포워드의 본질은 최적화된 매개변수의 극값이 시간에 따라 유동하는지 여부를 평가하는 것입니다. 저것들. 전체 테스트 영역(최적화 + 자동 샘플)에 여러 로컬 극값이 있는 경우 옵션을 차단합니다. 이것은 극한값과 단조로움의 동시성에 대한 각 옵션에 대한 별도의 분석으로 훨씬 잘 차단됩니다. 저것들. 이것은 이미 도매가 제 시간에 "뜨지 않음"을 보장합니다. 그리고 포워드에는 상당한 단점이 있습니다. 최적화 표면의 개별 포인트만 고려하고 집계는 고려하지 않습니다. 최적화 및 자동 샘플로 섹션의 오프 랜턴 분할과 결합되어 기초 아래에서 이러한 분석의 통계적 신뢰성을 감소시킵니다)) 이것은 단지 하나의 구현일 뿐입니다. 자동 샘플과 멍청한 도매 세트를 선택하면 운이 좋을 수 있습니다. 작동하거나 그 반대의 경우도 마찬가지입니다. 자동 샘플 기간은 "좋은" 도매업자 세트가 일시적으로 감소하는 기간에 해당합니다.
그러나 어쨌든 최적화 문제는 시스템의 각 매개변수의 견고성에 대한 평가라는 점을 반복합니다. 의심스러운 경우 폐기하거나 변경하는 것이 좋습니다. 통계와 거래 로직으로 100% 확인된 것만 남겨주세요.
즉, 일련의 순방향 테스트를 수행하는 것보다 가능한 한 많은 히스토리에 대해 매개변수를 단순히 최적화하는 것이 더 낫다고 말하고 싶습니까? 원칙적으로, 아름다운 곡선을 얻기 위해 더 넓은 영역에 걸쳐 매개변수를 "조정"하는 것이 이미 더 어렵기 때문에 이것에도 약간의 진실이 있습니다. :)
실수로 아무것도 왜곡할 필요가 없습니다. 이것은 GA 자체를 돌연변이 메커니즘으로 만듭니다. 각 개인이 강건함을 선택하는지 확인하고 글로벌 극단을 검색하지 않으려면 최적화가 필요합니다.
요점은 GA가 전역 극값뿐만 아니라 다차원 함수의 값, 즉
최대(y = f(x0, x1, ... xn))
어디:
x0, x1 ... xn - TS 입력 매개변수
y - GA 피트니스 기능
그리고 좌표가 {x0, x1, ... xn}인 다차원 공간의 한 지점에서 GA가 찾은 극한값이 시간에 유동적이지 않고 기록 데이터 섹션에 대해서만 시간 극한값이 있다는 보장은 없습니다. 최적화가 견고성을 테스트할 수 있다면 피팅이 전혀 존재하지 않을 것입니다. 그리고 피팅이 이루어지기 때문에 전방 테스트를 포함한 추가 점검이 필요합니다.
아발 :
그러나 어쨌든 최적화 문제는 시스템의 각 매개변수의 견고성에 대한 평가라는 점을 반복합니다.
즉, 일련의 순방향 테스트를 수행하는 것보다 가능한 한 많은 히스토리에 대해 매개변수를 단순히 최적화하는 것이 더 낫다고 말하고 싶습니까? 원칙적으로, 아름다운 곡선을 얻기 위해 더 넓은 영역에 걸쳐 매개변수를 "조정"하는 것이 이미 더 어렵기 때문에 이것에도 약간의 진실이 있습니다. :)
따옴표가 고정되어 있으면 더 큰 영역을 사용하여 더 큰 통계적 신뢰도를 얻을 수 있습니다. 큰 수의 법칙은 고정 데이터에 적용됩니다.
그리고 우리는 고정되지 않은 데이터를 다루기 때문에 통계와 큰 수의 법칙은 더 이상 작동하지 않습니다. Chebyshev가 해석한 대로 큰 수의 법칙에 따르면 기대 = Const 및 유한 분산이 있는 경우 시행 횟수가 증가하면 통계 데이터가 상수 값에 더 가까워집니다. 비정상성은 기대치의 불변성과 분산의 유한성을 배제하므로 정의상 존재하지 않는 것과 있을 수 없는 것을 계산하고 정제하는 것은 무의미하기 때문에 아무것도 명확히 할 수 없습니다.
특히 검은 고양이가 없는 경우 어두운 방에서 검은 고양이를 찾기가 어렵습니다. (c) 공자
추신: "404 요청한 페이지를 찾을 수 없습니다"라는 기사의 첫 번째 줄을 이미 보았습니다. 이미 숨이 막힐 정도입니다....))))))
추신: 귀하의 기사가 최적의 네트워크 구조를 선택하는 방법을 알려 주기를 바랍니다. 네트워크가 충분히 훈련된 것으로 간주되면 2x2 학습을 하고 있습니다...
예, 하지만 실제로는 네트워크가 아닙니다. 왜냐하면. 첫 번째 레이어 - 뉴런이 아닌 세 개의 입력에 대한 전문가 시스템으로 숨겨진 레이어는 퍼셉트론입니다. 이미 뉴런이고 출력은 선형 S자형입니다. 전문가 시스템의 지식 기반을 위한 규칙 선택의 필요성과 충분성에 대해 자세히 설명합니다. 저것들. 최적화할 것이 없습니다. 전문가 시스템은 기사에 설명된 대로 조건을 완전히 준수해야 하며 다른 아키텍처는 더 이상 적합하지 않습니다. 그녀는 교육 수준이 낮고 불필요한 것을 추가하는 것도 불가능합니다. tk. 그녀는 확실히 재훈련할 것입니다.
