文章 "随机数生成器质量对优化算法效率的影响" - 页 15

[[删除]]

既然是狗在摇尾巴（优化的经验主义），而不是相反，我们就可以考虑针对有条件静止过程的任何优化算法。

在这种情况下，我们可以使用寻找全局和局部最小值的术语。

但不能用于优化未知数和拟合抽象的最小值或最大值。

但即使在这种情况下，AO 也会出现过度训练（预拟合）的倾向，这时就需要使用验证技术来确定学习理论中 某些参数的稳健性。

[Andrey Dik]

С

Yuriy Bykov #:
不幸的是，我们现在更不清楚我们在说什么了。

fxsaber#:

晦涩难懂的语言+论坛形式 = 误解的可能性很高。

希望参与关于寻找稳健解决方案问题的建设性讨论的人可以给我私信。我们将邀请与会者进行私聊。

而参与那些并不意味着建设性对话的对话，并不在我目前的任务清单上。

[[删除]]

如果把这些都写下来，我们就不用用最大值和高原以及其他在过程静止之外毫无意义的废话来给人们洗脑了。

[[删除]]

即使在满足条件的情况下，蛮力蒙特卡洛也能像所有算法一样正常工作。也就是说，只需随机选择 n 次参数值并验证即可。

[Ilya Malev]

Nikolai Semko #:
我在这个论坛上以坚决反对那些包含大量 需要优化的输入参数（风险控制参数除外）的交易策略 而闻名。因为我认为这其实就是一种隐蔽的数据回合形式。哈哈。

虽然很想和你讨论一下，但我并不太想在理论上纠缠不休。结果应该能说明一切 :)

实际上，这场争论的核心在于你们坚持哪种市场模型。 如果你坚信市场是一个“整体”，其中“盈利交易”的规则不会随时间变化（同时也不会因交易品种或时间框架的不同而改变），那么你就会坚持你所提到的“最小优化”理念。 但如果你像我一样，坚持认为市场是一个不断变化的实体，其中的规则时而出现时而消失， 有时迅速，有时较慢——从而让交易者能够利用那些“低效窗口”（这些窗口按定义而言并非静态的），那么你就会像我一样，倾向于采用智能动态自我优化策略。 希望这个基本原则大家都能理解