솔직한 , 이익의 균일성 으로 모든 것이 그렇게 간단하지 않습니다. NN에서 동일한 세트 A, B, C를 사용하는 경우 일반 교육 후 전략의 수익성은 다음과 같습니다. 섹션 A에서는 최대이고 섹션 B에서는 상당히 적으며 섹션 C에서는 훨씬 더 나쁩니다. 그러나 이것이 정확히 우리와 관련된 것입니다. 역사상 결과는 훌륭하지만 외부에서 - 배수 ... 문제는 정확히 섹션 C가 수익성 측면에서 거의 확실히 악화 될 전략을 선택하는 것입니다. 그러나 여전히 지역 A와 비교할 수 있습니다.
신경망을 없애자
나는 그들을 여기에서 홍보하지 않을 것입니다. 하지만 제가 해보면서 배운 테스트의 원칙은 매우 합리적입니다. 그리고 여기에서 메타 따옴표 피팅과 달리 우리는 적어도 일반화하는 능력 에 의존할 수 있습니다(어드바이저가 미래에 수익성을 유지할 수 있는 주요 속성, 최적화 프로그램에는 이 속성이 완전히 박탈됨).
MetaTrader'의 실제 테스터는 샘플 세트 + 샘플 아웃 오브 샘플을 최적화할 때 샘플의 후속 테스트로 샘플을 최적화하는 것과 동일한 결과를 얻을 수 있다고 말하고 싶습니다. 테스터에서 "전문가 속성" 버튼, "테스트" 및 "최적화" 탭을 사용하면 길이와 깊이에 관계없이 손실을 제거할 수 있습니다.
그것은 모두 작업에 달려 있습니다. 테스트 시간 동안 이익의 균일한 분포 정도를 무시한다면 MT 테스터의 표준 기능은 실제로 충분하고 시간 비용은 비슷할 것입니다. 무시해야 할까요? 모든 사람은 자신의 경험과 자신의 견해를 가지고 있습니다. 이 과정은 과연 피팅이라고 할 수 있지만, 근사치 라는 용어가 더 정확할 것이라고 생각합니다. 모든 근사값을 미래로 외삽할 수 있는 것은 아니며, 이익 균일성 기준을 사용하면 외삽에 분명히 부적합한 옵션을 버릴 수 있습니다. 물론입니다.
이는 샘플 외부의 후속 테스트와 함께 샘플의 최적화 문제에 테스터를 적용할 수 있음을 의미합니다. 동일한 결과, 연속 손실 수와 손실 규모를 줄이는 반대편에서 접근하기만 하면 됩니다. 단지.
솔직한 , 이익의 균일성으로 모든 것이 그렇게 간단하지 않습니다. NN에서 동일한 세트 A, B, C를 사용하는 경우 일반 교육 후 전략의 수익성은 다음과 같습니다. 섹션 A에서는 최대이고 섹션 B에서는 상당히 적으며 섹션 C에서는 훨씬 더 나쁩니다. 그러나 이것이 정확히 우리와 관련된 것입니다. 역사상 결과는 훌륭하지만 외부에서 - 배수 ... 문제는 정확히 섹션 C가 수익성 측면에서 거의 확실히 악화 될 전략을 선택하는 것입니다. 그러나 여전히 지역 A와 비교할 수 있습니다.
근사치에 대한 비유가 여기에도 답을 주는 것 같습니다. 근사치가 더 좋을수록 외삽에 덜 적합하다는 것이 알려져 있습니다(물론, 우리는 추측과 함께 분석 함수의 그래프의 경우를 버립니다) . 따라서 좋은 솔루션은 A에 큰 이익을 주는 솔루션이 아니라 A + B에 더 균일한 수익을 제공하는 솔루션일 가능성이 큽니다. 이제 우리는 외삽을 시작하고 다시 자연스럽게 예측 범위가 증가함에 따라 오류가 증가합니다.
강력하게 동의하지 않습니다, 비타 . 그렇지 않으면 신경망에서 모든 데이터를 세 부분으로 나누지 않고 근본적으로 다릅니다. 실제 최적화 - 첫 번째 섹션에서만; 두 번째는 교육 종료를 결정하는 데만 사용되며 세 번째는 단일 테스트에만 사용됩니다. 즉, 실제 조정은 첫 번째 조정에서만 발생하고 세 번째 조정에서는 어떤 일이 발생합니까? 그리고 선택 - "Occam의 면도날"또는 시스템에 대한 신뢰 상실 -은 시스템 작성자에게 남아 있습니다.
대략적으로 말하면 A+B+C 최적화는 위에서 설명한 처리와 완전히 다릅니다.
