文章 "随机数生成器质量对优化算法效率的影响" - 页 12

新评论
 
Andrey Dik #:
电路中是否没有负责和/或影响稳健性的元素？这个要素是什么？

概括的方法可能有很多种，最好能尝试所有方法，找出最有效的一种。从这个角度来看，流程图将根据不同的方法进行不同的扩充。

例如，在 "结果 "块（应更名为 "结果"，因为聚类需要所有结果，而不仅仅是一个结果）之后可能会有一个 "后处理 "块（用于聚类）。

或者在 "合适度函数 "和 "优化算法 "之间加一个 "控制器"，它可以执行各种功能，特别是添加随机噪声。

另外，图中明显缺少 "输入数据"。那么，可以将其划分为 IS/OOS，并行应用这些模块，边做边检查。

最后，还有著名的 "前行优化"（Walk-Forward Optimisation）方法（虽然是针对时间序列的，而不是一般的优化）。对他来说，目前的方案只是优化的一个阶段，实际上应该由一些外部模块 "管理器 "来准备几个阶段--例如，几个 12 个月的优化，一个月的转换。然后，一个新的研究维度就出现了--形象地说，我们可以看到 FF 如何随着时间的推移而 "呼吸"，并学会预测它的下一个形态（如何预测？）反之亦然--我们会发现，它的变化如此难以预测，以至于 TS 或金融工具显然不适合彼此......或者我们需要将前进步骤减少到 1 周才能使其发挥作用。这不仅是稳定性的问题，也是这种稳定性的持续时间问题。

 
Stanislav Korotky #:

概括的方法可能有很多种，最好都试一试，以便找出最有效的方法。从这个角度来看，流程图将根据不同的方法以不同的方式完成。

例如，在 "结果 "块（应更名为 "结果"，因为聚类需要所有结果，而不仅仅是一个结果）之后可能会有 "后处理"（用于聚类）。

或者在 "合适度函数 "和 "优化算法 "之间有一些 "控制器"，可以做各种各样的事情，比如添加随机噪音。

另外，图中明显缺少 "输入数据"。那么就可以将其分为 IS/OOS，并行应用这些模块，边做边检查。

最后，还有著名的 "前行优化"（Walk-Forward Optimisation）方法（虽然是针对时间序列的，而不是一般的优化）。对他来说，目前的方案只是优化的一个阶段，实际上应该由一些外部模块 "管理器 "来准备几个阶段--例如，几个 12 个月的优化，一个月的转换。然后，一个新的研究维度就出现了--形象地说，我们可以看到 FF 如何随着时间的推移而 "呼吸"，并学会预测它的下一个形态（如何预测？）反之亦然--我们会发现它的变化是如此难以预测，以至于 TS 或金融工具显然不适合彼此......或者我们需要将前进步骤缩短到 1 周才能使其发挥作用。这不仅是稳定性的问题，也是这种稳定性的持续时间问题。

您所提到的 "对症治疗 "有其合理性，在很多情况下也应该如此，但它并不涉及所取得结果的稳健性或非稳健性的原因，而且只是一种外部措施（就像通过定期测量病人的体温来进行诊断一样--这既不是坏事也不是好事，只是可能没有机会获得客观的病史）。

事实上，所有真正影响结果稳健性的因素都已经包含在这一方案中。

 
Andrey Dik #:

您所说的--有权是，而且在很多情况下也应该是，但它指的是 "对症治疗"，没有考虑所获得结果的稳健性或非稳健性的原因，而且是一种外部措施（就像通过定期测量病人的体温来做出诊断--这既不是坏事也不是好事，只是可能没有机会获得客观的病史）。

事实上，所有真正影响结果稳健性的因素都已包含在这一方案中。

然后，我们就等着对测试进行解释和演示。

 
Stanislav Korotky #:

