自动选择优化结果的标准。
让我们开始吧，让我们从现在开始驳斥几个部分使这个主题失去意义的论点。
1）"利润是在构建阶段建立在系统中的，而不是在优化阶段"。一般来说，这使得优化阶段不重要。我自己在很长一段时间里也是这么想的。我是多么的错...有一些系统并非如此，或者说不完全如此。各种NS和简单的非常复杂的系统（最近看到一个有大约100个需要 "调整 "的参数的pipswitch，顺便说一下，相当有利可图），无论你在设计阶段把它们放在哪里，如果没有优化/培训，很容易变成垃圾......
2) "外部参数太多--专家是垃圾"。我经常听到这样的话。实践表明，不存在这种关联。这样的EA很难培训，因此也很难使用，但这是因为没有人能够清楚地说出应该教什么。因此，最可能的优化结果将是 "不合适"，结果是失败。
你能注意到这个话题非常好。我认为，通过与自动优化器合作以及在自动优化器上的工作，你已经获得了比很多卢布更多的经验，而且你还能分享这些经验）。
在这种特殊情况下，我对交易数量有两方面的看法。
第一个选项--与你的观察不谋而合，但我逐渐放弃了它，我必须缩小搜索范围。
第二种情况是在设计阶段就设定了交易的数量，也就是说，对于每个系统来说，有它的活动，有它以突变为代价 "被迫 "学习的东西，也有另一个系统。而最近我对交易数量的使用大致如下：假设，例如，估计（看图表）的交易数量是每天5笔（你可以用1代表20条，每小时2条，或其他什么），分别，平均交易数量（ACS）应该落在5左右的范围内，即3<=ACS<=7。超出范围的东西--被无情地抛弃，允许不失去系统的意义，但同时也排除了意外地 找到使用TS的相关变体的可能性，或者只是另一种模式。
Очень хорошо, что Вы заметили эту тему. Я думаю, работая с автооптимизатором и над ним, опыта Вы набрали более чем на много рублей, и еще сможете им поделиться)
В этом конкретном случае, с колличеством сделок, у меня двоякое видение:
Первый вариант - совпадает с Вашими наблюдениями, но постепенно от него отказываюсь, приходится сжимать круг поиска.
Второй - это тот случай когда колличество сделок закладывается на этапе проектирования, т.е. для каждой системы есть ее активность, а есть то, чему ее "заставили" научиться ценой мутации в другую систему. И последнее время я использую колличество сделок примерно так: Допустим, расчетно-визуальное (глядя на график) колличество сделок 5 в день (можно 1 на 20 баров, 2 в час или что угодно), соответственно среднее колличество сделок (СКС) должно укладываться в диапазон около 5, т.е. например 3<=CКC<=7. То что за диапазоном - безжалостно отбрасывается, позволяя не потерять смысл системы, правда заодно перечеркивая возможность случайно найти сопутствующий вариант использования ТС, или просто другую закономерность.
这当然取决于车辆的类型。
在我看来，另一个有趣的参数（计算出来的）是 "夏普系数"，但我还没有用它来工作：-)
利器、Sortino和其他--这几乎是鸟语花香 :)大家都说酷，但我也没试过，如果有人知道如何从原始数据中计算出实用的数据，我就试试，然后告诉你结果。我们需要为公式化的语言重新定义原始数据。
-GrossProfit =GP 。
-GrossLoss =GL,
-MaxDrawdown (Drawdown) =MD 。
-盈利的交易数量=PD，亏损的交易=LD，总的交易数量=AD。
-测试的条数（ticks）=时间。
-最大利润交易 =MPD, 最大损失交易 =MLD
-一系列盈利的交易=SPD（单位），=SPD$（存款货币），一系列失败的交易=SLD，=SLD$
我错过了什么吗？有可能画出公式吗？
Z.U. 我会花几个小时来反思，并在道义上支持我们的奥运选手，滑雪）而没有我的支持）他们就不会那么远....(
谁和我一起？）
对夏普比率的帮助。
夏普比率，也被称为报酬与变数比率，是管理业绩的特征。它衡量的是相对于投资组合的整体风险的回报。其中整体风险是指投资组合收益的标准偏差。在给定的深度和时间框架下，夏普比率用以下公式计算。
其中
-平均投资组合收益（平均投资组合收益）。
-平均无风险利率。
-投资组合收益的标准偏差，详细计算方法可以在波动率计算服务的文件中找到。
使用的是几何回报，定义为价格比率的自然对数（对数回报）。
其中
- 截至前一时期结束时的价格。
-在本期结束时衡量的价格。
夏普比率越高，投资的效率就越高。一个小的夏普比率值表明投资回报不能证明所采取的风险水平是合理的。负的夏普比率将表明投资于无风险资产会产生更高的回报。
索蒂诺和修正的索蒂诺系数有帮助。
