算法优化锦标赛。 - 页 108

新评论
 
ILNUR777:
好吧。既然拟合只是优化问题的一个特例，那么速度和效率怎么可能不需要。如果它们的变化速度比算法寻找的速度快，那么寻找最大值有什么用呢。想象一下，你有一个准确预测细微差别的机制（让它至少有60%的时间），但计算的时间超过了一分钟，这样的预测有什么用呢？而且，即使你是对的，事实上预测是正确的。这里也是如此。
计算速度是非常重要的。但如果问题不能在一分钟内解决，提前一分钟进行预测，那么最好考虑更大的TF，比如说M5，然后就有可能及时进行。但速度本身并不是目的，准确度更为重要。
 
ILNUR777:
在我的理解中，优化是对两个或更多的价值/参数或其他东西（例如价格/质量）的比率的改进。或者就交易而言，它是将已经盈利的（正）TS（头寸）提高到最佳参数（TS或mm），风险/收益或类似的东西。以这样或那样的方式进行优化只是为了修改现有的。如果你没有积极的规则，你要优化什么？如果你优化一个随机系列，那么无论快速或慢速优化都是无用的，如果输出也是随机的。我认为安德烈-泽林斯基指的是这些含义。我可能是错的。当你知道这个最大值是有意义的时候，搜索一个最大值是有意义的。否则，为什么要费尽心思去寻找它。而这正是速度的重要性所在。而如果你知道如何检测这个有意义的最大值，它已经是一个有速度的ts。而优化只是微调。就是说，它不是主要的。而这里告诉我们，优化是第一位的，更重要的是其速度。可能人们可以使用优化算法，并将其他算法添加到其中，以获得一个带有mo的ts，但它不会是纯粹形式的优化。据推测，迪克有这样的共生关系，也就是说，可以把有利可图的算法 插入普通的优化算法中，当然，那么他对选项感兴趣，想知道这些普通的优化算法（本质上只是一个包装）是否比他的快。其他参与者的竞争只是为了竞争。因为他们没有这种共生关系，天真地认为竞争会给他们带来什么。

例子1。具有自学功能的神经网络（任何网络或任何其他类似技术）上的专家顾问。这样的专家顾问可以自己工作，控制其最终的交易数据，并在需要时开始自我优化。

例子#2。证券交易。形成一个具有所需特征的投资组合需要通过数百种交易工具。

第3个例子。一般来说，使用指标的直接信号的TS需要经常进行优化，它不能保证在未来获得利润。但有一种方法，指标不是信号的直接来源，而是一种支持，TS是基于这种支持，由于系列的统计特性，获得了盈利。在这种情况下，有必要找到最佳参数，将序列的统计特征转化为信号。

第4个例子。交易者经常认为，例如优化专家顾问，以获得利润只是一种调整，期望在未来从这样的EA中获得利润是愚蠢的。而这是一个正确的说法。但是，为什么他们不寻找不是优化TC参数而是优化标准的方法呢？优化标准的优化就像第一个导数。

我可以举出无限的例子来说明优化算法的实际应用，交易者每天都会想出一些想法，并需要寻找这些想法的最佳实现。只有目光短浅的人才能否认交易者对精确优化算法的迫切需要，我希望你不是这些人之一。

 
Andrey Dik:

例子1。具有自学功能的神经网络（任何网络或任何其他类似技术）上的专家顾问。这样的专家顾问可以自己工作，控制其最终的交易数据，并在需要时开始自我优化。

例子#2。证券交易。它需要通过数以百计的交易工具来组合成一个具有所需特征的投资组合。

第3个例子。一般来说，使用指标的直接信号的TS需要经常进行优化，它不能保证在未来获得利润。但有一种方法，指标不是信号的直接来源，而是一种支持，TS是基于此的，由于系列的统计特征，获得了盈利。在这种情况下，有必要找到最佳参数，将序列的统计特征转化为信号。

第4个例子。交易者经常认为，例如对专家顾问进行优化以获得利润只是一种调整，期望在未来从这样的EA获得利润是愚蠢的。而这是一个正确的说法。但是，为什么他们不寻找不是优化TC参数而是优化标准的方法呢？优化标准的优化就像第一个导数。

