최적화를 위한 선택 기준은 무엇이어야 하는지 질문하셨습니다. 답은 분명하다고 생각합니다. Expert Advisor에게 가장 좋은 포워드, 더 정확하게는 포워드 금액을 제공하는 기준입니다. 백투포워드 비율과 기간 선택에도 동일하게 적용됩니다. 모든 옵션을 직접 확인할 때까지 아무도 당신을 대신하지 않을 것입니다.
당신은 프로세스가 힘들다고 불평했습니다. 답도 분명합니다. 자동화를 수행하고 서비스에 글을 작성하여 마침내 풀타임으로 전진하도록 합니다.
평가판 옵션은 무엇입니까?
"그리고 이것은 일반적으로 용량에 의해 결정됩니다."
몇 주 동안 특정 수의 최적화를 수행했지만 아직 흥미로운 결과를 보지 못했습니다. 모든 결과에 대해 포워드를 한 번에 수행하지 않고 그 결과나 역최적화 결과를 저장하지 않은 것이 유감입니다. 광고는 매우 오랫동안 최적화되고 최적화될 수 있습니다.
따라서 최적화 결과 선정을 위한 작업 방식을 공유해 주시길 부탁드립니다.
뉘앙스를 나눌 사람이 없으면 앞으로 걷는 연습이 거의 없을 것 같습니다.
당신은 전문가 자신보다 더 가치 있는 것을 요구하고 있습니다.
그러나 아이디어를 공유하는 것은 돈을 공유하는 것이 아닙니다.
여기 맞습니다) 전문가가 여전히 더 중요하지만.
그러나 아이디어를 공유하는 것은 여전히 돈을 공유하지 않습니다))
Wolfing 작업에서 어떤 멋진 요리법을 기대하는지 명확하지 않습니다.
최적화를 위한 선택 기준은 무엇이어야 하는지 질문하셨습니다. 답은 분명하다고 생각합니다. Expert Advisor에게 가장 좋은 포워드, 더 정확하게는 포워드 금액을 제공하는 기준입니다. 백투포워드 비율과 기간 선택에도 동일하게 적용됩니다. 모든 옵션을 직접 확인할 때까지 아무도 당신을 대신하지 않을 것입니다.
당신은 프로세스가 힘들다고 불평했습니다. 답도 분명합니다. 자동화를 수행하고 서비스에 글을 작성하여 마침내 풀타임으로 전진하도록 합니다.
답은 분명하다고 생각합니다. 전문가 고문에게 최고의 포워드, 더 정확하게는 포워드 금액을 제공하는 것입니다. 백투포워드 비율과 기간 선택에도 동일하게 적용됩니다.
다음 주제에서 이미 말했듯이 걷는 것은 쓸모없는 방법이라고 생각합니다.
결국, 전체 역사 기간 동안 최적화 후에 얻은 절대적으로 아름다운 균형 곡선에 대한 매개변수 세트는 모든 보행 테스트를 통과할 것입니다. 그리고 이 곡선에 대한 포워드의 합도 최대가 될 것입니다.
그래서 우리가 똑같은 것을 얻는다면 왜 귀찮게합니까?
그래서 우리가 똑같은 것을 얻는다면 왜 귀찮게합니까?
다음 주제에서 이미 말했듯이 걷는 것은 쓸모없는 방법이라고 생각합니다.
결국, 전체 기록 기간에 대한 최적화 후에 얻은 절대적으로 아름다운 균형 곡선에 대한 매개변수 세트는 모든 보행 테스트를 통과할 것입니다. 그리고 이 곡선에 대한 포워드의 합도 최대가 될 것입니다.
그래서 우리가 똑같은 것을 얻는다면 왜 귀찮게합니까?
1. 첫째, 그렇지 않습니다. 전달의 총 결과는 한 번에 전체 세그먼트에 대한 최적화와 양방향으로 다릅니다. 직접 쉽게 확인하실 수 있습니다.
2. 걷기의 임무는 최적의 설정을 찾는 것이 아니라 Expert Advisor가 최적화되지 않은 영역, 즉 낯선 환경에서.
따라서 백 차트를 전혀 볼 수 없습니다. 항상 자동 최적화가 좋습니다. 따라서 아이디어를 제공하는 유일한 것은 포워드 금액입니다.
저것들. 전체 참여에 대한 대부분의 최적화는 고문이 기록에 적응할 수 있는 방법만을 보여줍니다.
1. 첫째, 그렇지 않습니다. 전달의 총 결과는 한 번에 전체 세그먼트에 대한 최적화와 양방향으로 다릅니다. 직접 쉽게 확인하실 수 있습니다.
2. 걷기의 임무는 최적의 설정을 찾는 것이 아니라 Expert Advisor가 최적화되지 않은 영역, 즉 낯선 환경에서.
옳고, 옳습니다. 저는 논쟁하지 않습니다. 방법이 작동하고 있습니다.
그러나 대답하십시오. 우리는 걷기의 도움으로 세트 또는 세트를 선택했습니다. 이제 이 세트를 AB에서 실행하면 결과는 아름다울 것입니다 (나는 아름다움의 매개 변수를 구체적으로 지정하지 않고 모든 사람이 자신의 매개 변수를 가지고 있습니다).
이제 우리는 아름다움 매개변수를 고려하는 기준으로 AB에 대한 간단한 최적화를 실행합니다. 우리는 세트를 얻습니다. 그 중 걷는 도움으로 찾은 세트가 없을 것입니까?
옳고, 옳습니다. 저는 논쟁하지 않습니다. 방법이 작동하고 있습니다.
그러나 대답하십시오. 우리는 걷기의 도움으로 세트 또는 세트를 선택했습니다. 이제 이 세트를 AB에서 실행하면 결과는 아름다울 것입니다 (나는 아름다움의 매개 변수를 구체적으로 지정하지 않고 모든 사람이 자신의 매개 변수를 가지고 있습니다).
이제 우리는 아름다움 매개변수를 고려하는 기준으로 AB에 대한 간단한 최적화를 실행합니다. 우리는 세트를 얻습니다. 그 중 걷는 도움으로 찾은 세트가 없을 것입니까?
앞으로 걷는 것은 세트에 관한 것이 아닙니다. 이것은 인코더를 위한 작업 도구입니다. 저것들. 올빼미가 작동하도록 하려면 늑대 가죽의 모든 단계를 확인하십시오.
예를 들어 여기에서 다양한 지표가 다른 도구의 상관 관계를 결정하는 데 어떻게 도움이 되는지 연구했습니다.
이 예에서는 컨트롤이 더 나은 것으로 판명되었습니다. 그리고 이것은 앞으로 나아가는 것이 가장 흔한 결과이며 대부분의 코드 변경은 비생산적입니다.
앞으로 걷는 것은 세트에 관한 것이 아닙니다. 이것은 인코더를 위한 작업 도구입니다. 저것들. 올빼미가 작동하도록 하려면 늑대 가죽의 모든 단계를 확인하십시오.