명확성을 위해 만일의 경우를 대비하여.
A는 샘플을 최적화하여 얻은 매개변수 세트입니다.
B - 샘플 외부에서 A를 테스트한 후 얻은 매개변수 세트.
B를 얻는 과정은 표본 내 최적화 과정과 표본 외 테스트가 뒤따르는 과정입니다. 이 과정에서 커브 피팅을 제거해야합니까?
C는 샘플 + 샘플 세트 외를 최적화하여 얻은 매개변수 세트입니다.
내가 말하고자 하는 것은 C가 곡선에 적합하다는 면에서 B만큼 좋다는 것입니다.
S-B = 표본 내에서든 표본 외에서든 수익성이 없지만 전체 모집단에서는 이익이 되는 매개변수 집합입니다.
솔직히 말해서, 좋은 솔루션이 A에 최대 이익을 준다는 말은 아닙니다. 옵티마이저는 이를 더 잘 수행합니다. A에 절대 최대값을 제공하지만 샘플 외에서는 아무 것도 제공하지 않습니다. NN의 학습 모델에 따르면 좋은 솔루션의 가능성 있는 후보는 B의 최대 이익이지만 이미 허용 가능한 수준이지만 A의 최대 이익은 아닙니다.
귀하의 의견에 관해서는: 거의 동의하지만 "A + B"가 아니라 "A + B + C"입니다.
2 Vita: 이전 페이지에 모든 것을 명확하게 쓴 것 같습니다. .. 세트 A, B, C는 교차하지 않습니다. 예를 들어:
나는 그들을 여기에서 홍보하지 않을 것입니다. 하지만 제가 해보면서 배운 테스트의 원칙은 매우 합리적입니다. 그리고 여기에서 메타 인용부호 피팅과 달리 우리는 적어도 일반화하는 능력에 의존할 수 있습니다(어드바이저가 미래에 수익성을 유지할 수 있는 주요 속성, 옵티마이저가 이 속성을 완전히 박탈했습니다).
아 맞다! 일반화하는 능력 은 옵티마이저가 아니라 EA의 속성이어야 합니다. 법률은 고문에 포함되어야 하며, 고문의 아이디어는 가능한 한 포괄적이고 체계적이어야 합니다. 그러나 나는 옵티마이저에게 그러한 주장을 하지 않을 것입니다. 우스꽝스럽다고 생각한다. 일반화할 수 있는 최적화 프로그램을 사용하여 모든 Expert Advisor를 항상 그리고 미래의 수익성 수준으로 끌어올리려는 것만큼 어리석은 일입니다. 메타쿼타 옵티마이저는 Expert Advisors에 법이 없고 수익성 있는 아이디어가 없다는 사실에 대해 책임이 없습니다. 그가 최적화할 수 있는 일반화 능력. 곡선에 맞추는 것만 남아 있습니다.
비타 , 좋은 지적이다. 하지만 일반화하는 능력은 Expert Advisor 뿐만 아니라 이 능력을 정확히 식별해야 하는 학습 알고리즘의 속성이라고 말하고 싶습니다. 메타쿼타 알고리즘은 그러한 능력을 드러내지 않고, 재최적화에 의해 싹에서 그것을 파괴합니다. 하지만 진지한 최적화를 위해 만들어진 것이 아니라 ...
솔직히 말해서, 좋은 솔루션이 A에 최대 이익을 준다는 말은 아닙니다. 옵티마이저는 이를 더 잘 수행합니다. A에 절대 최대값을 제공하지만 샘플 외에서는 아무 것도 제공하지 않습니다. NN의 학습 모델에 따르면 좋은 솔루션의 가능성 있는 후보는 B의 최대 이익이지만 이미 허용 가능한 수준이지만 A의 최대 이익은 아닙니다.
귀하의 의견에 관해서는: 거의 동의하지만 "A + B"가 아니라 "A + B + C"입니다.
2 Vita: 이전 페이지에 모든 것을 명확하게 쓴 것 같습니다. .. 세트 A, B, C는 교차하지 않습니다. 예를 들어:
A - 2004년 1월 1일부터 2005년 12월 31일까지,
B - 2006년 1월 1일부터 2006년 10월 31일까지,
C - 2006년 11월 1일부터 현재까지.
NN의 일반적인 데이터 길이 비율은 A:B:C = 60:20:20입니다.
하나님은 A, B, C로 그들을 축복하십니다. 제 포스트에서 그것들은 다른 의미를 가지고 있습니다. 이것은 시간 프레임이 아닙니다. 이것은 최적화가 생성하는 매개변수 세트입니다. 어쨌든.