我可以举出无限的例子来说明优化算法的实际应用，交易者每天都会想出一些想法，并需要寻找这些想法的最佳实现。只有目光短浅的人才能否认交易者对精确优化算法的迫切需要，我希望你不是其中之一。

你说的"优化标准"是什么意思？我以为有一个单一的优化标准--一组优化参数（优化参数越少--越好，最好是一个--期），提供FB回收系数的最大值=净利润与最大缩水的比率。
 
Andrey Dik:

你给出了有趣的例子。

然而，调整交易策略参数值以使被测试的交易策略在选定的历史时期内获得最大的利润，并期望在当前交易中使用相同的数值获得未来的利润，这并不总是一件愚蠢的事情。

这一切都取决于交易策略本身和有待优化的参数。如果它们本身并不 "愚蠢"，那么这种拟合确实也能对当前的交易有帮助。

例如，如果一个交易者计算出相对于其当前三个月的平均值的成交量跳跃值。通过优化结果，交易员找到了开启交易最有利可图时的跳跃值（百分比），因为这样的交易结果是最有利可图的。

我想你可以找到更多不 "愚蠢 "的适合的例子。

 

最近，人们对神经网络的兴趣减弱了，因为交易者发现很难在训练样本之外找到一个盈利的策略。对于经典的基于指标的TS来说也是如此。但问题不在于神经网络，也不在于指标，问题在于错误的标准，错误的优化目标。很多时候，交易者拒绝他们的TS想法，因为它们在优化区域之外失败了，但他们甚至没有意识到，这些想法是有利可图的，只是优化标准 选择错误。事实证明，即使是最简单的TS在两个MA条上也可能是有利可图的，是的，我们只需要从不同的角度来看待它们，添加一个 "智能 "停止，添加一个拖网，提供一个合格的MM，正确地优化这一切，然后就可以了!- 工作的TS。你甚至可以用斧头做汤，因为我们知道主要成分是厨师的智慧。

优化算法本身只是一种工具，是科学家手中的显微镜，但如果科学家没有头脑，任何显微镜，即使是最精确的显微镜，也不会帮助他。

 
Yousufkhodja Sultonov:
你说的"优化标准"是什么意思？在我看来，只有一个优化标准--它是一组优化参数（它们的数量越小--越好，最好是一个--期），提供FS恢复因子的最大值=净利润与最大缩水的比率。
你的帖子回答了这个问题--在一般意义上，这正是链接中所说的内容。但优化标准可以非常不同，其类型和范围只受限于交易者的想象力。
 
ILNUR777:
这是有可能的。但如果我们寻找无刹车进场，即作为在预测范围内设置最大止损的地方，在小的时间框架上（在高价格预测的框架内）获得预测的速度也很重要。在大的时间框架上做多头，并不是点到为止，时间很长，但入仓的时间也很重要。如果我们不能提高对M5的预测精度，那么为什么不看看对M1的类似预测。然后准确性就取决于速度。
是的，而且这与我刚才说的并不矛盾。AO最重要的属性是准确性，但速度绝不是多余的。争夺最快的算法是很愚蠢的。参赛者的算法速度本应作为评估之一，但后来决定放弃将其作为锦标赛的一部分。
 

我根据寻找 多变量函数极值 的一种经典方法的原理做了一个演练。

我把F(x1,x2,x3)=exp(x1+x2+x3)/(x1*x2*x2*x3*x3)作为函数来检查。

我得到了这些结果。

指定的搜索误差为0.01。

初始参数（第一次查询）x1=x2=x3=0.5。

搜索范围0-100

函数被调用的次数 - 51

最小值Fmin=3.76210

x1=1.1; x2=2.1; x3=3.1。

谁能检查一下最低限度？

F=(exp(X[1]+X[2]+X[3]))/(X[1]*X[2]*X[2]*X[3]*X[3]*X[3]);
 
ILNUR777:
仅仅是优化并不能帮助回答Zinaida的问题。

不是自己的。但是，如果没有优化国内和不仅是国内的开支，例如，更应该如此。

而一般来说，如果你不需要优化 - 这个分支不适合你。

 
Andrey Dik:

事实上，如果...- 这条线不适合你。

随着一位 "大师 "和 "优化 "系统的主要 "专家 "的这些话，任何讨论都结束了。

1...101102103104105106107108109110111112113114115...132
新评论