Sortino比率是另一个衡量投资工具的回报和风险的指标。在数学上，它的计算方法与夏普比率类似，但是，使用的不是投资组合波动率，而是所谓的 "下行波动率"。在这种情况下，波动率，是根据低于最低可接受投资组合回报率（MAR）的回报率计算的。在给定的深度和时间范围内的Sortino系数是用以下公式计算的
其中
- 平均投资组合收益（平均投资组合收益）。
MAR--投资组合的最低可接受回报
-投资组合收益的标准偏差，针对低于最低可接受投资组合收益的收益计算。详细的计算方法可以在波动率计算服务的文件中找到。
在给定的深度和时间范围内，修正的索蒂诺系数用以下公式计算
其中
-平均投资组合收益（平均投资组合收益）。
-平均无风险利率。
-低于最低可接受的投资组合收益率计算的投资组合收益率的标准偏差。详细的计算方法可以在波动率计算服务的文件中找到。
收益率是几何学的，定义为价格比率的自然对数（对数收益率）。
其中
- 截至前一时期结束时的价格。
-在本期结束时衡量的价格。
α和β系数参考。
α和β系数旨在揭示工具和指数之间的统计关系。在图形表示中，这将是一个工具收益和指数收益之间关系的点图。(见椭圆的画法)。通过得到的这组点，让我们画一条直线，尽可能地接近点图。 建立这样一条线的统计程序是已知的--它被称为 "简单线性回归 或最小二乘法"。根据这种方法，可以找到直线的方程，使图中各点到直线的距离的平方之和最小。由此产生的直线（回归）方程将具有以下形式。,
其中，是票据的收益率。
-直线垂直移动的系数。
-直线的斜率系数。
-索引 返回
根据最小二乘法，系数和通过公式计算得出。
,
其中Cov(,)--工具收益率和指数收益率的协方差
-指数回报的标准偏差
其中
-工具的平均回报率
-指数平均回报率
当市场指数被选为指数时
"贝塔系数"--决定了总体市场情况对特定工具的命运的影响。如果>0，该工具的效率与市场的效率相似。如果<0，有关工具的效率将随着市场效率的提高而降低。 该比率通常也被认为是对投资这些证券的风险的衡量。在>1时，投资的风险高于市场平均水平，而在<1时，则相反。
"阿尔法 "系数 表征了市场增长率和特定工具增长率的相关性。如果任何工具是正数，这意味着它的增长率高于市场平均水平，也就是说，我们可以说它目前被市场 "低估 "了。
系数参考
用回归方程描述产量波动的准确性是由产量值的离散性（扩散）来表征的。为了估计回归方程的解释能力，我们引入系数，显示工具价格的变化在多大程度上被指定的比率与指数值的变化所解释，它的定义是根据公式R = ,
其中，β系数为
-指数回报的标准偏差
-工具回报的标准偏差
在选择市场指数作为指数的情况下。
系数""或决定系数- 表明投资于某一特定工具的风险份额由整个市场的不确定性贡献。 越接近于零，该工具的行为与总体市场趋势相比就越独立。 当一个任意的工具或用户的投资组合被选为指数时：系数""表征了工具和指数之间关系的紧密程度。这个值越接近于1，关系就越强。
按学生t标准进行的t检验的价值
应用学生t检验的计算方法来检验回归系数的显著性，即α和β系数。β系数的学生t检验值是用公式计算的。,
其中是β系数
-是标准误差，通过公式计算。
,
其中-工具的盈利能力。
-票据的赢利性，根据公式计算。 ;
-指数回报率； -指数回报率的计算公式为：；。
-指数的平均回报率
n-参与计算的返回值的数量。
系数α的学生t检验值的计算公式为： 。
其中 - 系数α。
-是标准误差的数值，其计算公式为
,
其中------------仪器的返回。
-票据的盈利能力，按公式计算。 ;
-指数回报率； -指数回报率的计算公式为：；。
-指数平均回报率
n-参与计算的屈服值的数量。
费希尔标准值
费舍尔标准值的计算公式为：。与学生的t标准类似，费雪标准的计算值与表值进行比较（见表值）。如果费舍尔标准的计算值超过表格中的值，则拒绝工具和指数之间没有关系的无效假设，并得出关于存在关系和回归方程的统计意义的结论。但是，如果费舍尔标准的计算值低于表格值，那么无效假设的概率就高于规定的水平，就不能拒绝它，否则就会有对关系作出错误结论的严重风险。在这种情况下，回归方程被认为在统计上是不显著的。
Yay，会议结束了!!!!
我想知道，当市场飞速下跌时，所有这些利器和学生相当于什么？
我们挣扎，我们写策略，几乎所有的专家都能在最后的交易区间里通过某些参数产生利润。同时，对参数的选择关注得相对较少。
坦率地说，我对这个话题感兴趣是由于另一个原因，即在我自己的 优化器中使用我自己的GA寻找优化标准，因为我明白MT4的优化标准并没有给出理想的结果。然而，你应该从源代码开始跳舞。这就是为什么"搜索优化结果的选择标准"。
当然，我还没有熟悉网站上的文章（感谢作者），也没有看完现有的讨论，甚至没有翻阅一些书籍），但我没有在那里找到我想看到的东西。也许有什么，但在鸟的语言中，我不是很擅长，所有的从业者都是原始人（也许有人会翻译成 "人类"），但也许只是没有看到。作为这个主题和希望有建设性的讨论的结果，，希望得到一个具体的公式，一些测试结果 的函数，其中的最大值以高概率表示一组可行的参数。
没有虚假的谦虚），我将指出，我在手工选择 优化结果方面取得了一些 。然而，我无法以任何方式使这个过程自动化。也许这只是可怜的形式化的经验。
当然，还有一种简单而有效的参数选择方式--OOS 测试。但不幸的是，这并不总是可以接受的。例如，对我的公羊来说，如果我们对 OOS 的结果做一个标准，，在GA中选择标本的一些标准，它就不会再 是OOS了 。
因此，在MT4方面的初始数据。
-GrossProfit 。
-GrossLoss。
-MaxDrawdown （缩减） 。
-盈利的交易数量，亏损的交易， -总的交易数量。
-测试的条数（ticks）。
最大利润交易, 最大损失交易
-一系列的盈利交易，一系列的亏损交易
似乎没有什么遗漏（如果我遗漏了什么，请纠正），各种MO、RFP等都是故意省略的，因为它们是经过计算的，可以从上面得到。
我们可以施展一些魔法吗？