TSR--重振交易系统
我在很多方面不同意雷舍托夫的观点（不是在这个话题上）。他和我偶尔会对接交换意见，通常他都会把我打发走，或明或暗地说我是白痴，是笨蛋。就我而言，我并没有把它放在心上。
我对每个人都有一个很大的要求：不要在这个线程中进行fluderasty。如果你对这个问题有什么建设性的意见，就写，如果没有，就不要写。
建设性的？谁在从后面看OOS？那是来自明显的。
把OOS放在前面--没有人阻止你。关键是，在TS中，原因是第一位的--交易信号，然后是后果--将以盈利或亏损关闭的开仓订单。因此，无论它是在OOS的前面还是后面，在因果关系上，它都不会影响任何东西，因为信号不是在OOS上设置的，而只是在那里检查是否有问题。交易信号仍将先于入市，反之亦然，也就是说，订单不会改变。如果 "专家顾问 "输了，它将同时输给前面和后面。如果它是有利可图的，它就不会关心OOS到底在哪里。最重要的是，OOS区与试衣区相邻。而由于市场是不断变化的，有利可图的情节的保质期是有限的，所以可以理解的是，OOS最好在后面检查，因为我们要交易的未来就在前面。
因此，为了更有把握，我们可以在前面和后面都测试一下OOS。如果TS在这里或那里输了，那么它肯定是不健全的。
尤里，用几句话来说，你的调查结果的本质和结论是什么？
尤里，你能用几句话简要解释一下，你的调查结果的本质和结论是什么？
1.即使从拟合中，也能或多或少地识别和消除虚假信号。但要做到这一点，我们将需要至少两个不同的地块，在这些地块上进行优化。通过比较读数的（不）一致性，我们从潜在的有利可图的信号中剔除虚假信号。很明显，不可能毫无例外地切断所有虚假信号，也就是说，无论如何都会丢失其中的一部分。但对于一些TS来说，以正的数学期望值的形式获得优势是非常足够的。
2.许多TS以前被拒绝，只是因为它们很适合，但在前向测试中给出了不满意的结果。现在，用上述方法分析了这些TS，结果发现其中一些是相当好的工作马。因此，交易系统的某些部分可以通过这种方式得到重生。
3.如果你想了解该方法的本质，你会发现它比简单的优化和测试的OOS更可靠。
...可以理解的是，在OOS上最好在后面检查，因为我们要交易的未来就在我们前面。
至于我，几年前我检查了OOS "后面 "是否给了 "前面 "的东西。并得出结论，这种关联性一点也不明显。没有特别的保证。TS的成功概率可能略微增加，但专家顾问可能无法给出利润，并失去它。我们在这里需要其他方法。
再次，使用上述方法，没有人禁止对OOS的前部和后部进行检查。如果任何一个前锋都没有利润，那么TS就不健全，与其试图让死胎复活，还不如把它处理掉。关于不同OOS上的结果差异，没有人预测到100%的匹配。
至于保证，我没有向任何人承诺。每个人都必须在OOS和模拟或美分账户上测试我建议的TS，并自行决定他是否对结果感到满意。
如果你一生都在徒劳地寻找一种有保证结果的方法，而死后却没有找到，我也不会感到惊讶。
继续这个主题：试穿和真实模式之间的界限在哪里？
TSR是交易系统恢复的缩写 ..................
