ILNUR777 : 잘. 피팅은 최적화 문제의 특별한 경우일 뿐이므로 속도와 효율성이 필요하지 않을 수 있습니다. 알고리즘이 찾는 것보다 빠르게 변하는 경우 최대값을 찾는 것이 무슨 소용입니까? 분(시간의 최소 60%)을 정확하게 예측하는 메커니즘이 있지만 계산은 1분 이상 동안 수행되며 이러한 예측의 용도는 무엇이라고 상상해 보십시오. 그리고 이것은 실제로 예측이 정확하다는 사실에도 불구하고. 그래서 여기도.
계산 속도는 매우 중요합니다. 그러나 작업을 1분 안에 해결할 수 없고 1분 앞서 예측이 이루어진다면 더 큰 TF, 예를 들어 M5를 고려해 볼 가치가 있습니다. 그러면 시간 내에 유지할 수 있습니다. 그러나 속도는 그 자체로 끝이 아니며 검색 정확도가 훨씬 더 중요합니다.
ILNUR777 : 그리고 일반적으로 내 이해에서 최적화하는 것은 둘 이상의 값/매개변수 또는 다른 것(예: 가격 대비 품질)의 비율을 최상의 옵션으로 가져오는 것입니다. 또는 거래에 관한 것이라면 이미 준비된 수익성있는 TS (아마도)를 최적의 매개 변수 (TS 또는 mm) 위험 / ) 수익성 또는 이와 유사한 것으로 가져옵니다. 어떤 식으로든 최적화는 이미 존재하는 것을 미세 조정하는 역할을 합니다. 그리고 처음에 긍정적인 mo가 있는 이 TS가 없으면 무엇을 최적화하고 있습니까? 무작위 시리즈를 최소한 빠르고 최소한 느린 최적화로 최적화하면 출력도 무작위이면 의미가 없습니다. Andrey Zelinsky가 이러한 적용의 의미에 대해 이야기했다고 생각합니다. 내가 틀릴 수도 있습니다. 최대값이 중요하다는 것을 알 때 최대값을 찾는 것이 의미가 있습니다. 그렇지 않으면 왜 그것을 찾으십시오. 그리고 그러한 경우에는 속도가 중요합니다. 그리고이 중요성을 식별하는 방법을 알고 있다면 이것은 이미 긍정적 인 TS입니다. 최적화는 미세 조정일 뿐입니다. 즉, 기본이 아닙니다. 그리고 여기서 우리는 최적화가 첫 번째이며 속도가 더 중요하다고 들었습니다. 다른 알고리즘을 추가한 최적화 알고리즘을 통해 MO와 함께 TS를 얻을 수 있지만 이것은 더 이상 가장 순수한 형태의 최적화가 아닙니다. Dick이 그러한 공생, 즉 일반 최적화 알고리즘에 연결될 수 있는 수익성 있는 알고리즘 을 가지고 있다고 가정해야 합니다. 그렇다면 이러한 일반 최적화 알고리즘(본질적으로 그냥 래퍼)이 다음과 같은지 알아내는 것이 흥미롭습니다. 그의 것보다 빠릅니다. 나머지 참가자는 경쟁을 위해서만 경쟁합니다. 그런 공생이 없고 경쟁이 그들에게 줄 것이라고 순진하게 생각하기 때문이다.
예제 번호 1. 자가 학습 기능이 있는 신경망(모든 네트워크 또는 기타 유사한 기술)의 고문. 이러한 고문은 독립적으로 작업하여 최종 거래 통계를 제어하고 필요한 경우 자체 최적화를 시작할 수 있습니다.
예시 번호 2. 포트폴리오 거래. 필요한 특성을 가진 포트폴리오를 구성하려면 수백 개의 거래 상품을 분류해야 합니다.
예시 번호 3. 기본적으로 지표의 직접 신호를 사용하는 TS는 자주 최적화해야 하며 이것이 향후 수익을 보장하지 않습니다. 그러나 지표가 신호의 직접적인 소스가 아니라 TS가 의존하는 일종의 지원으로 접근하고 시리즈의 통계 특성으로 인해 수익성이 확보됩니다. 이 경우 stat의 변환을 위한 최적의 매개변수를 찾는 것이 필요합니다. 직렬 특성을 신호로 변환합니다.
