그리고 질문이 있습니다. 도보 거래에서 무엇을 원하십니까? 시스템이 데모에서 테스트하지 않도록 작동하는지 알아보시겠습니까?
글쎄, 그것은 멋지지만 데모에서 실제 테스트하기 전에 모두 동일합니다. 간단한 것이 워킹에서 작동하기를 바란다면 그렇지 않습니다. 그는 종종 광범위한 테스트 중에 모든 것이 나쁘다고 말할 것입니다.
우리는 단순히 줄일 수없는 거대한 샘플에 걷기를 제공합니다 (방향 설정). 그렇지 않으면 걷기의 전체 원칙이 이동 중에 무너집니다. 예, 많은 리소스가 필요합니다. 에이전트 작업의 특성 때문에 모든 계산의 80%가 낭비되기 때문입니다. 저것들. 처음 3일부터 결과가 이미 통과한 고슴도치보다 더 나쁘다는 것을 이해하면 어떤 이유에서인지 끝까지 테스트를 계속할 것입니다.
도보 거래 전략이 얼마나 일반화되어야 하는지 알고 있습니까? - 수익성 있는 패스를 미리 결정하여 수동으로 최적화하려고 할 때보다 최적화할 매개변수가 더 많습니다.
당신이 쓴 모든 것은 문제에 대한 완전한 오해를 보여줍니다.
이번에는 정기적으로 재최적화되는 어드바이저를 평가하기 위해 WF가 필요합니다.
둘째, 최적화를 위한 히스토리의 길이와 Expert Advisor의 작업 이동의 신뢰 구간 의 길이 모두를 보다 정확하게 선택할 수 있습니다.
셋째, WF는 적합 여부를 보여줍니다. 그리고 이것이 아마도 WF의 주요 장점일 것입니다.
둘째, 최적화를 위한 히스토리의 길이와 Expert Advisor의 작업 이동의 신뢰 구간 의 길이 모두를 보다 정확하게 선택할 수 있습니다.
셋째, WF는 적합 여부를 보여줍니다. 그리고 이것이 아마도 WF의 주요 장점일 것입니다.
이해 = 릴리스와 동일함을 믿으십시오. 2014년에 저는 이 문제를 해결하기 위해 metaquets에서 그리드를 구입했습니다. 그리고 상담원과의 대화가 부족해서 불필요한 정보를 많이 보내야 했습니다.
예, 답변을 제공하지만 답변을 줄 것입니다. 세부 사항을 제공하지 않으면 모든 것이 나쁩니다.
예를 들어 전략이 있고 WF를 통해 중지 수준만 보냅니다. 이는 사실이 아닙니다. 최대한 일반화된 버전을 보내야 합니다.
이론상 이대로 간다면 한 단계 더 추가해보자. 결국, 포워드란 무엇인가 - 이것은 우리가 투자하기로 결정한 일회성 확인입니다. + 1단계 WF로 동일한 WF만 이동했습니다. 당신이 무언가를 한다면, 보편적이지 않은 무언가를 하십시오. 그리고 질문의 본질은 우리가 무엇을 얻을 것인가가 아닙니다. 그러나 그 모든 것이 어디에 있습니까!
Alexandr Andreev : 예, 많은 리소스가 필요합니다. 에이전트 작업의 특성 때문에 모든 계산의 80%가 낭비되기 때문입니다. 저것들. 처음 3일부터 결과가 이미 통과한 고슴도치보다 더 나쁘다는 것을 이해하면 어떤 이유에서인지 끝까지 테스트를 계속할 것입니다.
저는 이 문제를 다음과 같이 해결합니다. 테스트 중에 드로다운이 60%에 도달하면 ExpertRemove()가 종료됩니다. 이 드로우다운이 3일 차에 발생하면 이 매개변수가 있는 나머지 기간은 계산되지 않습니다. 바로 계산 속도를 높이는 것입니다.
