优化与适应的故事 - 页 3

新评论
 
Vladimir Baskakov:
嗯，他通常是一个言行一致的人

事实并非如此，他并没有承诺什么。这是一个需要努力实现的神话般的目标--在优化时，尽量计算而不是过度计算。

 
Vladimir Baskakov:
在CodeBase中是否有这个块的例子？

当然，这并不是一个普遍的阻挡。每个战略都是不同的。这块是战略成功和复杂性的99%。从本质上讲，它就是人工智能。 这就是马克斯正在进行的工作。

例如，考虑最简单的策略，只有一个参数。

  • 一个MA。
  • 买入信号 - 当MA的斜率为正时，价格低于MA线。
  • 卖出信号--当MA的斜率为负数时，价格高于MA线。

当然，我们可以在任何时间框架上找到一个 "最佳 "的МА期，该策略将在这一时期获利。

再往后，如果我们不改变这个MA期，就会保证缩减--这只是一个时间问题。

对于真正的自我优化，当МА期根据市场情况不断修正时，我们需要这块人工智能，简而言之，它解决了模式识别的任务。这里有大量的选择。

例如，最简单的是建立一个6维的点的空间。每个点有6个坐标。

  • 1是MA的周期。
  • 第二是时间。
  • 第三是X时期MA线拐点的密度
  • 第4期--第X期
  • 第五期--Y期的利润（亏损）。
  • 第六期--Y期
只有第3和第5个坐标被计算，其他的是以相同的步骤离散地改变。

因此，形成了6维云，当分析 时（它是一个较长的历史），它们可以被 "预测 "为所需的当前MA时期。

第3个坐标对于确定平坦/趋势很有用。

这种非常大的计算量在每一次历史数据的传递中只发生一次。此外，每一个新的tick（bar）点都只被添加到这个空间。

 

正向优化，有明确的（对所有正向运行都是一样的）选择标准（它们应该是），用于选择这个非常正向运行的优化变体）。在这种情况下，它是优化，而不是适应。如果它是有效的，我还没有见过这样的专家顾问，会有明确的选择优化变体的标准，并能成功地通过这种正向优化））。

 
Vladimir Baskakov:
这些概念之间的根本区别是什么？

历史匹配是专家顾问的一组参数值，它能在一定的价格运动历史时间范围内给出最佳的交易结果。

现在试着定义优化。

它们是一样的吗？

 
ilmel:

正向优化，有明确的（对所有正向运行相同的）选择标准（它们应该是），用于选择这个非常正向运行的优化变体。在这种情况下，它是优化，而不是适应。如果它是有效的，我还没有见过这样的专家顾问，有精确的选择优化选项的标准，并成功地通过这个前向优化）。

下面是正向测试的例子。结论是什么？

测试

 
优化和拟合是同一件事。
 
Martin_Apis_Bot Cheguevara:
优化和拟合是同一件事。
如果使用TR和SL，似乎是一样的。
 
Vladimir Baskakov:

下面是一个正向测试的例子。结论是什么？

没有。你需要一个步行前进的测试或一个内置自动优化器的回测来得出结论。
 
TheXpert:
没有。对于结论，你需要进行步行前进测试或带有内置自动优化器的回测。
我使用我所拥有的
 

优化是一个更广泛的概念。历史拟合是优化的方法之一（直接计算函数值）。从本质上讲，EA是以一种特殊的方式描述的函数。MT测试器计算其数值。

优化是通过一个或几个参数来寻找 一个函数的极值（这是我在大学里学到的，就我的记忆而言）。测试仪为你提供了一组数值，但它并没有按照定义进行优化--你从提供的数值中进行选择。

PS

似乎提出了一个问题，但又隐含着另一个问题：如何评估所选择的极值是局部的（对于特定的时间间隔/样本）还是全局的。

不幸的是，我在统计学中得到了C，而且是一个延伸的C :( 没有帮助。

123456789
新评论