예 번호 4. 거래자들은 종종 예를 들어 이익을 위한 Expert Advisors의 최적화가 적합하며 미래에 그러한 Expert Advisor로부터 수익성을 기대하는 것은 어리석은 일이라고 주장합니다. 그리고 이것은 사실입니다. 그러나 어떤 이유로 그들은 TS의 매개 변수가 아니라 최적화 기준을 최적화하는 방법을 찾고 있습니다. 최적화 기준의 최적화는 1차 미분과 같습니다.
최적화 알고리즘의 실제 적용에 대한 끝없는 예가 있습니다. 매일 거래자는 아이디어를 가지고 있으며 동시에 이러한 아이디어를 구현하는 가장 좋은 방법을 찾아야 합니다. 편협한 사람들만이 트레이더를 위한 정확한 최적화 알고리즘의 긴급한 필요성을 부정할 수 있습니다. 그런 사람들에 속하지 않기를 바랍니다 .
예제 번호 1. 자가 학습 기능이 있는 신경망(모든 네트워크 또는 기타 유사한 기술)의 고문. 이러한 고문은 독립적으로 작업하여 최종 거래 통계를 제어하고 필요한 경우 자체 최적화를 시작할 수 있습니다.
예시 번호 2. 포트폴리오 거래. 필요한 특성을 가진 포트폴리오를 구성하려면 수백 개의 거래 상품을 분류해야 합니다.
예시 번호 3. 기본적으로 지표의 직접 신호를 사용하는 TS는 자주 최적화해야 하며 이것이 향후 수익을 보장하지 않습니다. 그러나 지표가 신호의 직접적인 소스가 아니라 TS가 의존하는 일종의 지원으로 접근하고 시리즈의 통계 특성으로 인해 수익성이 확보됩니다. 이 경우 stat의 변환을 위한 최적의 매개변수를 찾는 것이 필요합니다. 직렬 특성을 신호로 변환합니다.
예 번호 4. 거래자들은 종종 예를 들어 이익을 위한 Expert Advisors의 최적화가 적합하며 미래에 그러한 Expert Advisor로부터 수익성을 기대하는 것은 어리석은 일이라고 주장합니다. 그리고 이것은 사실입니다. 그러나 어떤 이유로 그들은 TS의 매개 변수가 아니라 최적화 기준을 최적화하는 방법을 찾고 있습니다. 최적화 기준의 최적화는 1차 도함수와 같습니다.
최적화 알고리즘의 실제 적용에 대한 끝없는 예가 있습니다. 매일 거래자는 아이디어를 가지고 있으며 동시에 이러한 아이디어를 구현하는 가장 좋은 방법을 찾아야 합니다. 편협한 사람들만이 트레이더를 위한 정확한 최적화 알고리즘의 긴급한 필요성을 부정할 수 있습니다. 그런 사람들에 속하지 않기를 바랍니다 .
" 최적화 기준 "은 무엇을 의미합니까? 나에게 최적화 기준은 단 하나뿐인 것 같았습니다. 최적화 매개변수 집합(숫자가 작을수록 더 좋고 이상적으로는 기간)으로 CF 복구 계수의 최대값을 제공합니다. 최대 손실까지의 순이익.
최근 트레이더가 훈련 세트 밖에서 수익성 있는 전략을 찾기가 매우 어렵기 때문에 신경망에 대한 관심이 줄어들었습니다. 표시기의 클래식 차량에도 동일하게 적용됩니다. 그러나 문제는 신경망에 있지 않고 지표에 있지 않으며 문제는 기준과 최적화 목표가 잘못 선택되었다는 것입니다. 매우 자주 거래자는 최적화 영역 외부에서 병합할 때 TS 아이디어를 거부하지만 아이디어가 수익성이 있다는 사실조차 알지 못하지만 최적화 기준 이 잘못 선택됩니다. 두 개의 Mashkas에서 가장 단순한 차량조차도 수익성이있을 수 있습니다. 예, 예, 다른 각도에서보고 "스마트"정류장을 조이고 흔적을 추가하고 유능한 MM을 제공하면됩니다. 올바르게 최적화되고 짜잔! - 작업 차량. 수프는 도끼로도 요리 할 수 있습니다. 아시다시피 주요 재료는 요리사의 독창성입니다.
