Vasiliy Sokolov : 1998년부터 2008년까지의 일련의 실행 중에서 1998년부터 2001년까지의 기간 동안 가장 좋은 것을 선택하고 2002년에 대한 결과를 결과 자본에 기록한 다음 1999-2002년 동안의 가장 좋은 것을 선택하고 2003년에 대한 결과를 더합니다. 이전 것 등으로 많은 실행이 기록을 통해 미리 획득됩니다. 기본적으로 평범한 슬라이딩 창입니다. 여기에는 마법과 반복 이 없습니다.
당신이 옳지 않다. 실행 세트는 미리 얻은 것이 아니라 순차적으로, 즉 동일한 절차 가 다른 세그먼트에서 반복 됩니다. 텍스트를 읽을 수도 없습니다. 이것은 GIF에서 명확하게 볼 수 있습니다. 내 자동 최적화 프로그램에서 정확히 동일한 알고리즘을 구현했지만 각 세그먼트에서만 각 변수를 개별적으로 실행합니다.
나에게 이것은 매우 강력한 지표이지만 충분하지 않습니다. 실제로 일부 TS는 매우 훌륭하고 부드러운 에퀴티를 제공할 수 있다는 사실을 알게 되었습니다. 그들이 가지고 있는 R^2는 매우 높으며 매개변수 세트는 짝수라도 깨질 것입니다 .................................. .
Youri Tarshecki : 당신이 옳지 않다. 실행 세트는 미리 얻은 것이 아니라 순차적으로, 즉 동일한 절차 가 다른 세그먼트에서 반복 됩니다. 텍스트를 읽을 수도 없습니다. 이것은 GIF에서 명확하게 볼 수 있습니다. 내 자동 최적화 프로그램에서 정확히 동일한 알고리즘을 구현했지만 각 세그먼트에서만 각 변수를 개별적으로 실행합니다.
Carl, 최적화 클라우드의 매개변수가 동일한 경우 다시 최적화해야 하는 이유는 무엇입니까? 매트를 배우십시오. 그들이 말하는 것처럼 부분.
Vasiliy Sokolov : Carl, 최적화 클라우드의 매개변수가 동일한 경우 다시 최적화해야 하는 이유는 무엇입니까? 매트를 배우십시오. 그들이 말하는 것처럼 부분.
Walk-Forward에는 최적화된 클라우드가 없습니다. 당신이 잘못 생각하는 것처럼 아무도 전체 세그먼트를 한 번에 테스트하지 않습니다. 단지 이 큰 세그먼트의 일부로 세그먼트에 대해 최적화된 매개변수를 분리하는 것이 불가능하기 때문입니다. 교차하는 일부 섹션을 다시 최적화하는 것은 여러 번 최적화하는 것이 아니라 매번 다른 최적화 세그먼트의 일부가 될 때마다 교대로 적용된다는 점입니다. 결과적으로 히스토리의 동일한 지점이 여러 번 최적화됩니다. 처음에는 앞에서, 그 다음에는 중간에서, 그런 다음 최적화되는 세그먼트의 끝에서 최적화되지만 해당 포워드는 연속적이고 겹치지 않는 것으로 판명되었습니다. 저것들. 재료뿐만 아니라 영어도 배워야 합니다. 랭. 일반적인 GIF가 당신을 확신하지 못한다면.
Youri Tarshecki : Walk-Forward에는 최적화된 클라우드가 없습니다. 교차 섹션의 재최적화의 의미는 각 섹션이 다른 최적화 세그먼트의 일부가 될 때마다 시프트가 적용된다는 것입니다. 결과적으로 히스토리의 동일한 지점이 여러 번 최적화됩니다. 처음에는 앞에서, 그 다음에는 중간에서, 그런 다음 최적화되는 세그먼트의 끝에서 최적화되지만 해당 포워드는 연속적이고 겹치지 않는 것으로 판명되었습니다. 저것들. 재료뿐만 아니라 영어도 배워야 합니다. 랭. 일반적인 GIF가 당신을 확신하지 못한다면.
