Все (пока нет) о Стратегический тестировщик, Оптимизация и Облако - страница 12
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Алгоритмы оптимизации популяции: Алгоритм Shuffled Frog-Leaping (SFL)
2. Алгоритм
3. Результаты тестирования
Алгоритм Shuffled Frog Leaping Algorithm (SFL) был предложен М. Евсуфом и другими авторами в 2003 году. Этот алгоритм сочетает в себе принципы меметического алгоритма и алгоритма роя частиц, а его дизайн был вдохновлен поведением группы лягушек во время кормежки.
Алгоритмы популяционной оптимизации: Алгоритм эволюционных вычислений разума (MEC)
Эволюционные вычисления - это область вычислительного интеллекта, машинного обучения и искусственного интеллекта. Оно широко используется при решении задач оптимизации, проектировании роботов, создании деревьев решений, настройке алгоритмов анализа данных, обучении нейронных сетей и настройке гиперпараметров. Вместо классических численных методов эволюционные вычисления используют вдохновение от биологической эволюции для разработки хороших решений. Они особенно полезны, когда неизвестна производная фитнес-функции или когда фитнес-функция имеет много локальных экстремумов, которые могут помешать последовательным методам.
Алгоритмы MEC реализуют представленную концепцию с помощью операций локальной конкуренции и диссимиляции, отвечающих за локальный и глобальный поиск, соответственно. Доски объявлений используются алгоритмом для хранения информации об эволюционной истории популяции. На основе этой информации осуществляется управление процессом оптимизации.Алгоритмы популяционной оптимизации: Стохастический диффузионный поиск (SDS)
Интеграция ML-моделей с тестером стратегий (Заключение): Реализация регрессионной модели для прогнозирования цен
В предыдущей статье мы завершили реализацию класса управления CSV-файлами для хранения и получения данных, связанных с финансовыми рынками. Создав инфраструктуру, мы теперь готовы использовать эти данные для построения и обучения модели машинного обучения.
Наша задача в этой статье - реализовать регрессионную модель, которая сможет предсказать цену закрытия финансового актива в течение недели. Этот прогноз позволит нам анализировать поведение рынка и принимать взвешенные решения при торговле финансовыми активами.
Алгоритмы оптимизации популяции: Алгоритм поиска заряженной системы (CSS)
Алгоритм Charged System Search (CSS) был впервые предложен А. Кавехом и С. Талатахари в 2010 году.
Оптимизация является важной и неотъемлемой частью решения задач математического моделирования и машинного обучения. Метаэвристические алгоритмы являются эффективным и популярным классом методов оптимизации. Под метаэвристикой можно понимать алгоритм, который стохастически ищет возможные решения задачи, близкие к оптимальным, пока не будет выполнено определенное условие или не будет достигнуто заданное количество итераций.
В научной литературе метаэвристика рассматривается как объединение базовых эвристических методов в алгоритмические схемы более высокого уровня, которые позволяют более эффективно исследовать пространства поиска и принимать решения. Обычно это требует меньше усилий, чем разработка новых специализированных эвристик. Задача состоит в том, чтобы адаптировать общие метаэвристические схемы для решения сложных оптимизационных задач. Кроме того, эффективная реализация метаэвристики может гарантировать, что решение, близкое к оптимальному, будет найдено за приемлемое время. Различные подходы к пониманию метаэвристики позволяют сформулировать некоторые фундаментальные свойства, характеризующие ее. В последние годы использование метаэвристических методов расширяется, предпринимаются усилия по увеличению мощности алгоритмов и сокращению времени оптимизации.
оптимизация позволяет увидеть прибыль там где её нет.
хороший оптимизатор при этом позволяет быстрее перейти на реал, потратить лишнее и войти в новые оптимизации
перебор алгоритмов оптимизации повышает навыки перебора :-) В экстремальных случаях способствует диетам
Алгоритмы оптимизации популяции: Алгоритм Intelligent Water Drops (IWD)
1. Введение
2. Алгоритм
3. Модифицированная версия SDSm
4. Результаты тестирования
Алгоритмы оптимизации популяции: Алгоритм Spiral Dynamics Optimization (SDO)
Алгоритмы популяционной оптимизации: Дифференциальная эволюция (DE)
1. Введение2. Алгоритм
3. Результаты тестирования
Дифференциальная эволюция (ДЭ) - один из метаэвристических методов оптимизации. Он отличается от других методов своей простотой и эффективностью. DE использует популяцию векторов, которые мутируют и скрещиваются для создания новых решений. Он не требует знания градиента и способен находить глобальные оптимумы.
Алгоритм DE был разработан в 90-х годах Сторном и Прайсом (опубликован в книге "Дифференциальная эволюция - простая и эффективная эвристика для глобальной оптимизации в непрерывных пространствах") и с тех пор стал одним из самых популярных методов оптимизации, использующих популяцию векторов параметров для поиска оптимального решения.
Алгоритмы популяционной оптимизации: Метод Нелдера-Мида, или симплексный поиск (NM)
1. Введение2. Алгоритм
3. Результаты тестирования
Метод Нелдера-Мида получил название "симплекс-метод" и был опубликован в статье "A Simplex Method for Function Minimization" в журнале The Computer Journal в 1965 году. Этот метод был принят научным сообществом и стал широко использоваться в различных областях, требующих оптимизации функций.
Симплекс - это набор точек, образующих многогранник, где каждая точка - это набор значений параметров оптимизируемой функции. Идея заключается в изменении и перемещении симплекса в пространстве параметров для нахождения оптимального значения функции.
Метод Нелдера-Мида (симплекс-метод Нелдера-Мида) относится к классу безусловных алгоритмов оптимизации. Это детерминированный алгоритм, который не требует использования производных функций и может работать с функциями, имеющими несколько локальных минимумов.