不包括佣金。在确定了这种 TS 的逻辑之后，就应该进一步将其应用于实战。也就是说，您首先需要找到的不是能通过佣金获利的 TS，而是能通过佣金获利的 TS（逻辑）。而是不含佣金也能获得最高利润的 TS（逻辑）。
标准的基本方法似乎是比较它们的"年化夏普比率"。还是我们在谈论别的什么？
我很熟悉夏普比率。我对任何优化标准的方向都没有信心，谈不上描述市场模式的逻辑质量。
对数据的条件拟合可以是所获策略的任何变体，至于是你自己想出来的，还是在 MOE 的帮助下得到的，这一点都不重要。
如果我没理解错的话，MOE 是一种 "通用 TS"，具有大量输入参数。因此，我不太赞同这一观点。
如果我没有理解错的话，MO 是一种 "通用 TC"，有大量的输入参数。因此，我不太赞同这一观点。
就我个人而言，我使用这些预测器进行训练，并将其用于实际交易中，也就是说，这些是经过处理的信息，而 MO 只是参与在这些信息中实际寻找模式，就像我坐下来开始根据这些指标编造自己的模式，然后在测试仪上进行检查一样。