특히 영재를 위해 다시 말하지만 최적화는 전체 테스트 기간 동안 한 번 수행됩니다. 2000년부터 2015년까지 차량을 최적화하십시오. 2005 - 2008년 최고의 실행을 선택하십시오. 그런 다음 2005-2008년 동안 동일한 차량을 최적화합니다. 다시 최고의 실행을 선택합니다. 매개 변수가 있는 결과는 페니와 일치할 것으로 예상합니다. 이것은 gif에 표시됩니다. 벽에 기대어 자살하고 싶다면 각 반복마다 다시 최적화하십시오.
Vasiliy Sokolov : 특히 영재를 위해 다시 말하지만 최적화는 전체 테스트 기간 동안 한 번 수행됩니다. 2000년부터 2015년까지 차량을 최적화하십시오. 2005 - 2008년 최고의 실행을 선택하십시오. 그런 다음 동일한 차량을 2005-2008년에 최적화합니다. 다시 최고의 실행을 선택합니다. 매개 변수가 있는 결과는 페니와 일치할 것으로 예상합니다. 이것은 gif에 표시됩니다. 벽에 기대어 자살하고 싶다면 각 반복마다 다시 최적화하십시오.
자동 워크 포워드 테스트는 시장 데이터의 과거 세그먼트("샘플 내")에서 매개변수 값을 최적화한 다음 시간에 맞춰 앞으로 테스트하여 시스템의 성능을 검증하는 시스템 설계 및 검증 기술입니다. 최적화 세그먼트("out-of-sample") 다음에 오는 데이터. 시스템이 최적화된 데이터가 아니라 테스트 데이터("표본 외")에서 얼마나 잘 수행되는지에 따라 시스템을 평가합니다. 프로세스는 후속 시간 세그먼트에 대해 반복될 수 있습니다.
GIF에서는 결과가 전혀 표시되지 않고 최적화의 운명과 앞으로 섹션만 표시됩니다. 내 스레드를 다시 오염시키지 마십시오.
자동 워크 포워드 테스트는 시장 데이터의 과거 세그먼트("샘플 내")에서 매개변수 값을 최적화한 다음 시간에 맞춰 앞으로 테스트하여 시스템의 성능을 검증하는 시스템 설계 및 검증 기술입니다. 최적화 세그먼트("out-of-sample") 다음에 오는 데이터. 시스템이 최적화된 데이터가 아니라 테스트 데이터("표본 외")에서 얼마나 잘 수행되는지에 따라 시스템을 평가합니다. 프로세스는 후속 시간 세그먼트에 대해 반복될 수 있습니다.
gif에서는 결과가 전혀 표시되지 않고 최적화 및 앞으로 섹션의 운명만 표시됩니다. 내 스레드를 다시 오염시키지 마십시오.
내 말을 이해하려고 하는 건가? wft를 이해하면서 단계별로 더 나은 예를 제시하십시오. 그러면 설명이 더 쉬울 것입니다. 아마도 그만한 가치가 없지만 경우가 심각하기 때문입니다.
Vasiliy Sokolov : 내 말을 이해하려고 하는 건가? wft를 이해하면서 단계별로 더 나은 예를 제시하십시오. 그러면 설명이 더 쉬울 것입니다. 아마도 그만한 가치가 없지만 경우가 심각하기 때문입니다.
모든 것이 gif에 표시됩니다. 단계별로. 1단계, 2단계... 즉 1단계, 2단계 ..다시 말하지만 내 스레드를 더럽히지 마십시오. Wikipedia와 자체 플랫폼에 Walk-Forward를 구축한 제조업체 Amitrade가 평판이 좋지 않다면 저는 할 말이 없습니다. 그것으로 할.
1998년부터 2008년까지의 일련의 실행 중에서 1998년부터 2001년까지의 기간 동안 가장 좋은 것을 선택하고 2002년에 대한 결과를 결과 자본에 기록한 다음 1999-2002년 동안의 가장 좋은 것을 선택하고 2003년에 대한 결과를 더합니다. 이전 것 등으로 많은 실행이 기록을 통해 미리 획득됩니다. 기본적으로 평범한 슬라이딩 창입니다. 여기에는 마법과 반복 이 없습니다.
R^2에 대해 조금 더.
나에게 이것은 매우 강력한 지표이지만 충분하지 않습니다. 실제로 일부 TS는 매우 훌륭하고 부드러운 에퀴티를 제공할 수 있다는 사실을 알게 되었습니다. 그들이 가지고 있는 R^2는 매우 높으며 매개변수 세트는 짝수라도 깨질 것입니다 .................................. .
