Yuriy Bykov / 个人资料

在本文中，我们将研究如何将新策略连接到我们创建的自动优化系统。让我们看看我们需要创建哪些类型的 EA，以及是否可以在不更改 EA 库文件的情况下完成，或者尽量减少必要的更改。

我们的目标是创建一个系统，用于自动定期优化最终 EA 中使用的交易策略。随着系统的发展，它变得越来越复杂，因此有必要不时地将其视为一个整体，以确定瓶颈和次优解决方案。

如果要自动进行周期性优化，我们需要考虑自动更新交易账户上已经运行的 EA 设置。这样一来，我们就可以在策略测试器中运行 EA，并在单次运行中更改其设置。

为了取得进一步的进展，最好看看我们是否可以通过定期重新运行自动优化并生成新的 EA 来改进结果。关于使用参数优化的许多争论中的绊脚石是，在将盈利能力和回撤保持在指定水平的同时，所获得的参数在未来一段时间内可用于交易的时间有多长。有可能做到这一点吗？

我们已经创建了不少有助于安排自动优化的组件。在创建过程中，我们遵循了传统的循环结构：从创建最小的工作代码到重构和获得改进的代码。是时候开始清理我们的数据库了，这也是我们正在创建的系统中的一个关键组件。

到目前为止，我们已经探讨了仅在标准策略测试器中启动顺序程序以优化 EA 的自动化。但是，如果我们想在两次启动之间使用其他方法对获得的数据进行一些处理呢？我们将尝试添加创建由用 Python 编写的程序执行的新优化阶段的功能。

让我们继续将之前手动执行的步骤自动化。这一次，我们将回到第二阶段的自动化，即选择交易策略的最佳单实例组，并补充考虑远期实例结果的能力。

目前，我们的 EA 使用数据库来获取交易策略单个实例的初始化字符串。然而，这个数据库相当大，包含许多实际 EA 操作不需要的信息。让我们尝试在不强制连接到数据库的情况下确保 EA 的功能。

正在开发中的 EA 预计在与不同经纪商进行交易时都会表现出良好的效果。但目前我们一直使用 MetaQuotes 模拟账户的报价进行测试。让我们看看我们的 EA 是否准备好使用与测试和优化期间使用的报价不同的交易账户。

当我们逐渐接近获得一个现成的 EA 时，我们需要注意在测试交易策略阶段看似次要的问题，但在转向真实交易时变得重要。

之前开发的风险管理器仅包含基本功能，让我们试着探讨其可能的开发方式，使我们能够在不干扰交易策略逻辑的情况下改善交易结果。

我们已经实现了自动化优化的第一阶段。我们根据若干标准对不同的交易品种和时间框架进行优化，并将每次通过的结果信息存储在数据库中。现在我们将从第一阶段找到的参数集中选择最佳组。

在正在开发的 EA 中，我们已经有了某种控制回撤的机制。但它具有概率性，因为它是以历史价格数据的测试结果为基础的。因此，回撤有时会超过最大预期值（尽管概率很小）。让我们试着增加一种机制，以确保遵守指定的回撤水平。

为了获得一个好的 EA，我们需要为它选择多组好的交易策略实例参数。这可以通过对不同的交易品种运行优化然后选择最佳结果来手动完成。但最好将这项工作委托给程序，并从事更有成效的活动。

EA 开发计划包括几个阶段，中间结果保存在数据库中，它们只能作为字符串或数字而不是对象再次从那里读取。因此，我们需要一种方法来根据从数据库读取的字符串重新创建 EA 中的所需对象。

让我们来概述一下 EA 开发的主要阶段。首先要做的一件事就是优化所开发交易策略的单个实例。让我们试着在一个地方收集优化过程中测试器通过的所有必要信息。

随着我们的进步，我们在一个 EA 中使用了越来越多的同时运行的交易策略实例。让我们试着弄清楚在遇到资源限制之前，我们可以得到多少实例。

在此之前，我们曾对一组交易策略实例的选择进行过评估，目的是改进它们的联合运行结果，但这只是在对单个实例进行优化的同一时间段进行的。让我们拭目以待在前向时间段会发生什么。