正如我们所看到的，尽管两个感知器在优化的历史数据样本之外没有通过正向测试，但它们的联合信号的过滤器，在历史上给出了积极的结果。
尤里，我很高兴。即使是轻微的嫉妒（几年前从这个想法中徘徊了一步）也不会影响到这种快乐。这让我很高兴。我将进一步实验。
...没有人禁止检查前面和后面的OOS。如果...TC并不强大，最好摆脱它......不同OOS的结果会有差异，所以不能保证100%的匹配。
延续主题：拟合模式和真实模式之间的界限在哪里？
TSR是Trading Systems Recovery的缩写。
我在发帖时没有对理论进行描述，也没有截图。截图将出现在代码库中
而且我将警告那些特别有天赋的人。
1.所附的专家顾问版本已被削减到适合教育目的的最低限度。
2.关于改进专家顾问的问题，请到BFG。
如果你有任何问题，比如。"为什么我得到不同的结果？" 作者没有回答。
让我们用一个交易系统做一个实验，该系统是通过调整基本单层神经网络-感知器的加权系数 ，在历史数据上预测未来的报价运动方向。这个交易系统的原理在我的文章 "如何找到一个交易系统 "中有详细描述。让我们在H1时间框架图上采取欧元兑美元货币对过去9个月或更长时间的历史数据。我们将把它分为三个独立部分，每部分三个月。第一个将用于最终测试，而另外两个将用于适应历史。为了避免单独运行交易系统，我立即将两个感知器合并到一个交易系统中。我创建了函数Supervisor()，在它的帮助下，交易系统有三种操作模式，取决于输入参数的传递：1--第一个感知器的拟合和测试，2--第二个感知器的拟合和测试，3--通过筛选出两个感知器不一致的读数进行过滤，在测试模式下没有优化，在模拟或真实存款模式下自动交易。
可对历史数据进行调整的是感知器的权重x11、x12...x42 以及p和sl。输入参数sl对所有部分都是一个常数。所有未结头寸的止损和止盈水平都是通过这个数值来设置的。另一个输入参数p--开盘价差的滞后时间段，也是一个常数。在一个新的柱状结构开始时进入市场，即根据柱状开盘价和感知器读数，取决于通行证输入参数的值，只有在触发止损或止盈时才退出。在优化过程中，使用识别极值的遗传算法进行优化，并将最大余额作为极值。 在优化过程中，初始金额，例如1000000美元，应该非常大，以防止算法被追加保证金卡住。输入参数：lot - 以手为单位的开仓量，mn - 唯一的神奇数字，这样专家顾问就不会将自己的订单（已开仓）与他人的订单（未开仓）混淆管理。
在第一阶段，我们需要找出输入变量p 和sl 的值。要做到这一点，我们选择历史的最后两部分，即从6个月前到今天。我们将感知器权重的所有参数设置为从Start = 0到Stop = 200的值，步长为1。设置P值从开始=3到停止=100，步长为1，设置sl值从开始=100到停止=1000，步长为10（或从10到100，步长为1的四位数报价）。将通过值设为1。勾选以下要优化的参数：X11、X21、X31、X41、P 和Sl。所有其他复选框都应该被禁用。激活优化。一旦优化完成，按最佳通道设置输入参数。
第二步是在第二段历史数据上调整第一个感知器的权重。 将优化日期和时间从6个月前设置为3个月前。 只从输入变量p和sl中取消对优化参数的检查。 运行优化。拟合完成后，根据最佳通行证设置输入参数。
第三阶段：在第三段历史数据上拟合第二个感知器的权重。 将优化的日期和时间从3个月前的 到现在。取消勾选优化参数：x11、x21、x31、x41，并为x12、x22、x32和x42 设置。其他复选框必须取消勾选。将输入变量的通过率设为2。开始优化。一旦优化完成，按最佳通道设置输入参数。
就这样，我们的交易系统已经根据6个月前到现在的历史数据进行了调整。让我们在设置文件中保存输入参数的值。将通行证输入变量设为3。取消勾选 "使用日期"，启动测试。我们看一下测试图表。我们可以看到，平衡和权益曲线在图表的右边部分趋于上升，在左边部分趋于下降。现在我们必须确保天平在调整样本以外的区域趋于上升。我们把鼠标的光标移到平衡线上，这里是利润上升的起点，然后看一下工具提示中的日期。事实证明，从今天算起，几乎在9个月前，平衡曲线就趋于上升，不包括10天，即8个月零20天。而调整是在6个月的时间里进行的。因此，在优化后的 ，有一个成功的测试。我们强调这个样本外的区域，以更详细地分析它。总的来说，结果是相当令人满意的，虽然明显不如J. Soros的记录，但优于W. Niederhoffer的记录。
为了确保我们在历史的某些部分处理了拟合问题，取消对 "使用日期 "的勾选是必要的和足够的。并通过整个可用的历史记录，用数值1和2运行专家顾问的测试。在这些模式中，我们可以看到，平衡曲线的向上增长只在这些时期内观察到，在这些时期内，某些感知器被拟合。对于所有其他的历史时期，除了个别以低谷结束的驼峰外，没有正的趋势。
正如我们所看到的，尽管两个感知器在优化的历史数据样本之外没有通过正向测试，但是它们的联合信号的过滤器在历史数据上给出了积极的结果，而这些数据在拟合时什么都不知道。你也可以尝试其他交易系统，比如基于简单移动平均线的分解或更先进的多层神经网络的系统。如果交易系统是稳健的，它更有可能在优化期之外对过滤的交易信号产生积极的结果。如果它不健全，在启用过滤器的情况下，它将不会在优化期给出积极的结果。然而，与点差、互换和经纪人佣金的间接成本相比，TS的稳健性是次要的。因此，在有大量开销的情况下，正向测试的正面结果只是一个梦想，因为预期回报必然是负面的。