안녕하세요. 바실리. 제곱의 공식 P를 제공하십시오. 몰라요...
당신이 옳지 않다. 실행 세트는 미리 얻은 것이 아니라 순차적으로, 즉 동일한 절차 가 다른 세그먼트에서 반복 됩니다. 텍스트를 읽을 수도 없습니다. 이것은 GIF에서 명확하게 볼 수 있습니다. 내 자동 최적화 프로그램에서 정확히 동일한 알고리즘을 구현했지만 각 세그먼트에서만 각 변수를 개별적으로 실행합니다.
Carl, 최적화 클라우드의 매개변수가 동일한 경우 다시 최적화해야 하는 이유는 무엇입니까? 매트를 배우십시오. 그들이 말하는 것처럼 부분.
Walk-Forward에는 최적화된 클라우드가 없습니다. 교차 섹션의 재최적화의 의미는 각 섹션이 다른 최적화 세그먼트의 일부가 될 때마다 시프트가 적용된다는 것입니다. 결과적으로 히스토리의 동일한 지점이 여러 번 최적화됩니다. 처음에는 앞에서, 그 다음에는 중간에서, 그런 다음 최적화되는 세그먼트의 끝에서 최적화되지만 해당 포워드는 연속적이고 겹치지 않는 것으로 판명되었습니다. 저것들. 재료뿐만 아니라 영어도 배워야 합니다. 랭. 일반적인 GIF가 당신을 확신하지 못한다면.
당신이 잘못 생각하는 것처럼 아무도 전체 세그먼트를 한 번에 테스트하지 않습니다. 단지 이 큰 세그먼트의 일부로 세그먼트에 대해 최적화된 매개변수를 분리하는 것이 불가능하기 때문입니다.
특히 영재를 위해 다시 말하지만 최적화는 전체 테스트 기간 동안 한 번 수행됩니다. 2000년부터 2015년까지 차량을 최적화하십시오. 2005 - 2008년 최고의 실행을 선택하십시오. 그런 다음 동일한 차량을 2005-2008년에 최적화합니다. 다시 최고의 실행을 선택합니다. 매개 변수가 있는 결과는 페니와 일치할 것으로 예상합니다. 이것은 gif에 표시됩니다. 벽에 기대어 자살하고 싶다면 각 반복마다 다시 최적화하십시오.
자동 워크 포워드 테스트는 시장 데이터의 과거 세그먼트("샘플 내")에서 매개변수 값을 최적화한 다음 시간에 맞춰 앞으로 테스트하여 시스템의 성능을 검증하는 시스템 설계 및 검증 기술입니다. 최적화 세그먼트("out-of-sample") 다음에 오는 데이터. 시스템이 최적화된 데이터가 아니라 테스트 데이터("표본 외")에서 얼마나 잘 수행되는지에 따라 시스템을 평가합니다. 프로세스는 후속 시간 세그먼트에 대해 반복될 수 있습니다.
GIF에서는 결과가 전혀 표시되지 않고 최적화의 운명과 앞으로 섹션만 표시됩니다. 내 스레드를 다시 오염시키지 마십시오.
자동 워크 포워드 테스트는 시장 데이터의 과거 세그먼트("샘플 내")에서 매개변수 값을 최적화한 다음 시간에 맞춰 앞으로 테스트하여 시스템의 성능을 검증하는 시스템 설계 및 검증 기술입니다. 최적화 세그먼트("out-of-sample") 다음에 오는 데이터. 시스템이 최적화된 데이터가 아니라 테스트 데이터("표본 외")에서 얼마나 잘 수행되는지에 따라 시스템을 평가합니다. 프로세스는 후속 시간 세그먼트에 대해 반복될 수 있습니다.
gif에서는 결과가 전혀 표시되지 않고 최적화 및 앞으로 섹션의 운명만 표시됩니다. 내 스레드를 다시 오염시키지 마십시오.
내 말을 이해하려고 하는 건가? wft를 이해하면서 단계별로 더 나은 예를 제시하십시오. 그러면 설명이 더 쉬울 것입니다. 아마도 그만한 가치가 없지만 경우가 심각하기 때문입니다.