Введение Генетический алгоритм (ГА) относится к эвристическим алгоритмам (ЭА), который даёт приемлемое решение задачи в большинстве практически значимых случаев, однако при этом правильность решения математически не доказана и применяют чаще всего для задач, аналитическое решение которых весьма затруднительно или вовсе невозможно. Классическим...
大体上，所有优化都归结为在多维空间中寻找（和/或选择）一个极值。
甚至！只要导数的极限是已知的，而且相当平滑，梯度下降就是合适的。
但这要受制于 "优化 "过程中唯一被遗忘的细微差别--必须始终严格遵守物理和逻辑的相互关系。
"你不能就这样走进魔多"。
现在，我在讨论中表达了自己的观点。
1. 这很难让人相信，因为优化的结果 不是统计研究，而是在真空中对球形马的研究，由于维度的诅咒，往往（或者说，几乎总是）无法解读。
2."隐式优化 "是你个人发明的一个术语，也就是说，根本不存在这样的术语，也无法提及。统计研究就是统计研究，可以说是对事件的量化和对概率的估计。
3. 当存在规律性的假设（基于统计研究）被机器人证实时，我们就可以谈论规律性了。也就是说，关于规律性存在的统计结论在实践中得到了证实。在此，我们不涉及统计假设的确认与否定的黑暗森林。正如阿列克谢-尼古拉耶夫（Alexei Nikolaev）所写，这将是一件好事。另外，如果原假设允许 "月下无常 "的选择，那么绝对不能为这种检验定义置信限。在这个意义上，"规律性 "被解释为在研究区间内类似事件的定量重复发生，越多越好。
4. 由于没有定义置信区间（见第 3 点），因此它没有统计意义，既不是更好，也不是更差。
5.EA 复制了文章中统计研究的原始原理，只是进行了优化。由于 TS 变体尽可能简单，因此优化也尽可能简单，命中目标的几率很高。
6.让它断言，随便。可能同意。
7.还是那句话，随便你，欢迎你来。
8.你想看什么就看什么，不建议使用任何方法。众所周知的常规优化。
9.发布的智能交易系统示例表明 fxsaber 可以进行优化。除此之外别无其他。优化和统计研究是两码事（参见维基百科），这种比较只是业余的。优化可以是研究的最后阶段，没有人否认这一点。完全以优化为基础进行研究是另一种无稽之谈，这不是研究，每个人都很清楚这一点，包括 Saber 先生。垃圾进，垃圾出。
我只有一个问题要问您，您为什么要故意在我们的成果转化中引入某种区别，并积极为之辩护，为什么要让自己和他人的生活如此艰难。这个问题是反问句。事实上，这个论坛上的人除了编程什么都不懂。
马克斯，这是一个为程序员服务的论坛，仅此而已！我建议您将文章中的材料发布到其他资源上。千万不要放弃研究市场时间及其结构的道路。
愿恩典以现金的形式降临到你身上。
事实上，这个论坛上的人除了编程什么都不懂。
马克斯，这是一个为程序员服务的论坛，仅此而已！我建议您将文章中的材料发布到其他资源上。我建议您将文章中的资料发布到其他资源上，而不要放弃研究市场时间及其结构的道路。
愿恩典以现金的形式降临到你身上。
我认为这里有一种聋子电话效应，人们互不相识，说着不同的语言。
亚历山大）
简单来说，就是优化：
优化是指在闭环系统中寻找一组参数值，使目标参数达到最大值。
如果是有意识地搜索目标参数的值并验证结果，则可将搜索视为一项研究。
如果是收集数值依赖关系的数据并得出结论，则属于统计研究。(遗传算法 将此自动化，我们不会注意到这一过程）。
但是！- 统计研究不是优化的本质，而是唯一的部分。
fxsaber 写道："任何优化的结果都是一项统计研究，即使没有 100% 的解释。
但任何优化的结果都是 为目标参数提供最大结果的最佳系统参数值.而统计研究是一种工具、一种手段，是优化过程的一部分，它在测试仪中自动运行。
哎呀能再给我两个这样的情节吗？如果是一排，无意冒犯。
这是 "多两块地"
事实上，这个论坛上的人除了编程什么都不懂。
麦克斯，这是一个为程序员服务的论坛，仅此而已！我建议您将文章中的材料发布到其他资源上。
用简单的语言介绍优化：
优化是在闭环系统中寻找一组参数的值，使目标参数达到最大值。
如果是有意识地搜索目标参数的值并对结果进行验证，则可将搜索视为一种研究。
如果是收集数值相关性数据并得出结论，则属于统计研究。(遗传算法 可以自动完成这项工作，我们不会注意到这一过程）。
但是- 统计研究不是优化的本质，而只是优化的一部分。
fxsaber 写道："任何优化的结果都是一项统计研究，即使没有百分之百的解释"。
但任何优化的结果都是 系统参数的最佳值，为目标参数提供最大结果.而统计研究是一种工具、一种手段，是优化过程的一部分，它在测试仪中自动运行。
没有初始假设（统计研究），就没有优化，也就无从优化。您可以优化您的幻想，但结果也将是粉色小马的形式。
不要将一般统计研究与优化过程中获得的统计数据混为一谈。否则就会弄巧成拙。
最好能提供引文链接。
如果可能的话，我更喜欢在终端本身进行分析，因此我使用了我的一个指标，对它进行了一些补充，除了累计过去的周期外，还以纯粹的形式显示增量，得到了这张图（与文章中的原图叠加）：
这是每小时蜡烛图的平均值，而不是 M15 中的中位数，但两者有相似之处。
运行 2016 年的 WFO（遗传学），设置如下：12 个月优化，3 个月前瞻交易（共12 次）。得到报告：
未使用 inMaxAbsoluteDD 和 inMinTrades。
如果可能的话，我更喜欢在终端本身进行分析，因此我使用了我的一个指标，对其稍作补充，除了累计过去的周期外，还以纯粹的形式显示增量，得到了这张图（与文章中的原图叠加）：
这是每小时蜡烛图的平均值，而不是 M15 中的中位数，但两者有相似之处。
运行 2016 年的 WFO（遗传学），设置如下：12 个月优化，3 个月远期交易（共 36 次）。得到报告：
inMaxAbsoluteDD 和 inMinTrades 未使用。
没有按小时统计的数据吗？
即最初的假设：在某些时段，增量平均会增加，即在这些时段会达到最大利润。如果我们通过优化获得了每小时的利润统计，我们就可以确认/反驳这个假设（无需在 TS 中添加新参数）。
如果优化器发现了其他时段，这将是一个拟合。当 TC 参数数量增加时，这种情况很有可能发生，即基因会在错误的地方进行交易，而不会从假设中发现任何东西（作为一种选择）。