优化范围 - 页 6

新评论
 
ITeXPert писал(а)>>

大家好!

我想问一个关于用于优化EA的数据范围的问题。也就是说，在哪些时间段选择哪些范围。例如，对于H1来说，在一个月、三个月或一年的数据上优化专家顾问就够了吗？我希望看到不同时间段的这些数值，并至少对选择进行简要的证实。非常感谢你。

首先，你需要弄清楚什么是适合你的优化。如果你把一个系统从头开始，并试图在过去的X天/年里对其进行优化，它将是一个合适的，并直接进入垃圾箱。如果优化范围是由一些交易定义的，那也是一样的。在TS中实现的方法应该长期工作（时间越长越好），最好是在不同的仪器上。但工作并不意味着用固定的参数来磨钱。它应该是可适应的。这意味着它的最佳参数应该缓慢而均匀地变化，足以让你使用调整到最接近历史的参数赚钱。甚至在市场不适合你的系统时，及时暂停交易。为此，你应该知道，哪些参数和在什么范围内优化是有意义的，以及系统拒绝的标准（例如，当在优化期间没有预定区域内的最佳值）。换句话说，你需要知道你的系统的适用性和优化边界，这可以通过测试或交易历史来发现。有必要实现方法的稳健性，而不是其单个最佳参数的稳健性。要做到这一点，你不应该分析单个运行，而应该分析参数的最佳范围内的行为，以及最佳参数在这些范围内随时间变化的动态行为。
 
Avals >> :

我觉得我说的不是同一件事 :(( )

 
Avals >> :
...这意味着，它的最佳参数应该缓慢而均匀地变化，足以让你赚钱，使用参数调整到最近的历史。甚至是及时停止交易，如果市场不适合你的系统。要做到这一点，你需要知道哪些参数是有意义的，在什么范围内进行优化，以及系统放弃的标准（例如，如果在优化期间，在预定的区域内没有最佳值）。

这就是重点，它不会起作用--最佳参数应该是缓慢变化的，市场不是静止的，而且在任何时候

这些参数及其限制可能会发生巨大的变化)。

 
budimir >> :

这就是重点，它不会起作用--最佳参数应该是缓慢变化的，市场不是静止的，而且在任何时候

这些参数及其限制可能会发生剧烈变化)。

这就是问题所在 :))

 
budimir писал(а)>>

这就是重点，它不会起作用--最佳参数应该是缓慢变化的，市场不是静止的，而且在任何时候

这些参数和它们的限制可能会发生巨大的变化 :-o)

为此，有系统的放弃标准，在大多数情况下，这可以在以股权表示之前完成。此外，没有人禁止在空头不奏效的情况下只交易多头，反之亦然;)如果不完全根据交易参数上的股权变化来做决定，所有这些都可以在适当的时候完成。

 

最近，我一直在尝试使用某种稳定系数。

例如--优化一年，然后对每个月的增长系数（每月DEPO的增加）进行统计。最大和最小系数的计算。它们的比率被称为稳定性系数。如果它趋向于一，那么它就是理想的变体。最小系数也应大于1。所有参数都保存在文件中。我没有时间把这些都做成一个像样的形式。我想把它贴在我的论坛上。

 
Vinin писал(а)>>

最近，我一直在尝试使用某种稳定系数。

例如--优化一年，然后对每个月的增长系数（每月DEPO的增加）进行统计。最大和最小系数的计算。它们的比率被称为稳定性系数。如果它趋向于一，那么它就是理想的变体。最小系数也应大于1。所有参数都保存在文件中。我没有时间把这些都做成一个像样的形式。我想把它贴在我的论坛上。

IMHO的缺点是在固定的时间范围内：月、年。出于这个原因，我同意中子 的观点--为了比较参数，我们应该使用固定数量的交易，然后你不仅可以计算DEPO（利润）的增加，还可以通过比较，例如利润系数，计算利润/风险。

 
Avals писал(а)>>

IMHO的缺点是在固定的时间范围内：月、年。在这方面，我同意中子 的观点 - 在固定的交易数量上比较指数，然后你不仅可以计算DEPO的增加（利润），还可以计算利润/风险，例如比较利润系数。

该系统可能总是被改进。如果我们有标准就好了。

 
Vinin >> :

........只要有标准。

这就是重点:)，每个人都会为自己调整标准，即使是在读了一本 "关于优化的好书 "之后.........。没有所有问题的答案.....，某地有人工作，某地没有.....，等等.....。

..................

不幸的是，我没有一个统计-数学仪器，可以让我计算所有这些，但我认为这也没有帮助--有太多的选择.....。

 

总的来说，如果你对Strategy Tester的优化器进行鸟瞰，很明显，它与神经网络没有什么区别。事实上，我们有一定数量的可定制参数，使用一定数量的指标和一个输出信号，向我们发出开仓做多或做空的信号。作为一项规则，可调参数的数量与指标（输入）的数量相同，它是经典单层perseptron的一个变种。但我们并不知道，尽管如此，我们还是在交易中积极使用它。而且，如果能更好地了解在使用NS时使用的仪器，这将有助于避免标准错误和参数优化中的次优行为。例如，从这一点可以立即看出策略测试器的局限性，因为单层persepron不是一个最佳的近似器，因此，原则上不可能在这个公式中获得MTS的盈利能力方面的最佳结果。

对于一个NS，我们得出了预定历史长度的最佳拟合参数数，不考虑它就会导致参数过度优化的效果（我在上面已经提到过）。这就是所有关于测试人员在向前测试时记住历史和失去存款的问题的根源所在。此外，如果我们考虑到两层perseptron是一个通用的逼近器，那么任何在使用的指标之间有任何狡猾联系的TS（一个有乘法、除法等）都可以被简化为相同指标的加权和而不损失功率，这就是经典的NS架构，我们可以使用世界上最有效的参数优化方法--反向误差传播法。这显然比测试仪中使用的简单蛮力甚至是遗传算法 要快几个数量级。此外，在这样的转移到一个新的架构中并没有什么困难，你只需要采取指标信号的总和并找到最佳权重。

我想说的是：我们都对人工智能和与之相关的一切非常怀疑，尤其是对NS。 但我们没有注意到，我们在每一步都隐含地利用了这个知识领域--在策略测试员中的优化我们以最次优的方式利用这一领域--通过摸索。 因此，人们往往希望在一系列测试中放弃 "坏 "的通过，等等。事实上，这个世界更简单，没有什么可做的，只是你需要知道该方法的适用区域和它的局限性。

1234567
新评论