최적화 알고리즘 자체는 과학자의 숙련된 손에 있는 도구이자 현미경이지만 과학자에게 두뇌가 없다면 가장 정확한 현미경이라도 도움이 되지 않습니다.
ILNUR777 : 할 수 있다. 그러나 비인출 항목, 즉 예측 내에서 가장 작은 중지를 둘 수 있는 장소와 같이 노력하는 경우 작은 TF(나이가 많은 사용자의 예측 내)에서 예측을 얻는 속도도 중요합니다. . 이것은 삐삐도 아니고 예전 TF답게 포즈가 긴데 포즈를 취하는 순간도 중요하다. 그리고 m5에 대한 예측 정확도를 높이는 것이 불가능하다면 m1에 대한 유사한 예측을 살펴보는 것이 어떻습니까? 그리고 정확도는 속도에 달려 있습니다.
예, 그리고 그것은 내가 말한 것과 모순되지 않습니다. AO의 가장 중요한 속성은 정확성이지만 작업 속도는 결코 불필요하지 않습니다. 가장 큰 알고리즘의 지루함을 놓고 경쟁하는 것은 어리석은 일입니다. 참가자들의 알고리즘 속도를 추정의 하나로 삼기로 했으나 이후 챔피언십의 틀 내에서 거부하기로 했다.
잘. 피팅은 최적화 문제의 특별한 경우일 뿐이므로 속도와 효율성이 필요하지 않을 수 있습니다. 알고리즘이 찾는 것보다 빠르게 변하는 경우 최대값을 찾는 것이 무슨 소용입니까? 분(시간의 최소 60%)을 정확하게 예측하는 메커니즘이 있지만 계산은 1분 이상 동안 수행되며 이러한 예측의 용도는 무엇이라고 상상해 보십시오. 그리고 이것은 실제로 예측이 정확하다는 사실에도 불구하고. 그래서 여기도.
그리고 일반적으로 내 이해에서 최적화하는 것은 둘 이상의 값/매개변수 또는 다른 것(예: 가격 대비 품질)의 비율을 최상의 옵션으로 가져오는 것입니다. 또는 거래에 관한 것이라면 이미 준비된 수익성있는 TS (아마도)를 최적의 매개 변수 (TS 또는 mm) 위험 / ) 수익성 또는 이와 유사한 것으로 가져옵니다. 어떤 식으로든 최적화는 이미 존재하는 것을 미세 조정하는 역할을 합니다. 그리고 처음에 긍정적인 mo가 있는 이 TS가 없으면 무엇을 최적화하고 있습니까? 무작위 시리즈를 최소한 빠르고 최소한 느린 최적화로 최적화하면 출력도 무작위이면 의미가 없습니다. Andrey Zelinsky가 이러한 적용의 의미에 대해 이야기했다고 생각합니다. 내가 틀릴 수도 있습니다. 최대값이 중요하다는 것을 알 때 최대값을 찾는 것이 의미가 있습니다. 그렇지 않으면 왜 그것을 찾으십시오. 그리고 그러한 경우에는 속도가 중요합니다. 그리고이 중요성을 식별하는 방법을 알고 있다면 이것은 이미 긍정적 인 TS입니다. 최적화는 미세 조정일 뿐입니다. 즉, 기본이 아닙니다. 그리고 여기서 우리는 최적화가 첫 번째이며 속도가 더 중요하다고 들었습니다. 다른 알고리즘을 추가한 최적화 알고리즘을 통해 MO와 함께 TS를 얻을 수 있지만 이것은 더 이상 가장 순수한 형태의 최적화가 아닙니다. Dick이 그러한 공생, 즉 일반 최적화 알고리즘에 연결될 수 있는 수익성 있는 알고리즘 을 가지고 있다고 가정해야 합니다. 그렇다면 이러한 일반 최적화 알고리즘(본질적으로 그냥 래퍼)이 다음과 같은지 알아내는 것이 흥미롭습니다. 그의 것보다 빠릅니다. 나머지 참가자는 경쟁을 위해서만 경쟁합니다. 그런 공생이 없고 경쟁이 그들에게 줄 것이라고 순진하게 생각하기 때문이다.
