// Оптимизировать советник нужно по Maximal Drawdown// На участке оптимизации должно быть не менее 300 сделок// После оптимизации отсортировать по профит фактору и // начиная с самого крупного пф, искать тестировать // на предмет наиболее гладкой кривульки баланса//---- input parametersexternint x0 = 0; // Настройка от 0 до 100 с шагом 1externint x1 = 0; // Настройка от 0 до 100 с шагом 1externint x2 = 0; // Настройка от 0 до 100 с шагом 1externint x3 = 0; // Настройка от 0 до 100 с шагом 1externint x4 = 0; // Настройка от 0 до 100 с шагом 1externint x5 = 0; // Настройка от 0 до 100 с шагом 1 externint x6 = 0; // Настройка от 0 до 100 с шагом 1 externint x7 = 0; // Настройка от 0 до 100 с шагом 1externdouble sl = 900; // Уроверь стоплосса и тейкпрофита в пунктахexternint d = 2; // Количество знаков после запятой для лотностиexternint mn = 888; // Магический номер
你不需要解决这个问题。只需为某一特定案例找到足够长度的训练样本即可，而且这很容易做到。
IMHO，这个问题更容易解决。我坐在那里试验了各种优化窗口，发现了这个方法。
我们运行第一个优化。我们正在寻找一个成功或不太成功的前锋，并有一个体面的缩减。在图表中把光标移到这个非常缩减的底部，在工具提示中看到日期。将优化窗口的终点移到这个非常的日期。我们再运行一次优化，寻找成功的前进，看到奇迹发生了：拟合使我们之前的平仓变成了盈利区域，然后前进成功了，就像这一招之前一样。
理论上，这种方法当然更好，因为在这种情况下，我们的TS已经学会了消除缩水，而这是它之前无法做到的，因为它没有心灵感应的能力，我们告诉它什么是它的错误。而实际上--它仍然是用干草叉写的，也就是说，我们应该另外检查这个方法是否足够，因为向前测试的窗口区域已经减少。
文章的材料已经完全组合好了，唯一剩下的就是把这些东西整理好，加上一些图片，就可以送去出版了。
简而言之，文章涉及一个带有内置专家系统的神经网络（论文作者能梦想出什么费用？
1.为什么神经网络需要插值？真的，为什么它突然需要它？
2.在静止和一致的数据上被训练为正确近似的神经元可以插值吗？公布了逻辑回归的例子，而逻辑回归又是一个神经元。逻辑回归的宣传者将继续感到不满意。害群之马的医生也会不赞成这段潦草的文字，因为今天使用逻辑回归来计算计算机诊断是很时尚的。
3.如何创建一个正确插值的专家系统：必要和充分条件？专家系统本质上是一层神经网络，但不是一个黑盒子，因为它有一个容易解释的规则的知识库，像其他专家系统一样。如果谁有什么隐情，最好不要看这种东西，而是用黑盒子。
4.是否有可能在专家系统上重新训练一个神经网络？谁禁止了它？
5.如何在训练实例集上自动训练专家系统，以便你不必手动创建和纠正其知识库？当然，训练实例是交易信号，即我们使用技术指标 或振荡器的 读数来训练系统进行交易，但不是为了识别一些书呆子费雪的虹膜。但是，用手抓取知识库，特别是用曲线和从一些地方生长出来的知识库，仍然比把这种情况交给愚蠢的算法更方便可靠。
6.如何用专家系统消除神经网络的训练不足？这当然是一个奇怪的问题，因为每个人都习惯于在再培训和调整中挣扎。但作者显然决心要与错误的东西作斗争。
7.与搭载专家系统的神经网络相比，普通神经网络的优势和劣势？作者在缺点方面走得太远了，因为现在他很可能吹嘘一些东西，如：专有技术、专利设备、你几乎找不到类似物、最好的养狗人和牙医的推荐、不可能有缺点，只有优点、现在就订购并购买，而库存已经用完，等等。
本文还将附上用mql4和mql5编写的带有专家系统的神经网络的源代码，没有使用外部库和dll，文章本身也解释了沿途算法的主要特点。而且一点意义都没有，因为所有的抓捕者都清楚地知道，源代码必须小心翼翼地隐藏起来，不让人窥视，证人必须被清除，所有的痕迹都必须被掩盖。
这样的馅饼。
拟合的问题是，有些人只分析单个优化结果（运行）。但你必须把它们作为一个整体来考虑--最佳区域的整体结果。在这种情况下，不需要前进。
例如，我们在一台机器上有一个系统，有一个最佳状态--机器周期。经过优化，得到了一堆整体的价值集合，以PF为例排列。当然，个别运行是随机的机会很高，我们需要用例如正向的方式来检查它们。但是，如果我们考虑的不是单个的运行，而是最佳区域和其中的结果，那么在系列的不同部分，几乎不可能在最佳区域内适合一个积极的结果。当然，这取决于最优区的宽度和运行结果对最优区最小变化的敏感性。也就是说，保持最佳区域是稳健性和反适应性的标志。而前锋只有在使用一次时才是好的。对同一个系统反复使用它，它就会成为训练样本的一部分。
P.S.
某一系统运行的时间也是一个系统参数。例如，一个人从2005年到2011年工作。这是它的最佳价值范围--寿命。优化历史，我们几乎是在寻找具有这个范围的最大的系统。但这个系统不能永远工作下去。这就是为什么在设定测试期时，我们应该考虑到，我们应该任意选择它，并要求系统在这整个范围内工作--这只是一个空话。如果你决定搜索10年，你就这样做）。Imha，足够长的时间，使人们对结果有足够的信心。这取决于交易的数量和盈利/亏损交易的分布。
Avals:
但如果你考虑的不是单个运行，而是最佳区域和在其上的结果，那么在行的不同部分保持在最佳区域上的积极结果几乎是不可能适应的。
是的，我认为这是相同的，但在一个不同的脉络。最佳区是对结果的某种平滑过滤吗？
它就像一个目标指数的平均值（例如利润系数），在一定范围内的光学。
重要的是，具有足够平均目标值的选项范围要足够广泛，以便在测试的所有部分保持。个别运行可能会暂时进入亏损区，但平均而言，该范围应保持盈利。如果对每个选项都是如此，那么这个系统就是健全的。
因此，我们的想法不是估计单个运行的稳健性，而是估计整个选项的稳健性。
例如，决定一个人的智商取决于身高。在1000个细胞上进行优化，得到的平均最高智商为162厘米高。然后他们开始在其他人身上进行前瞻性测试，结果并不理想))但如果事实证明，在每个样本中，例如身高在160-170厘米的人的平均智商较高，那么这种机会就比单一数值的机会小得多（因为更多的人进入了样本）。这意味着，智商对身高的依赖性本身就有其存在的意义。
附件中的新版本，这次是资金管理（非激进的存款百分比）。
附件中的新版本，这次是资金管理（非激进的存款百分比）。
拟合的问题是，有些人只分析单个优化结果（运行）。但你必须把它们作为一个整体来考虑--最佳区域的整体结果。然后就不需要前进了。