솔직한 , 이익의 균일성 으로 모든 것이 그렇게 간단하지 않습니다. NN에서 동일한 세트 A, B, C를 사용하는 경우 일반 교육 후 전략의 수익성은 다음과 같습니다. 섹션 A에서는 최대이고 섹션 B에서는 상당히 적으며 섹션 C에서는 훨씬 더 나쁩니다. 그러나 이것이 정확히 우리와 관련된 것입니다. 역사상 결과는 훌륭하지만 외부에서 - 배수 ... 문제는 정확히 섹션 C가 수익성 측면에서 거의 확실히 악화 될 전략을 선택하는 것입니다. 그러나 여전히 지역 A와 비교할 수 있습니다.
나는 그들을 여기에서 홍보하지 않을 것입니다. 하지만 제가 해보면서 배운 테스트의 원칙은 매우 합리적입니다. 그리고 여기에서 메타 따옴표 피팅과 달리 우리는 적어도 일반화하는 능력 에 의존할 수 있습니다(어드바이저가 미래에 수익성을 유지할 수 있는 주요 속성, 최적화 프로그램에는 이 속성이 완전히 박탈됨).
MetaTrader'의 실제 테스터는 샘플 세트 + 샘플 아웃 오브 샘플을 최적화할 때 샘플의 후속 테스트로 샘플을 최적화하는 것과 동일한 결과를 얻을 수 있다고 말하고 싶습니다. 테스터에서 "전문가 속성" 버튼, "테스트" 및 "최적화" 탭을 사용하면 길이와 깊이에 관계없이 손실을 제거할 수 있습니다.
그것은 모두 작업에 달려 있습니다. 테스트 시간 동안 이익의 균일한 분포 정도를 무시한다면 MT 테스터의 표준 기능은 실제로 충분하고 시간 비용은 비슷할 것입니다. 무시해야 할까요? 모든 사람은 자신의 경험과 자신의 견해를 가지고 있습니다. 이 과정은 과연 피팅이라고 할 수 있지만, 근사치 라는 용어가 더 정확할 것이라고 생각합니다. 모든 근사값을 미래로 외삽할 수 있는 것은 아니며, 이익 균일성 기준을 사용하면 외삽에 분명히 부적합한 옵션을 버릴 수 있습니다. 물론입니다.
이는 샘플 외부의 후속 테스트와 함께 샘플의 최적화 문제에 테스터를 적용할 수 있음을 의미합니다. 동일한 결과, 연속 손실 수와 손실 규모를 줄이는 반대편에서 접근하기만 하면 됩니다. 단지.
솔직한 , 이익의 균일성으로 모든 것이 그렇게 간단하지 않습니다. NN에서 동일한 세트 A, B, C를 사용하는 경우 일반 교육 후 전략의 수익성은 다음과 같습니다. 섹션 A에서는 최대이고 섹션 B에서는 상당히 적으며 섹션 C에서는 훨씬 더 나쁩니다. 그러나 이것이 정확히 우리와 관련된 것입니다. 역사상 결과는 훌륭하지만 외부에서 - 배수 ... 문제는 정확히 섹션 C가 수익성 측면에서 거의 확실히 악화 될 전략을 선택하는 것입니다. 그러나 여전히 지역 A와 비교할 수 있습니다.
근사치에 대한 비유가 여기에도 답을 주는 것 같습니다. 근사치가 더 좋을수록 외삽에 덜 적합하다는 것이 알려져 있습니다(물론, 우리는 추측과 함께 분석 함수의 그래프의 경우를 버립니다) . 따라서 좋은 솔루션은 A에 큰 이익을 주는 솔루션이 아니라 A + B에 더 균일한 수익을 제공하는 솔루션일 가능성이 큽니다. 이제 우리는 외삽을 시작하고 다시 자연스럽게 예측 범위가 증가함에 따라 오류가 증가합니다.
강력하게 동의하지 않습니다, 비타 . 그렇지 않으면 신경망에서 모든 데이터를 세 부분으로 나누지 않고 근본적으로 다릅니다. 실제 최적화 - 첫 번째 섹션에서만; 두 번째는 교육 종료를 결정하는 데만 사용되며 세 번째는 단일 테스트에만 사용됩니다. 즉, 실제 조정은 첫 번째 조정에서만 발생하고 세 번째 조정에서는 어떤 일이 발생합니까? 그리고 선택 - "Occam의 면도날"또는 시스템에 대한 신뢰 상실 -은 시스템 작성자에게 남아 있습니다.
대략적으로 말하면 A+B+C 최적화는 위에서 설명한 처리와 완전히 다릅니다.
