Berater für einen Artikel. Tests für alle Teilnehmer. - Seite 7
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Die Optimierung geht also bereits durch sie hindurch, wo sollen sie noch abweichen?
Es geht darum, während der Optimierung unbedeutende Fehler einzuführen, d.h. die Werte der Eingabeparameter werden zufällig leicht verzerrt, und es soll verhindern, dass sich der genetische Algorithmus auf falsche Extrema mit steilem Gefälle festlegt. Gleichzeitig haben die kleinen Verzerrungen bei Extrema mit sanften Steigungen auch eine geringe Auswirkung auf den Optimierungsalgorithmus.
Wenn beispielsweise ein Extremum Koordinaten in Form von Werten der Eingangsparameter x, y, z hat und die Fitnessfunktion Gewinn = f(x, y, z) dann x ± delta, y ± delta, z ± delta, wobei delta eine kleine Verzerrung für die Werte der Eingangsparameter ist, wird die Abweichung der Fitnessfunktion bei falschen Extremen das Endergebnis erheblich beeinflussen, während bei Extremen mit sanften Steigungen die Abweichung der Fitnessfunktion nicht signifikant ist.
Dies ist vergleichbar mit dem Straßenverkehr: Wenn die Straße schmal und rutschig ist, ist es schwierig, sie zu befahren, ohne auf den Straßenrand zu fliegen - ein falsches, d.h. instabiles Extremum. Wenn die Straße breit und gut asphaltiert ist, kann sie leicht befahren werden - ein wahres, d.h. stabiles Extremum. Wir bringen kleine Abweichungen in die Lenkung ein und es ist nicht mehr möglich, auf einer engen und rutschigen Straße in der Kurve zu fahren - wir schneiden falsche Extrema ab. Da das Auffinden von Extrema mehrdimensionaler Funktionen dem Bergaufklettern auf verschiedenen Pfaden sehr ähnlich ist, ist die Analogie recht treffend.
Daher wird der genetische Algorithmus theoretisch versuchen, falsche Extrema zu vermeiden, da ihre Nachkommen als Chromosomen nicht in die Kurven passen, und wird versuchen, auf stabilen Kurven zu maximieren.
Nach der Optimierung sollten die Verzerrungen der Eingabeparameter deaktiviert werden.
Nach der Optimierung muss die Verzerrung der Eingabeparameter deaktiviert werden.
Vielleicht hätten Sie sie nicht ausschließen sollen. Sie können dem Vertrauen Grenzen setzen
Nach der Optimierung sollten die Verzerrungen der Eingabeparameter deaktiviert werden.
Vielleicht sollten Sie sie nicht ausschließen, Sir. Sie können dem Vertrauen Grenzen setzen
Warum braucht man Verzerrungen im Handel? Vielleicht schaltet man sie ein, um eine Abweichung von plus/minus einem Kilometer zu haben, aber so ein Vergnügen brauche ich nicht. Die Aufgabe besteht lediglich darin, einen großen Teil der instabilen Extremwerte während der Optimierung abzuschneiden.
Vielleicht sollten Sie sie nicht ausschließen. Sie können dem Vertrauen Grenzen setzen
Herr Juri, was ist mit dem Artikel? Wann wird er veröffentlicht?
Tolle Neuigkeiten! Ich würde gerne Ihre Arbeit bis zum Wochenende lesen!
Viel Glück!
Tolle Neuigkeiten! Ich würde gerne Ihre Arbeit bis zum Wochenende lesen!
Viel Glück!
Es ist alles sehr nerdig, ein paar Formeln, ein paar nerdige Wörter, Bilder, um es wichtiger zu machen.
Ich würde lieber einen Krimi lesen.
Es geht darum, während der Optimierung unbedeutende Fehler einzuführen, d.h. die Werte der Eingabeparameter werden zufällig leicht verzerrt, und es soll verhindern, dass sich der genetische Algorithmus auf falsche Extrema mit steilem Abstieg festlegt. Gleichzeitig haben die kleinen Verzerrungen bei Extrema mit sanften Steigungen auch eine geringe Auswirkung auf den Optimierungsalgorithmus.
