进行滚动前进的方法 - 页 12

新评论
 
Alexey Burnakov:

我们可以就这个话题进行辩论。如果你有10,000个交易（多维空间中的点，我们把自己限制在选定的维度--变量），那么输入10,000个变量就足以在一个超平面上适合你的所有点。这已经是一种赤裸裸的配合。所以，我想说的是。

这在原则上是错误的，但有些时候这并不重要。

有效性可以被检测出来。如果在其他变量固定的情况下，改变某些变量并不能使结果发生很大的变化，那么显著性就很低。然而，与其他变量的相互作用就会消失。事实上，一个系统是几个变量的互动。

它比这更简单。

这个话题的主题是volking-forward。拟合的术语是在历史上进行优化，并将优化的结果 替换为专家顾问的实际表现。缺乏拟合是对非优化的、向前的历史部分的分析结果。如果你只看非优化的部分，那就是没有调整的评价。

也就是说，在这个意义上，拥有或不拥有一个变量的有效性的唯一标准是它是否有助于在不可预测的未来条件下赚取。

换句话说--我所知道的最好的一种拟合是向前拟合。但是，不幸的是，你不能仅仅通过优化来实现它，你必须改变代码

 
Youri Tarshecki:

比这更简单。

这个话题的主题是狼性的前进。拟合的术语是对历史进行优化，并将优化的结果 替换为专家顾问的真实性能。缺乏拟合是对非优化的、向前的历史部分的分析结果。如果你只看非优化的部分，那就是没有调整的评价。

也就是说，在这个意义上，拥有或不拥有一个变量的有效性的唯一标准是它是否有助于在不可预测的未来条件下赚取。

换句话说--我所知道的最好的一种拟合是向前拟合。但是，不幸的是，你不能仅仅通过优化来实现它，你必须改变代码。

我同意这一点。

市场上充满了价值数千美元的专家顾问，他们最多只有500个交易在优化。这是个损失，是的。

这不是那么简单，但还有另一个问题：如果有办法预先设计一个不那么容易学习噪音的系统，那么我们应该花多少时间来预调系统（学习噪音），然后看到不好的前兆。

 
Alexey Burnakov:

我同意这一点。

市场上有很多售价数千英镑的EA，最多只有500次交易的优化。这是个损失，是的。

这并不容易，这是一个要花多少时间来预调系统（学习噪音），然后看坏的问题，如果有办法预先设计一个不容易学习噪音的系统。

在这个意义上，目前还没有提出比 "伏击 "更好的办法。
 
Youri Tarshecki:
在这个意义上，还没有人提出比volking-forward更好的东西。

那我就建议一下。

跳舞前进是测试中的一个新词。

在绿色教学中，在红色测试中。重复许多次。

)

 
Alexey Burnakov:

跳舞前进是测试中的一个新词。

我们得到的结果是什么？
 
Alexey Burnakov:

那我就建议一下。

跳舞前进是测试中的一个新词。

在绿色教学中，在红色测试中。重复许多次。

)

这是一个相当古老的想法。我试过用火山，用我的手，但没有用。而且既要对成功的部分进行培训，也要对随后不成功的部分进行培训。

关键是，我们失去了惯性，反而得到了一个彩票。如果有办法说明故事的具体抽样性就好了....。-关于这一点，我有几个想法，还需要进行测试。

诀窍在于，没有可靠的方法来确定历史上的具体市场特征，并确认其周期性。而没有这一点，选择过去部分的过程就完全是随机的。

 
Igor Volodin:
我们得到的结果是什么？
舞动的利润
 
Igor Volodin:
而我们得到的结果是什么？

这当然是个笑话 )

但这种方法类似于有重复的交叉验证法。在测试集上估计模型参数时，采用了这种方法。也就是说，对结果的验证必须在一个单独的集合上进行。

 
Igor Volodin:
在这里 描述了我使用员工测试器的 "向前走 "计划。
更加感谢你的想法!在那里问了一个问题。简而言之，我怎样才能让没有模拟的优化器（顾问忽略数据）在优化期间改变测试开始日期？
 
Nikolay Demko:

我根本不使用它，我的GA有自己的测试器，一切都在MQL5上。

PS 在2011年，我厌倦了要求MQ实施这个或那个。我都是自己写的。我只在启动实时演示模式之前使用内置测试仪进行调试。

但我有兴趣将遗传算法与我在volking期间 的优化方式进行比较。我最初决定，逐一优化变量会更经济，因为在volking过程中，一个部分会被优化很多次，而且变量的相互作用仍然会发生。我很久以前就在用手做遗传学，结果发现几乎是一样的。但说实话，我太懒了，无法为这项任务定制Autotester。是否有可能选择一些或多或少的多变量猫头鹰来完成这项任务，并比较你和我的结果？
1...5678910111213
新评论