그리고 질문이 있습니다. 도보 거래에서 무엇을 원하십니까? 시스템이 데모에서 테스트하지 않도록 작동하는지 알아보시겠습니까?
걷기는 "우리가 실행한 최적화 옵션(우승 세트) 중 하나에 대한 선택 기준"을 결정하는 데 도움이 되어야 한다고 생각합니다.
이고르 볼로딘 백시간? 우리는 N tsat 전에 대학에서 실험실 년 동안 구현을 작성했습니다. 거기에는 복잡한 것이 없습니다.
글쎄, 나는 독학 프로그래머입니다. 나는 논쟁하지 않을 것입니다 - 당신이 더 잘 알고 있습니다)
저는 이 문제를 다음과 같이 해결합니다. 테스트 중에 드로다운이 60%에 도달하면 ExpertRemove()가 종료됩니다. 이 드로우다운이 3일 차에 발생하면 이 매개변수가 있는 나머지 기간은 계산되지 않습니다. 바로 계산 속도를 높이는 것입니다.
걷기는 "우리가 실행한 최적화 옵션(우승 세트) 중 하나에 대한 선택 기준"을 결정하는 데 도움이 되어야 한다고 생각합니다.
나쁜 옵션은 문제의 절반도 해결하지 못합니다. 예를 들어, 우리가 좋은 패스를 전혀 가지고 있지 않거나, 예를 들어: 그래서 우리는 2%의 최고의 패스를 얻었습니다(일반적으로 87점입니다. ), 새로운 테스트 과정에서 10점 이상의 점수는 이미 그렇지 않다는 것을 이해하지만, 왜냐하면 에이전트는 단순히 최상의 현재 추정치를 찾을 기회가 없으며 다시 - 용광로에 들어가는 리소스
이해 = 릴리스와 동일함을 믿으십시오. 2014년에 저는 이 문제를 해결하기 위해 metaquets에서 그리드를 구입했습니다. 그리고 상담원과의 대화가 부족해서 불필요한 정보를 많이 보내야 했습니다.
예, 답변을 제공하지만 답변을 줄 것입니다. 세부 사항을 제공하지 않으면 모든 것이 나쁩니다.
예를 들어 전략이 있고 WF를 통해 중지 수준만 보냅니다. 이는 사실이 아닙니다. 최대한 일반화된 버전을 보내야 합니다.
이론상 이대로 간다면 한 단계 더 추가해보자. 결국, 포워드란 무엇인가 - 이것은 우리가 투자하기로 결정한 일회성 확인입니다. + 1단계 WF로 동일한 WF만 이동했습니다. 당신이 무언가를 한다면, 보편적이지 않은 무언가를 하십시오. 그리고 질문의 본질은 우리가 무엇을 얻을 것인가가 아닙니다. 그러나 그 모든 것이 어디에 있습니까!
메쉬(클라우드)는 다른 것에 최적화되어 있습니다. 마치 현미경으로 못을 두드리는 것과 같습니다. 올바른 사용을 위해서는 포워드로 GA 검색을 반복적으로 실행하고 포워드를 주의 깊게 기록한 다음 레코드에서 전체 그림을 복원해야 합니다.
반면에 클라우드는 워밍업 시간이 오래 걸리기 때문에 일회성 최적화에 적합하지만 그리드가 상승하면 빠르게 모든 것을 계산하고 다시 떨어집니다. 출시할 때마다 시작 준비가 되어 있을 것이며 WF에는 이러한 소규모 시작이 많이 있습니다.
MQ는 WF를 정기적으로 구현하지 않지만 사용된 리소스의 작동 방식을 이해하지 않고 꼽추를 조각할 수 없습니다. 자신의 GA, 테스터를 작성하고(TheXpert가 말했듯이 지표에서 단순화할 수 있음) WF를 구현하는 것이 더 쉽습니다.
4년 전 월링 트레이딩 방향으로 파고들기 시작했고..... 그리고 아주 강력하게.
