Тестер стратегий позволяет тестировать и оптимизировать торговые стратегии (советники) перед началом использования их в реальной торговле. При тестировании советника происходит его однократная прогонка с начальными параметрами на исторических данных. При оптимизации торговая стратегия прогоняется несколько раз с различным набором параметров...
没有每小时的统计数据吗？
即最初的假设：在某些时段，增量平均会增长，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）。
优化/交易机制几乎是定期运行的，但 WFO 并没有按小时收集统计数据。这是另一项任务，但似乎并不难--谁先找到空闲时间，谁就能成为佼佼者;-)。现在，您可以关注 WFO（最后一栏）中的 inStartHour 和 inCountHours 参数 - 系统建议您从晚上开始交易。但从好的方面来说，EA 应该通过 inStartHour + inCountHours 建立强制平仓，因为现在它经常超过亏损（特别是考虑到mashka 的大周期）。
1. 没有初始假设（统计研究），就没有优化，也就没有什么可优化的。 你可以优化你的幻想，但结果也将是粉色小马的形式
2.不要把一般的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。
提供引文链接也不失为一个好主意。
1.优化适用于系统。系统的存在与研究或统计无关。战略是一个与市场参数相互作用的系统。其优化是在选定的时间范围内寻找最佳值。优化的结果是提供最大存款增长的参数值（推测）。
2.GA 本身已经包含了统计研究。但它对我们是隐蔽的，并在算法本身中实现了自动化。策略统计则不同。它是优化的结果，而不是优化 机制的一部分。
优化的本质 是寻找能给出目标参数最佳值的参数值。
GA的本质 是一种压缩搜索区域的方法，以获得目标参数的最佳值。
统计研究的精髓--积累数据，确定数值、事件、过程之间的关系并分析其重复性。
规律性的本质 是通过统计确定和确认对象之间的联系。
统计研究用于寻找参数值，即优化。这项研究包含在遗传算法中。在测试仪中，这一过程是自动化的，我们只能看到结果。
统计研究用于寻找参数值，即优化。这项研究被嵌入到遗传算法中。在测试仪中，这一过程是自动化的，我们只能看到结果。
统计研究不用于寻找特定参数的具体值。它用于寻找参数本身及其分布。
优化是为了最大化目标函数，这也是优化的原因。统计研究并不总是导致优化，只有在需要在此研究基础上优化某些过程时才会导致优化。
我再次建议您到这里 来最后结束这个问题。
好文章，读起来轻松愉快。
但在宏观分析之后，当您已经可以看到 "池塘里的鱼 "时，通过优化器找到特定参数并在前进方向上检查它们会更快更容易。
在 "saber-Dmitrievsky "之争中的中位数位置;)
而为什么要挑起争斗--这一点还不清楚。
好文章，读起来轻松愉快。
要在正面优化中找到这样的模式，需要很长时间（不过，你可以试着让 GA 对其进行优化）。
但在宏观分析之后，当 "池塘里的鱼 "已经清晰可见时，通过优化器找到特定参数并对其进行检查就会更快更容易。
在 "saber-Dmitrievsky "之争中的中位数位置 ;)
而为什么要挑起争斗 - 还不清楚。
我自己也持同样的立场。
混战是因为错误的概念堵塞了大脑，好像GA可以做任何事情，甚至统计，没有必要看任何地方。
因此，在材料上，您已经可以成群结队地为机器人盖章，并为自己的喜悦而光荣。
谢谢
为那些堵塞大脑的错误观念而斗争，据说 GA 可以做任何事情，甚至可以进行统计，而你不需要去看任何地方。
我认为这更多的是误解。
我觉得这更像是一种误解。
如果在 TS 中添加自由项（参数），GA 在选择最优参数时就会出现严重问题，我已经不止一次检查过了。每增加一个参数，希尔伯特空间就会增加一个维度。这样一来，就无法解释它了（以及要使它在 OOS 上工作，到底应该做些什么改变）。然后你就会明白该去哪里找了。
当然，像文章中这样简单的例子是完全可行的。
如果在 TS 中添加自由成员（参数），GA 在选择最优成员时就会开始出错，我已经检查过很多次了。每增加一个参数，就会在希尔伯特空间中增加一个维度。这样就无法对其进行解释（以及要使其在 OOS 上正常工作需要做哪些改动）。那么，你就必须明白在哪里可以找到它。
当然，像文章中这样简单的例子是完全可行的。
当然，你也可以用不同的方式进行优化。
如果你愚蠢地用一个小步骤在整个范围内搜索所有东西，那么当然会失败。
但你也可以通过分析进行优化：将所有参数夹在一个直观正确的位置，大致搜索一个逻辑块，选择其取值范围。将该逻辑块夹在最佳值的中间，然后优化下一个逻辑块。当优化到最后一个逻辑块时，将所有逻辑块的范围固定下来，并以较小的增量进行采样。
或者按小时查看模式，分别检查（每个小时查看不同的 MA 参数），然后只保留有希望的小时（1-4），并对其进行详细选择。
我认为 saber 的意思是类似的，而不是愚蠢地对所有情况进行粗略分析。
分析结果相同，但在外形上有所不同。
是的，有人认为纸笔乘法是静态分析法，也有人认为只要在计算器上按几个键，结果就会一样。
而那些懂得列式乘法的人则认为，那些用计算器计算乘法的人并不理解所发生的事情的本质。
好了，接下来，就像往常一样，一场声势浩大的 "全民下跪 "运动开始了，呼吁人们向那些喊得更响的人下跪，否则，你将继续在计算器上计算一切，而 "场上积分 "的问题还没有解决，你的计算器在那里将无能为力。
嗯，有很多不同的方法可以报复。
如果你只是小步快跑地开启整个系列的搜索，那当然会很扫兴。
但你也可以通过分析进行优化：将所有参数夹在一个直观正确的位置，大致搜索一个逻辑块，选择其取值范围。将这个逻辑块夹在最佳值的中间，然后优化下一个逻辑块。在优化到最后一个参数时，夹住所有已经缩小的范围，然后以较小的增量进行优化。
或者按小时查看模式，分别检查它们（在每个小时上查看不同的 MA 参数），然后只留下有希望的小时（1-4），并对它们的其余部分进行详细优化。
我认为 saber 的意思是这样的，而不是对所有东西进行愚蠢的粗暴处理。
我们无从得知他的意思，因为他没有写过任何相关的文章。
通常，他的 "研究 "都是以 "我发现了一些东西，出于某种原因它起作用了。没有结论"。
在机器学习中，有一个明确的划分：探索性分析 和模型（算法）创建。通过遗传学进行探索分析是本论坛才发明的。
例如，您可以查看 OOS，查看数据集相对于选择子样本的偏移（协变量偏移等），这在文章中有所显示。Saber 建议，在不了解该图发生了什么变化的情况下，选择一个在两个子样本上都很有效的集合，直到脸都青了。这不过是猴子的劳动。