Conseiller pour un article. Des tests pour tous les arrivants. - page 7
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Eh bien, l'optimisation les traverse déjà, alors où les dévier ?
.
Il s'agit d'introduire des erreurs insignifiantes au cours de l'optimisation, c'est-à-dire que les valeurs des paramètres d'entrée seront légèrement déformées de manière aléatoire et cela est censé empêcher l'algorithme génétique de se fixer sur de faux extrema avec des descentes abruptes. En même temps, pour les extrema à pente douce, les petites distorsions auront également un faible effet sur l'algorithme d'optimisation.
Par exemple, si un extremum a des coordonnées sous la forme de valeurs de paramètres d'entrée x, y, z et que la fonction d'adéquation profit = f(x, y, z) alors x ± delta, y ± delta, z ± delta où delta est une petite distorsion pour les valeurs des paramètres d'entrée, pour les faux extremums la déviation de la fonction d'adéquation affectera le résultat final de manière significative alors que pour les extrema avec des pentes douces la déviation de la fonction d'adéquation ne sera pas significative.
C'est analogue à la circulation routière : si la route est étroite et glissante, il est difficile d'y rouler sans voler sur le bord de la route - un extremum faux, c'est-à-dire instable. Si la route est large et bien pavée, on peut la conduire facilement - un extremum plus vrai, c'est-à-dire stable. Nous introduisons de petites déviations dans la direction et il n'est plus possible de conduire sur une route étroite et glissante dans les virages - nous coupons les faux extrêmes. Comme la recherche des extrema des fonctions multidimensionnelles ressemble beaucoup à une montée sur plusieurs pistes, l'analogie est tout à fait appropriée.
Ainsi, en théorie, l'algorithme génétique essaiera d'éviter les faux extrema car leurs descendants, en tant que chromosomes, ne pourront pas s'insérer dans les tours et chercheront à maximiser sur les tours stables.
Après l'optimisation, les distorsions des paramètres d'entrée doivent être désactivées.
Après l'optimisation, la distorsion des paramètres d'entrée doit être désactivée.
Peut-être que vous n'auriez pas dû les exclure. Ils peuvent donner des limites de confiance
Après l'optimisation, les distorsions des paramètres d'entrée doivent être désactivées.
Peut-être que vous ne devriez pas les exclure, monsieur. Ils peuvent donner des limites de confiance
Pourquoi faut-il des distorsions dans le commerce ? Peut-être que vous les allumez pour avoir un écart de plus ou moins un kilomètre, mais je n'ai pas besoin d'un tel plaisir. La tâche consiste uniquement à couper une grande partie des extrémités instables pendant l'optimisation.
Peut-être que tu ne devrais pas les exclure. Ils peuvent donner des limites de confiance
Monsieur. Yuri, et l'article ? Quand sera-t-il publié ?
Grande nouvelle ! J'aimerais beaucoup lire votre travail d'ici le week-end !
Bonne chance !
Grande nouvelle ! J'aimerais beaucoup lire votre travail d'ici le week-end !
Bonne chance !
C'est tout ringard, quelques formules, des mots ringards, des images pour rendre le tout plus important.
Je préfère lire un roman policier.
Il s'agit d'introduire des erreurs insignifiantes au cours de l'optimisation, c'est-à-dire que les valeurs des paramètres d'entrée seront légèrement déformées de manière aléatoire et cela est censé empêcher l'algorithme génétique de se fixer sur de faux extrema avec des descentes abruptes. En même temps, pour les extrema à pente douce, les petites distorsions auront également un faible effet sur l'algorithme d'optimisation.
Par exemple, si un extremum a des coordonnées sous la forme de valeurs de paramètres d'entrée x, y, z et que la fonction d'adéquation profit = f(x, y, z) alors x ± delta, y ± delta, z ± delta où delta est une petite distorsion pour les valeurs des paramètres d'entrée, pour les faux extremums la déviation de la fonction d'adéquation affectera significativement le résultat final alors que pour les extrema avec des pentes douces la déviation de la fonction d'adéquation ne sera pas significative.
C'est analogue à la circulation routière : si la route est étroite et glissante, il est difficile d'y rouler sans voler sur le côté de la route - un extremum faux, c'est-à-dire instable. Si la route est large et bien pavée, on peut la conduire facilement - un extremum plus vrai, c'est-à-dire stable. Nous introduisons de petites déviations dans la direction et il n'est plus possible de conduire sur une route étroite et glissante et d'entrer dans les virages - nous coupons les faux extrema. Étant donné que la recherche des extrema des fonctions multidimensionnelles est très similaire à l'ascension de divers sentiers, l'analogie est tout à fait appropriée.
Ainsi, en théorie, l'algorithme génétique essaiera d'éviter les faux extrema car leurs descendants, sous forme de chromosomes, ne pourront pas s'insérer dans les tours et chercheront à maximiser sur les tours stables.
Après l'optimisation, les distorsions des paramètres d'entrée doivent être désactivées.
ne pas déformer accidentellement quoi que ce soit. Ceci est fait par l'AG lui-même par le mécanisme de mutation. L'optimisation est nécessaire pour vérifier la robustesse de chaque option individuelle, et non pour rechercher des extrêmes globaux. Si une option ne répond pas aux exigences, il faut reconsidérer ce filtre ou un élément de l'ensemble (selon le paramètre) ou l'écarter complètement.
L'AG n'est nécessaire que pour un point de référence initial - pour choisir les valeurs des options qui fonctionnent plus ou moins bien, pour les fixer et ensuite vérifier chaque option séparément.
L'avancement est nécessaire dans tous les cas. Comment l'estimer autrement ?
Vous n'avez pas du tout besoin d'un forward si vous analysez correctement les grossistes.
L'essence de l'avant est d'évaluer si les extrêmes des paramètres optimisés flottent dans le temps. C'est-à-dire, couper les variantes lorsqu'il y a plusieurs extrema locaux dans toute la section de test (optimisation + autofsample). Elle peut être coupée beaucoup mieux par une analyse séparée pour chaque option pour la singularité de son extremum et la monotonicité. C'est-à-dire qu'il est déjà garanti qu'une option ne "flotte" pas dans le temps. Et la méthode Forward présente un grave inconvénient : elle ne prend en compte que les points individuels de la surface d'optimisation et non l'ensemble. Cela, associé à la division phonon des parcelles en échantillons d'optimisation et en échantillons automatiques, réduit la fiabilité statistique d'une telle analyse sous la plinthe)). Ce n'est qu'une prise de conscience - on aura peut-être la chance de sélectionner un autofsample et un ensemble d'options de merde sera passé, ou vice versa - un autofsample tombera dans une période de baisse temporaire d'un "bon" ensemble d'options.
Mais dans tous les cas, je répète que la tâche d'optimisation consiste à évaluer la robustesse de chaque paramètre du système. En cas de doute, il est préférable de l'écarter ou de le modifier. Ne laissez que ce qui est soutenu à 100% par les statistiques et la logique commerciale.