2 * w + 10 * (sin(2 * pi * w) * 2 * pi
2 * x + 10 * (sin(2 * pi * x) * 2 * pi
2 * y + 10 * (sin(2 * pi * y) * 2 * pi
2 * z + 10 * (sin(2 * pi * z) * 2 * pi
我比较了GenSA、lbfgs、lbfgsb3、n1qn1和标准optim()函数中的各种方法。
结果。 包、健身（和梯度）函数的调用次数、找到的参数、以及搜索停止的最终结果。
n1qn1 fitness function calls: 448 ; parameters = 3.90227 e-183.90227 e-183.90227 e-183.90227 e-18 ; result = 0
lbfgs fitness function calls: 14 ; parameters = -1.891749 e-10 -1.891749 e-10 -1.891749 e-10 -1.891749 e-10 ; result = 0
lbfgsb3 fitness function calls: 12 ; parameters = -7.542216 e-15 -7.542216 e-15 -7.542216 e-15 -7.542216 e-15 ; result = 0
GenSA fitness function calls: 66582 ; parameters = 1.517382 e-11 -5.657816 e-12 -2.292922 e-11 -3.257902 e-12 ; result = 0
optim Nelder-Mead fitness function calls: 253 ; parameters = -2.9816333.9888130.9902444 -2.980489 ; result = 34.8497
optim BFGS fitness function calls: 49 ; parameters = 8.731115 e-168.731115 e-168.731166 e-168.731157 e-16 ; result = 0
optim CG fitness function calls: 918 ; parameters = 0.99495860.99495860.99495860.9949586 ; result = 3.979836
optim L-BFGS-B fitness function calls: 81 ; parameters = 8.526118 e-138.526118 e-138.526118 e-138.526118 e-13 ; result = 0
optim SANN fitness function calls: 10000 ; parameters = 750.3075745.0596743.626753.8133 ; result = 2239327
马克西姆-德米特里耶夫斯基。
离我与NS的终点线还有3周时间:)))要么是圣杯，要么是他们的地狱。下注:))
起初，听听获胜的几率会很好。这里没有人只接受命令;)
我迫切需要找到 一个平滑函数的最小值，所以我决定首先比较不同的软件包，看看哪个更快。在测试中，我采取了Rastrigin函数（根据一些教授的说法，这是最难优化的函数）。
Rastrigin <- function(x){ return(sum(x^2 - 10 * cos(2 * pi * x)) + 10 * length(x)) }为了测试，我用了4个参数。
衍生品。
我比较了GenSA、lbfgs、lbfgsb3、n1qn1和标准optim()函数中的各种方法。
结果。
包、健身（和梯度）函数的调用次数、找到的参数、以及搜索停止的最终结果。
前三个函数（n1qn1，lbfgs，lbfgsb3）使用分析发现的梯度。
结果=0是理想的，离零越远越差。
我们可以看到，对导数的认识是非常好的，lbfgsb3在12次调用健身函数中达到了完美的结果。
在那些用数字定义梯度的人中，最好的是用BFGS方法的标准函数优化，49次调用健身函数。
结论是，衍生品非常好。理想情况下，我们可以找到所有权重的导数，并将其放入lbfgsb3而不是backprops。
但所有这些测试结果只适用于可以找到所有参数的导数的平滑函数。如果你有函数参数随机改变的结果，即使是最轻微的变化 - 遗传学，GenSA和其他随机算法在那里更好。
我附上了一个带有代码的文件，你可以在你的函数上进行测试。
我想知道这样一个系列是否可以通过一些阿里马来预测，或者是否回到平均值就足够了......设法取得令人印象深刻的稳定结果（协整图），工作回报超过2个价差
回归平均线甚至可以用波段来进行交易。但是，如果平均数随趋势变化而变化，我们如何确定平均价格的位置？(这个问题是反问句--你不可能）。
回归平均线甚至可以用波段来进行交易。但是，如果平均数随趋势变化而变化，我们如何确定平均价格的位置？(这个问题是反问句--你不可能）。
这里的平均数是0，这是一个中性策略
我们应该使用统计学）那里转移的东西在黑盒子里是不可能理解的。
简而言之，几乎完成了3个计划中的第2个战略（第一个的结果已经写好了，不是vkatilo）。
如果这个不工作 - 最后一个将被留下 )
而这将是MO的结束
我不知道这样的系列是否可以通过一些阿里马来预测，或者它足以为回归平均值而工作......设法取得令人印象深刻的稳定结果（协整图），工作回报超过2个利差。
协整是一个术语，与你的图片没有关系。
arim的适用性是由几个测试决定的，其中最主要的是arch，它决定了时间序列 中是否存在arch效应。如果没有拱门效应，大约是20%，那么就可以交易，但......。在历史上，因为这一节已经通过或几乎通过或......。
协整是一个术语，与你的图片没有关系。
算术的适用性是由几个测试决定的，其中最主要的是拱形，它决定了时间序列中是否存在拱形效应。如果没有拱门效应，大约是20%，那么就可以交易，但......。关于历史，因为这一节已经通过或几乎通过或...
让我们第三次定义协整......它是什么，为什么它与我的图片无关？:)
这是一张来自测试现场的照片，我根本不看历史，那里的一切都很完美。
或这是关于什么的--在MO上开发策略或解析不同的R函数，我想我是唯一一个在几个月内费心发布任何结果的人 :)
这里的平均值是0，这是一个市场中立的策略。
你想让绿色图表本身进行交易吗？然后我看到，起初我以为这是一个金牛座交易的指标。
首先我们需要弄清楚--它是一个随机过程，还是像正常的时间序列 一样有记忆。
如果它有记忆，马什卡和阿里马可能是有用的。
但如果图是完全随机的，那么我们就需要马尔科夫过程的模型。我不擅长这个，但亚历山大说过关于维纳模型的事，你可以从它开始，比如说。
让我们第三次定义协整......它是什么，为什么它不适用于我的照片？:)
这是一张来自试验地的照片，我根本不看历史，那里的一切都很完美。
至少有两个时间序列 处于协整状态。
但它们并不是全部。
这些系列不是静止的。
但这还不是全部。
这些非稳态数列必须以这样的方式连接起来，使结果是稳态的。
交易决定是基于这个保证非常有可能做出预测的STATIONARY系列而做出的。
你想交易绿色图表本身吗？然后我看到，起初我以为这是一个金牛座交易的指标。
首先，我们需要弄清楚它是一个随机过程，还是像正常的时间序列一样有一个记忆。
如果它有内存--那么mash和arima都可以发挥作用。
但如果图是完全随机的，那么我们就需要马尔科夫过程的模型。我不擅长这个，但亚历山大说过关于维纳模型的事。
因此，我们需要确定它是否有记忆，即由它的尾巴决定？