예제 번호 1. 자가 학습 기능이 있는 신경망(모든 네트워크 또는 기타 유사한 기술)의 고문. 이러한 고문은 독립적으로 작업하여 최종 거래 통계를 제어하고 필요한 경우 자체 최적화를 시작할 수 있습니다.
예시 번호 2. 포트폴리오 거래. 필요한 특성을 가진 포트폴리오를 구성하려면 수백 개의 거래 상품을 분류해야 합니다.
예시 번호 3. 기본적으로 지표의 직접 신호를 사용하는 TS는 자주 최적화해야 하며 이것이 향후 수익을 보장하지 않습니다. 그러나 지표가 신호의 직접적인 소스가 아니라 TS가 의존하는 일종의 지원으로 접근하고 시리즈의 통계 특성으로 인해 수익성이 확보됩니다. 이 경우 stat의 변환을 위한 최적의 매개변수를 찾는 것이 필요합니다. 직렬 특성을 신호로 변환합니다.
예 번호 4. 거래자들은 종종 예를 들어 이익을 위한 Expert Advisors의 최적화가 적합하며 미래에 그러한 Expert Advisor로부터 수익성을 기대하는 것은 어리석은 일이라고 주장합니다. 그리고 이것은 사실입니다. 그러나 어떤 이유로 그들은 TS의 매개 변수가 아니라 최적화 기준을 최적화하는 방법을 찾고 있습니다. 최적화 기준의 최적화는 1차 미분과 같습니다.
최적화 알고리즘의 실제 적용에 대한 끝없는 예가 있습니다. 매일 거래자는 아이디어를 가지고 있으며 동시에 이러한 아이디어를 구현하는 가장 좋은 방법을 찾아야 합니다. 편협한 사람들만이 트레이더를 위한 정확한 최적화 알고리즘의 긴급한 필요성을 부정할 수 있습니다. 그런 사람들에 속하지 않기를 바랍니다 .
예제 번호 1. 자가 학습 기능이 있는 신경망(모든 네트워크 또는 기타 유사한 기술)의 고문. 이러한 고문은 독립적으로 작업하여 최종 거래 통계를 제어하고 필요한 경우 자체 최적화를 시작할 수 있습니다.
예시 번호 2. 포트폴리오 거래. 필요한 특성을 가진 포트폴리오를 구성하려면 수백 개의 거래 상품을 분류해야 합니다.
예시 번호 3. 기본적으로 지표의 직접 신호를 사용하는 TS는 자주 최적화해야 하며 이것이 향후 수익을 보장하지 않습니다. 그러나 지표가 신호의 직접적인 소스가 아니라 TS가 의존하는 일종의 지원으로 접근하고 시리즈의 통계 특성으로 인해 수익성이 확보됩니다. 이 경우 stat의 변환을 위한 최적의 매개변수를 찾는 것이 필요합니다. 직렬 특성을 신호로 변환합니다.
예 번호 4. 거래자들은 종종 예를 들어 이익을 위한 Expert Advisors의 최적화가 적합하며 미래에 그러한 Expert Advisor로부터 수익성을 기대하는 것은 어리석은 일이라고 주장합니다. 그리고 이것은 사실입니다. 그러나 어떤 이유로 그들은 TS의 매개 변수가 아니라 최적화 기준을 최적화하는 방법을 찾고 있습니다. 최적화 기준의 최적화는 1차 도함수와 같습니다.
최적화 알고리즘의 실제 적용에 대한 끝없는 예가 있습니다. 매일 거래자는 아이디어를 가지고 있으며 동시에 이러한 아이디어를 구현하는 가장 좋은 방법을 찾아야 합니다. 편협한 사람들만이 트레이더를 위한 정확한 최적화 알고리즘의 긴급한 필요성을 부정할 수 있습니다. 그런 사람들에 속하지 않기를 바랍니다 .
흥미로운 예를 들어주셨습니다.