명확성을 위해 만일의 경우를 대비하여.
A는 샘플을 최적화하여 얻은 매개변수 세트입니다.
B - 샘플 외부에서 A를 테스트한 후 얻은 매개변수 세트.
B를 얻는 과정은 표본 내 최적화 과정과 표본 외 테스트가 뒤따르는 과정입니다. 이 과정에서 커브 피팅을 제거해야합니까?
C는 샘플 + 샘플 세트 외를 최적화하여 얻은 매개변수 세트입니다.
내가 말하고자 하는 것은 C가 곡선에 적합하다는 면에서 B만큼 좋다는 것입니다.
S-B = 표본 내에서든 표본 외에서든 수익성이 없지만 전체 모집단에서는 이익이 되는 매개변수 집합입니다.
B를 얻는 과정은 표준 테스터에 의해 수행될 수 있다.
솔직히 말해서, 좋은 솔루션이 A에 최대 이익을 준다는 말은 아닙니다. 옵티마이저는 이를 더 잘 수행합니다. A에 절대 최대값을 제공하지만 샘플 외에서는 아무 것도 제공하지 않습니다. NN의 학습 모델에 따르면 좋은 솔루션의 가능성 있는 후보는 B의 최대 이익이지만 이미 허용 가능한 수준이지만 A의 최대 이익은 아닙니다.
귀하의 의견에 관해서는: 거의 동의하지만 "A + B"가 아니라 "A + B + C"입니다.
2 Vita: 이전 페이지에 모든 것을 명확하게 쓴 것 같습니다. .. 세트 A, B, C는 교차하지 않습니다. 예를 들어:
A - 2004년 1월 1일부터 2005년 12월 31일까지,
B - 2006년 1월 1일부터 2006년 10월 31일까지,
C - 2006년 11월 1일부터 현재까지.
NN의 일반적인 데이터 길이 비율은 A:B:C = 60:20:20입니다.
귀하의 의견에 관해서는: 거의 동의하지만 "A + B"가 아니라 "A + B + C"입니다.
나는 그들을 여기에서 홍보하지 않을 것입니다. 하지만 제가 해보면서 배운 테스트의 원칙은 매우 합리적입니다. 그리고 여기에서 메타 인용부호 피팅과 달리 우리는 적어도 일반화하는 능력에 의존할 수 있습니다(어드바이저가 미래에 수익성을 유지할 수 있는 주요 속성, 옵티마이저가 이 속성을 완전히 박탈했습니다).
아 맞다! 일반화하는 능력 은 옵티마이저가 아니라 EA의 속성이어야 합니다. 법률은 고문에 포함되어야 하며, 고문의 아이디어는 가능한 한 포괄적이고 체계적이어야 합니다. 그러나 나는 옵티마이저에게 그러한 주장을 하지 않을 것입니다. 우스꽝스럽다고 생각한다. 일반화할 수 있는 최적화 프로그램을 사용하여 모든 Expert Advisor를 항상 그리고 미래의 수익성 수준으로 끌어올리려는 것만큼 어리석은 일입니다. 메타쿼타 옵티마이저는 Expert Advisors에 법이 없고 수익성 있는 아이디어가 없다는 사실에 대해 책임이 없습니다. 그가 최적화할 수 있는 일반화 능력. 곡선에 맞추는 것만 남아 있습니다.
솔직히 말해서, 좋은 솔루션이 A에 최대 이익을 준다는 말은 아닙니다. 옵티마이저는 이를 더 잘 수행합니다. A에 절대 최대값을 제공하지만 샘플 외에서는 아무 것도 제공하지 않습니다. NN의 학습 모델에 따르면 좋은 솔루션의 가능성 있는 후보는 B의 최대 이익이지만 이미 허용 가능한 수준이지만 A의 최대 이익은 아닙니다.
귀하의 의견에 관해서는: 거의 동의하지만 "A + B"가 아니라 "A + B + C"입니다.
2 Vita: 이전 페이지에 모든 것을 명확하게 쓴 것 같습니다. .. 세트 A, B, C는 교차하지 않습니다. 예를 들어:
A - 2004년 1월 1일부터 2005년 12월 31일까지,
B - 2006년 1월 1일부터 2006년 10월 31일까지,
C - 2006년 11월 1일부터 현재까지.
NN의 일반적인 데이터 길이 비율은 A:B:C = 60:20:20입니다.
하나님은 A, B, C로 그들을 축복하십니다. 제 포스트에서 그것들은 다른 의미를 가지고 있습니다. 이것은 시간 프레임이 아닙니다. 이것은 최적화가 생성하는 매개변수 세트입니다. 어쨌든.