Consulente per un articolo. Test per tutti i partecipanti. - pagina 7
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Beh, l'ottimizzazione passa già attraverso di loro, quindi dove altro si può deviare?
Si tratta di introdurre errori insignificanti durante l'ottimizzazione, cioè i valori dei parametri di input saranno distorti in modo casuale leggermente e si suppone che l'algoritmo genetico non si fissi su falsi estremi con discese ripide. Allo stesso tempo, per gli estremi con pendenze dolci, le piccole distorsioni avranno anche un piccolo effetto sull'algoritmo di ottimizzazione.
Per esempio, se un estremo ha coordinate sotto forma di valori dei parametri di input x, y, z e la funzione fitness profit = f(x, y, z) allora x ± delta, y ± delta, z ± delta dove delta è una piccola distorsione per i valori dei parametri di input, per i falsi estremi la deviazione della funzione fitness influenzerà significativamente il risultato finale mentre per gli estremi con pendenze dolci la deviazione della funzione fitness non sarà significativa.
Questo è analogo al traffico stradale: se la strada è stretta e scivolosa, è difficile guidarla senza volare fuori sul lato della strada - un falso, cioè un estremum instabile. Se la strada è larga e ben pavimentata, può essere percorsa facilmente - un estremo più vero, cioè stabile. Introduciamo piccole deviazioni nello sterzo e non è più possibile guidare su una strada stretta e scivolosa e inserirsi nelle curve - tagliamo i falsi estremi. Poiché trovare gli estremi di funzioni multidimensionali è molto simile a salire su vari sentieri, l'analogia è abbastanza appropriata.
Così teoricamente l'algoritmo genetico cercherà di evitare i falsi estremi in quanto i loro discendenti come cromosomi non si adattano ai giri e punterà a massimizzare su quelli stabili.
Dopo l'ottimizzazione, le distorsioni dei parametri di input dovrebbero essere disabilitate.
Dopo l'ottimizzazione, la distorsione dei parametri di ingresso deve essere disabilitata.
Forse non avresti dovuto escluderli. Possono dare confini di fiducia
Dopo l'ottimizzazione, le distorsioni dei parametri di ingresso dovrebbero essere disabilitate.
Forse non dovrebbe escluderli, signore. Possono dare confini di fiducia
Perché avete bisogno di distorsioni nel commercio? Forse li accendete per avere una discesa di più/meno un chilometro, ma io non ho bisogno di un tale piacere. Il compito è solo quello di tagliare gran parte degli estremi instabili durante l'ottimizzazione.
Forse non dovresti escluderli. Possono dare confini di fiducia
Il Sig. Yuri, e l'articolo, quando sarà pubblicato?
Grande notizia, mi piacerebbe leggere il tuo lavoro entro il fine settimana!
Buona fortuna!
Grande notizia, mi piacerebbe leggere il tuo lavoro entro il fine settimana!
Buona fortuna!
È tutto da nerd, alcune formule, alcune parole da nerd, immagini per renderlo più importante.
Preferirei leggere un giallo.
Si tratta di introdurre errori insignificanti durante l'ottimizzazione, cioè i valori dei parametri di input saranno distorti in modo casuale leggermente e si suppone che l'algoritmo genetico non si fissi su falsi estremi con discese ripide. Allo stesso tempo, per gli estremi con pendenze dolci, le piccole distorsioni avranno anche un piccolo effetto sull'algoritmo di ottimizzazione.
Per esempio, se un estremo ha coordinate sotto forma di valori dei parametri di input x, y, z e la funzione fitness profit = f(x, y, z) allora x ± delta, y ± delta, z ± delta dove delta è una piccola distorsione per i valori dei parametri di input, per i falsi estremi la deviazione della funzione fitness influenzerà significativamente il risultato finale mentre per gli estremi con pendenze dolci la deviazione della funzione fitness non sarà significativa.
Questo è analogo al traffico stradale: se la strada è stretta e scivolosa, è difficile guidarla senza volare fuori al lato della strada - un falso estremum, cioè instabile. Se la strada è larga e ben pavimentata, può essere percorsa facilmente - un estremo più vero, cioè stabile. Introduciamo piccole deviazioni nello sterzo e non è più possibile guidare su una strada stretta e scivolosa in curva - tagliamo i falsi estremi. Poiché trovare gli estremi di funzioni multidimensionali è molto simile a salire su vari sentieri, l'analogia è abbastanza appropriata.
Così, in teoria, l'algoritmo genetico cercherà di evitare i falsi estremi, poiché i loro discendenti sotto forma di cromosomi non si adattano ai giri e cercano di massimizzare su quelli stabili.
Dopo l'ottimizzazione, le distorsioni dei parametri di ingresso devono essere disabilitate.
non distorcere accidentalmente nulla. Questo viene fatto dal GA stesso attraverso il meccanismo di mutazione. L'ottimizzazione è necessaria per controllare ogni singola opzione per la robustezza, non per cercare gli estremi globali. Se un'opzione non soddisfa i requisiti, allora questo filtro o un elemento impostato (a seconda del parametro) dovrebbe essere riconsiderato o scartato del tutto.
Il GA è necessario solo per un punto di riferimento iniziale - per scegliere i valori degli opt che sono più o meno funzionanti, per fissarli e poi controllare ogni opt separatamente.
L'inoltro è necessario in ogni caso. In che altro modo possiamo stimarlo?
Non c'è bisogno di un forward se si analizzano correttamente i grossisti.
L'essenza dell'inoltro è valutare se gli estremi dei parametri ottimizzati galleggiano nel tempo. Cioè, per tagliare le varianti quando ci sono diversi estremi locali in tutta la sezione di test (ottimizzazione + autofsample). Può essere tagliato molto meglio attraverso un'analisi separata per ogni opzione per la singolarità del suo estremo e la monotonicità. Cioè è già una garanzia che un'opzione non "galleggia" nel tempo. E forward ha un grave svantaggio: considera solo i singoli punti sulla superficie di ottimizzazione e non nell'aggregato. Questo, unito alla divisione fonica delle trame in ottimizzazioni e autocampioni, riduce l'affidabilità statistica di tali analisi sotto lo zoccolo)) È solo una realizzazione - forse si avrà la fortuna di selezionare un autocampione e si passerà un set di opzioni di merda, o viceversa - un autocampione cadrà in un periodo di temporanea discesa di un "buon" set di opzioni.
Ma in ogni caso ripeto che il compito di ottimizzazione è quello di valutare la robustezza di ogni parametro del sistema. In caso di dubbio è meglio scartarlo o modificarlo. Lascia solo ciò che è supportato al 100% dalle statistiche e dalla logica del trading.