그리고 질문이 있습니다. 도보 거래에서 무엇을 원하십니까? 시스템이 데모에서 테스트하지 않도록 작동하는지 알아보시겠습니까?
글쎄, 그것은 멋지지만 데모에서 실제 테스트하기 전에 모두 동일합니다. 간단한 것이 워킹에서 작동하기를 바란다면 그렇지 않습니다. 그는 종종 광범위한 테스트 중에 모든 것이 나쁘다고 말할 것입니다.
우리는 단순히 줄일 수없는 거대한 샘플에 걷기를 제공합니다 (방향 설정). 그렇지 않으면 걷기의 전체 원칙이 이동 중에 무너집니다. 예, 많은 리소스가 필요합니다. 에이전트 작업의 특성 때문에 모든 계산의 80%가 낭비되기 때문입니다. 저것들. 처음 3일부터 결과가 이미 통과한 고슴도치보다 더 나쁘다는 것을 이해하면 어떤 이유에서인지 끝까지 테스트를 계속할 것입니다.
도보 거래 전략이 얼마나 일반화되어야 하는지 알고 있습니까? - 수익성 있는 패스를 미리 결정하여 수동으로 최적화하려고 할 때보다 최적화할 매개변수가 더 많습니다.
당신이 쓴 모든 것은 문제에 대한 완전한 오해를 보여줍니다.
이번에는 정기적으로 재최적화되는 어드바이저를 평가하기 위해 WF가 필요합니다.
둘째, 최적화를 위한 히스토리의 길이와 Expert Advisor의 작업 이동의 신뢰 구간 의 길이 모두를 보다 정확하게 선택할 수 있습니다.
셋째, WF는 적합 여부를 보여줍니다. 그리고 이것이 아마도 WF의 주요 장점일 것입니다.
그리고 질문이 있습니다. 도보 거래에서 무엇을 원하십니까?
원숭이를 자동으로 제거합니다. 사실, 그러한 것이 있다는 것은 거래 전략의 자동화와 관련된 모든 사람의 작업에 큰 플러스이자 도움이 될 뿐입니다.
아마도 이것이 터미널의 일반 기능에 절대 포함되지 않는 이유일 것입니다))
당신이 쓴 모든 것은 문제에 대한 완전한 오해를 보여줍니다.
이번에는 정기적으로 재최적화되는 어드바이저를 평가하기 위해 WF가 필요합니다.
둘째, 최적화를 위한 히스토리의 길이와 Expert Advisor의 작업 이동의 신뢰 구간 의 길이 모두를 보다 정확하게 선택할 수 있습니다.
셋째, WF는 적합 여부를 보여줍니다. 그리고 이것이 아마도 WF의 주요 장점일 것입니다.
이해 = 릴리스와 동일함을 믿으십시오. 2014년에 저는 이 문제를 해결하기 위해 metaquets에서 그리드를 구입했습니다. 그리고 상담원과의 대화가 부족해서 불필요한 정보를 많이 보내야 했습니다.
예, 답변을 제공하지만 답변을 줄 것입니다. 세부 사항을 제공하지 않으면 모든 것이 나쁩니다.
예를 들어 전략이 있고 WF를 통해 중지 수준만 보냅니다. 이는 사실이 아닙니다. 최대한 일반화된 버전을 보내야 합니다.
이론상 이대로 간다면 한 단계 더 추가해보자. 결국, 포워드란 무엇인가 - 이것은 우리가 투자하기로 결정한 일회성 확인입니다. + 1단계 WF로 동일한 WF만 이동했습니다. 당신이 무언가를 한다면, 보편적이지 않은 무언가를 하십시오. 그리고 질문의 본질은 우리가 무엇을 얻을 것인가가 아닙니다. 그러나 그 모든 것이 어디에 있습니까!
나만의 유전자 알고리즘을 만드시겠습니까? 이것은 일반 테스터에서 이미 수행된 많은 작업입니다. Metaquote는 수백 시간 동안 개발했다고 생각합니다.