Wenn beispielsweise ein Extremum Koordinaten in Form von Werten der Eingangsparameter x, y, z hat und die Fitnessfunktion Gewinn = f(x, y, z) dann x ± delta, y ± delta, z ± delta, wobei delta eine kleine Verzerrung für die Werte der Eingangsparameter ist, wird die Abweichung der Fitnessfunktion bei falschen Extremen das Endergebnis erheblich beeinflussen, während bei Extremen mit sanften Steigungen die Abweichung der Fitnessfunktion nicht signifikant ist.
Dies ist vergleichbar mit dem Straßenverkehr: Wenn die Straße schmal und rutschig ist, ist es schwierig, sie zu befahren, ohne an den Straßenrand zu fliegen - ein falsches, d.h. instabiles Extremum. Wenn die Straße breit und gut asphaltiert ist, kann sie leicht befahren werden - ein wahres, d.h. stabiles Extremum. Wir bringen kleine Abweichungen in die Lenkung ein und es ist nicht mehr möglich, auf einer engen und rutschigen Straße in der Kurve zu fahren - wir schneiden falsche Extrema ab. Da das Auffinden von Extrema mehrdimensionaler Funktionen dem Bergaufsteigen auf verschiedenen Pfaden sehr ähnlich ist, ist die Analogie durchaus angebracht.
Daher wird der genetische Algorithmus theoretisch versuchen, falsche Extrema zu vermeiden, da deren Nachkommen als Chromosomen nicht in die Kurven passen, und versuchen, die stabilen zu maximieren.
Nach der Optimierung müssen die Verzerrungen der Eingabeparameter deaktiviert werden.
nicht versehentlich etwas verzerren. Dies wird vom GA selbst durch den Mutationsmechanismus erreicht. Eine Optimierung ist erforderlich, um jede einzelne Option auf ihre Robustheit zu prüfen, nicht um nach globalen Extremen zu suchen. Entspricht eine Option nicht den Anforderungen, sollte dieser Filter oder ein Set-Element (je nachdem, um welchen Parameter es sich handelt) überarbeitet oder gänzlich verworfen werden.
Die GA wird nur für einen anfänglichen Bezugspunkt benötigt - um Werte für die Optionen auszuwählen, die mehr oder weniger funktionieren, um sie festzulegen und dann jede Option einzeln zu überprüfen.
Eine Weiterleitung ist in jedem Fall erforderlich. Wie können wir sie sonst einschätzen?
Wenn Sie die Großhändler richtig analysieren, brauchen Sie überhaupt keinen Forward.
Das Wesen des Forward ist es, zu bewerten, ob die Extremwerte der optimierten Parameter im Laufe der Zeit schwanken. D.h., um Varianten abzuschneiden, wenn es mehrere lokale Extrema im gesamten Testabschnitt gibt (Optimierung + autofsample). Sie kann durch eine separate Analyse der Singularität und Monotonie der Extremwerte für jede Option viel besser abgeschnitten werden. D.h. es ist bereits eine Garantie, dass eine Option nicht in der Zeit "schwimmt". Und forward hat einen schwerwiegenden Nachteil - es betrachtet nur einzelne Punkte auf der Optimierungsfläche und nicht in der Gesamtheit. Dies und die phonetische Aufteilung der Flächen in Optimierungs- und Autostichproben verringert die statistische Zuverlässigkeit einer solchen Analyse unterhalb des Sockels). Es ist nur eine Erkenntnis - vielleicht hat man das Glück, eine Autostichprobe auszuwählen, und ein beschissener Satz von Optionen wird weitergegeben, oder umgekehrt - eine Autostichprobe fällt in eine Periode des vorübergehenden Rückgangs eines "guten" Satzes von Optionen.
In jedem Fall aber wiederhole ich, dass die Aufgabe der Optimierung darin besteht, die Robustheit der einzelnen Parameter des Systems zu bewerten. Im Zweifelsfall ist es besser, sie zu verwerfen oder zu ändern. Lassen Sie nur das zu, was zu 100 % durch Statistiken und Handelslogik unterstützt wird.