그러나 최대를 얻기 위해 거래 전략 매개 변수의 값을 조정합니다. 테스트한 거래의 수익성. 선택된 역사에 대한 전략 현재 거래에서 동일한 가치를 사용할 때 미래의 이익을 기대하는 기간이 항상 어리석은 것은 아닙니다.
그것은 모두 거래 전략 자체와 최적화되는 매개변수에 달려 있습니다. 그들이 그 자체로 "바보"가 아니라면 그러한 조정은 실제로 현재 거래에 유용할 수 있습니다.
예를 들어, 거래자가 3개월 동안 현재 기간의 평균 수준을 기준으로 거래량 증가 값을 계산하는 경우. 최적화 결과에 따르면, 그는 거래를 성사시키는 데 가장 성공적인 점프 값(퍼센트)을 찾습니다. 왜냐하면 그러한 거래는 가장 수익성이 높기 때문입니다.
"바보"가 아닌 더 많은 예를 찾을 수 있다고 생각합니다.
최근 트레이더가 훈련 세트 밖에서 수익성 있는 전략을 찾기가 매우 어렵기 때문에 신경망에 대한 관심이 줄어들었습니다. 표시기의 클래식 차량에도 동일하게 적용됩니다. 그러나 문제는 신경망에 있지 않고 지표에 있지 않으며 문제는 기준과 최적화 목표가 잘못 선택되었다는 것입니다. 매우 자주 거래자는 최적화 영역 외부에서 병합할 때 TS 아이디어를 거부하지만 아이디어가 수익성이 있다는 사실조차 알지 못하지만 최적화 기준 이 잘못 선택됩니다. 두 개의 Mashkas에서 가장 단순한 차량조차도 수익성이있을 수 있습니다. 예, 예, 다른 각도에서보고 "스마트"정류장을 조이고 흔적을 추가하고 유능한 MM을 제공하면됩니다. 올바르게 최적화되고 짜잔! - 작업 차량. 수프는 도끼로도 요리 할 수 있습니다. 아시다시피 주요 재료는 요리사의 독창성입니다.
최적화 알고리즘 자체는 과학자의 숙련된 손에 있는 도구이자 현미경이지만 과학자에게 두뇌가 없다면 가장 정확한 현미경이라도 도움이 되지 않습니다.
" 최적화 기준 "은 무엇을 의미합니까? 나에게 최적화 기준은 단 하나뿐인 것 같았습니다. 최적화 매개변수 집합(숫자가 작을수록 더 좋고 이상적으로는 기간)으로 CF 복구 계수의 최대값을 제공합니다. 최대 손실까지의 순이익.
할 수 있다. 그러나 비인출 항목, 즉 예측 내에서 가장 작은 중지를 둘 수 있는 장소와 같이 노력하는 경우 작은 TF(나이가 많은 사용자의 예측 내)에서 예측을 얻는 속도도 중요합니다. . 이것은 삐삐도 아니고 예전 TF답게 포즈가 긴데 포즈를 취하는 순간도 중요하다. 그리고 m5에 대한 예측 정확도를 높이는 것이 불가능하다면 m1에 대한 유사한 예측을 살펴보는 것이 어떻습니까? 그리고 정확도는 속도에 달려 있습니다.
나는 많은 변수의 함수의 극치를 찾는 고전적인 방법의 원리에 따라 프로그램을 만들었습니다.
F(x1,x2,x3)=exp(x1+x2+x3)/(x1*x2*x2*x3*x3*x3);
이러한 결과를 얻었습니다.
지정된 검색 오류는 0.01입니다.
초기 매개변수(첫 번째 호출) x1=x2=x3=0.5;
검색 범위 0-100
함수 호출 수 - 51
최소 Fmin=3.76210
x1=1.1; x2=2.1; x3=3.1;
누구든지 최소값을 확인할 수 있습니까?
그 자체로, 아닙니다. 그러나 가계의 최적화 없이는 비용뿐 아니라 예를 들어 훨씬 더 그렇습니다.
어쨌든 최적화가 필요하지 않다면 이 스레드는 적합하지 않습니다.
어쨌든, 만약 ... - 이 스레드는 당신을 위한 것이 아닙니다.
"최적화"시스템의 "마스터"와 주요 "전문가"의 이러한 말과 함께 모든 토론이 끝납니다.