예, 많은 리소스가 필요합니다. 에이전트 작업의 특성 때문에 모든 계산의 80%가 낭비되기 때문입니다. 저것들. 처음 3일부터 결과가 이미 통과한 고슴도치보다 더 나쁘다는 것을 이해하면 어떤 이유에서인지 끝까지 테스트를 계속할 것입니다.
저는 이 문제를 다음과 같이 해결합니다. 테스트 중에 드로다운이 60%에 도달하면 ExpertRemove()가 종료됩니다. 이 드로우다운이 3일 차에 발생하면 이 매개변수가 있는 나머지 기간은 계산되지 않습니다. 바로 계산 속도를 높이는 것입니다.
걷기는 "우리가 실행한 최적화 옵션(우승 세트) 중 하나에 대한 선택 기준"을 결정하는 데 도움이 되어야 한다고 생각합니다.
이고르 볼로딘 백시간? 우리는 N tsat 전에 대학에서 실험실 년 동안 구현을 작성했습니다. 거기에는 복잡한 것이 없습니다.
글쎄, 나는 독학 프로그래머입니다. 나는 논쟁하지 않을 것입니다 - 당신이 더 잘 알고 있습니다)
저는 이 문제를 다음과 같이 해결합니다. 테스트 중에 드로다운이 60%에 도달하면 ExpertRemove()가 종료됩니다. 이 드로우다운이 3일 차에 발생하면 이 매개변수가 있는 나머지 기간은 계산되지 않습니다. 바로 계산 속도를 높이는 것입니다.
걷기는 "우리가 실행한 최적화 옵션(우승 세트) 중 하나에 대한 선택 기준"을 결정하는 데 도움이 되어야 한다고 생각합니다.이해 = 릴리스와 동일함을 믿으십시오. 2014년에 저는 이 문제를 해결하기 위해 metaquets에서 그리드를 구입했습니다. 그리고 상담원과의 대화가 부족해서 불필요한 정보를 많이 보내야 했습니다.
예, 답변을 제공하지만 답변을 줄 것입니다. 세부 사항을 제공하지 않으면 모든 것이 나쁩니다.
예를 들어 전략이 있고 WF를 통해 중지 수준만 보냅니다. 이는 사실이 아닙니다. 최대한 일반화된 버전을 보내야 합니다.
이론상 이대로 간다면 한 단계 더 추가해보자. 결국, 포워드란 무엇인가 - 이것은 우리가 투자하기로 결정한 일회성 확인입니다. + 1단계 WF로 동일한 WF만 이동했습니다. 당신이 무언가를 한다면, 보편적이지 않은 무언가를 하십시오. 그리고 질문의 본질은 우리가 무엇을 얻을 것인가가 아닙니다. 그러나 그 모든 것이 어디에 있습니까!
메쉬(클라우드)는 다른 것에 최적화되어 있습니다. 마치 현미경으로 못을 두드리는 것과 같습니다. 올바른 사용을 위해서는 포워드로 GA 검색을 반복적으로 실행하고 포워드를 주의 깊게 기록한 다음 레코드에서 전체 그림을 복원해야 합니다.
반면에 클라우드는 워밍업 시간이 오래 걸리기 때문에 일회성 최적화에 적합하지만 그리드가 상승하면 빠르게 모든 것을 계산하고 다시 떨어집니다. 출시할 때마다 시작 준비가 되어 있을 것이며 WF에는 이러한 소규모 시작이 많이 있습니다.
MQ는 WF를 정기적으로 구현하지 않지만 사용된 리소스의 작동 방식을 이해하지 않고 꼽추를 조각할 수 없습니다. 자신의 GA, 테스터를 작성하고(TheXpert가 말했듯이 지표에서 단순화할 수 있음) WF를 구현하는 것이 더 쉽습니다.
백시간? 우리는 N tsat 전에 대학에서 실험실 년 동안 구현을 작성했습니다. 거기에는 복잡한 것이 없습니다.