然后，我们等待测试的说明和演示。

好的。我还想听听萨博和安德烈作为鲁棒性讨论参与者的看法。

如果我公布了获得非稳态过程系统稳健性结果的工作方法，我将立即获得诺贝尔奖和一块孔雀石做成的纪念碑，这很有吸引力，但几乎不可行。但至少，了解哪些因素会影响结果的稳健性，哪些因素不会，已经是一件好事了。

 
坚韧不拔（Tough.）我们的座右铭是所向披靡。
 
Stanislav Korotky #:
问题是下一步该如何处理这些带有 "山顶 "的集合。之前我们有一个全局最大值作为优化算法的解，假设现在我们有 50 个全局最大值。但它们并不能解决稳定性问题。

比方说，在某些设置下，TC 可以捕捉到一个相对稳定的模式。同时，OnTester 的全局最大值并不在这些设置范围内，我们不知道该选择哪个 FF 才能命中所需的靶心。


如果 TS 可以再现价格中的某种模式，那么所寻求的集合将与 FF 的某个局部顶部相对应。一些高位顶部将与样本中的非系统性白天鹅相对应。正因为如此，较低但潜在稳定的输入集会在经典 AO 上被错过。


这是一个很容易在实践中检验的简单说法。几乎任何 TS 都有大量非重叠头寸。例如，每天有 10 个这样的位置。找出 2023 年全年的 InputsMax1 和 2023 年夏季的InputsMax2 的全局最大值。很明显，在 2023 年夏天，没有任何一个 AO 可以找到 InputsMax1，哪怕是非常接近。但是您会发现，在 2023 年夏季的局部顶点中，有一个非常接近 InputsMax1。


我回到问题上来。找到的 50 个顶点应该在 OOS 上运行。如果在这些顶点中发现了条件 InputsMax1，我们就进一步挖掘。如果没有，则将其丢弃（更改符号）。

 
第一次证明，没有人需要全局最大值，找到它也不是一件超级精确的事。这暂时是将死。将死还会更进一步，尽管僵持局面出现在MO题目中。

虽然在那里对手把王和后搞混了。
 

原理图中肯定没有任何东西会影响密封性

只有电路中的东西会影响贴合度。方案越好，拟合效果就越好。

如果我们谈论的是 FF，那么它对稳健性没有任何影响。

 
我不明白您为什么把山丘和山峰说成是一成不变的。市场不是一成不变的！
毕竟，这绝对是显而易见的，如果你每天都得到一个新的 FF 面，例如，在 "优化 "两个参数时，然后将得到的框架粘合在一起，你会得到这样的结果：



即使你抓对了山丘又如何？这是一座历史之山，但不是未来之山。
所以我同意德米特里耶夫斯基的观点。适应历史仍然是适应，即使你把它称为猕猴、仙鹤或章鱼法的优化。

 

例如，一个说明性的例子。
我们采取十次谐波的策略，必须将其相加才能得到一条外推线，从而决定开仓交易。
每次谐波都有三个参数：振幅、频率、相移。总计 10*3=30 个所需参数。
当然，您可以使用快速傅立叶变换在几毫秒内计算出这些参数，但我们不会寻找简单的方法，我们将使用蛮力优化、遗传算法和迪克的文章来选择这 30 个参数的最佳组合。
希望在一台好的超级计算机上，经过基因搜索，我们能在几天内得到所有 30 个参数的 30*10000=300000 种正确组合。因此，每周我们都会在周末重新优化这个策略。
下面是我们将得到的周线图：



正如你所看到的，尽管在优化过程中消耗了数百千瓦的能量，但红色的外推线对我们的交易并没有多大帮助：））））因为市场一直在变化。

这则寓言的寓意是：为了不消耗不必要的能量，有必要在 TS 内的交易过程中不寻找参数，而是计算参数。简而言之

任何参数都有 "快速傅立叶变换"。



附加的文件：
2Fourier.mq5  16 kb
1...56789101112131415
新评论