정방향 테스트로 Expert Advisor를 최적화하는 방법과 발견된 극한값의 추가 안정성 검사를 수행하는 방법에 대한 자세한 지침이 있습니다. 이 모든 것이 TS가 non-stationary 조건에서 100% 훈련된 것으로 간주하기에 충분하다고 말할 수는 없지만, 이 모든 것이 불안정성이나 무작위성에 혼란에 빠지지 않기 위해 필요하다고 말할 수 있습니다. 앞으로 테스트의.
예, 하지만 실제로는 네트워크가 아닙니다. 왜냐하면. 첫 번째 레이어 - 뉴런이 아닌 세 개의 입력에 대한 전문가 시스템으로 숨겨진 레이어는 퍼셉트론입니다. 이미 뉴런이고 출력은 선형 S자형입니다. 전문가 시스템의 지식 기반을 위한 규칙 선택의 필요성과 충분성에 대해 자세히 설명합니다.
흥미롭습니다 ..., 저는 신경망 배열에서 시스템을 만들려고 생각 중입니다. 이미 훈련된 신경망의 출력을 신경망의 입력에 공급하기 위해
예, 도매의 정확한 분석으로 포워드가 전혀 필요하지 않습니다.
포워드의 본질은 최적화된 매개변수의 극값이 시간에 따라 유동하는지 여부를 평가하는 것입니다. 저것들. 전체 테스트 영역(최적화 + 자동 샘플)에 여러 로컬 극값이 있는 경우 옵션을 차단합니다. 이것은 극한값과 단조로움의 동시성에 대한 각 옵션에 대한 별도의 분석으로 훨씬 잘 차단됩니다. 저것들. 이것은 이미 도매가 제 시간에 "뜨지 않음"을 보장합니다. 그리고 포워드에는 상당한 단점이 있습니다. 최적화 표면의 개별 포인트만 고려하고 집계는 고려하지 않습니다. 최적화 및 자동 샘플로 섹션의 오프 랜턴 분할과 결합되어 기초 아래에서 이러한 분석의 통계적 신뢰성을 감소시킵니다)) 이것은 단지 하나의 구현일 뿐입니다. 자동 샘플과 멍청한 도매 세트를 선택하면 운이 좋을 수 있습니다. 작동하거나 그 반대의 경우도 마찬가지입니다. 자동 샘플 기간은 "좋은" 도매업자 세트가 일시적으로 감소하는 기간에 해당합니다.
그러나 어쨌든 최적화 문제는 시스템의 각 매개변수의 견고성에 대한 평가라는 점을 반복합니다. 의심스러운 경우 폐기하거나 변경하는 것이 좋습니다. 통계와 거래 로직으로 100% 확인된 것만 남겨주세요.
즉, 일련의 순방향 테스트를 수행하는 것보다 가능한 한 많은 히스토리에 대해 매개변수를 단순히 최적화하는 것이 더 낫다고 말하고 싶습니까? 원칙적으로, 아름다운 곡선을 얻기 위해 더 넓은 영역에 걸쳐 매개변수를 "조정"하는 것이 이미 더 어렵기 때문에 이것에도 약간의 진실이 있습니다. :)
실수로 아무것도 왜곡할 필요가 없습니다. 이것은 GA 자체를 돌연변이 메커니즘으로 만듭니다. 각 개인이 강건함을 선택하는지 확인하고 글로벌 극단을 검색하지 않으려면 최적화가 필요합니다.
요점은 GA가 전역 극값뿐만 아니라 다차원 함수의 값, 즉
최대(y = f(x0, x1, ... xn))
어디:
x0, x1 ... xn - TS 입력 매개변수
y - GA 피트니스 기능
그리고 좌표가 {x0, x1, ... xn}인 다차원 공간의 한 지점에서 GA가 찾은 극한값이 시간에 유동적이지 않고 기록 데이터 섹션에 대해서만 시간 극한값이 있다는 보장은 없습니다. 최적화가 견고성을 테스트할 수 있다면 피팅이 전혀 존재하지 않을 것입니다. 그리고 피팅이 이루어지기 때문에 전방 테스트를 포함한 추가 점검이 필요합니다.
그러나 어쨌든 최적화 문제는 시스템의 각 매개변수의 견고성에 대한 평가라는 점을 반복합니다.
즉, 일련의 순방향 테스트를 수행하는 것보다 가능한 한 많은 히스토리에 대해 매개변수를 단순히 최적화하는 것이 더 낫다고 말하고 싶습니까? 원칙적으로, 아름다운 곡선을 얻기 위해 더 넓은 영역에 걸쳐 매개변수를 "조정"하는 것이 이미 더 어렵기 때문에 이것에도 약간의 진실이 있습니다. :)
따옴표가 고정되어 있으면 더 큰 영역을 사용하여 더 큰 통계적 신뢰도를 얻을 수 있습니다. 큰 수의 법칙은 고정 데이터에 적용됩니다.
그리고 우리는 고정되지 않은 데이터를 다루기 때문에 통계와 큰 수의 법칙은 더 이상 작동하지 않습니다. Chebyshev가 해석한 대로 큰 수의 법칙에 따르면 기대 = Const 및 유한 분산이 있는 경우 시행 횟수가 증가하면 통계 데이터가 상수 값에 더 가까워집니다. 비정상성은 기대치의 불변성과 분산의 유한성을 배제하므로 정의상 존재하지 않는 것과 있을 수 없는 것을 계산하고 정제하는 것은 무의미하기 때문에 아무것도 명확히 할 수 없습니다.
특히 검은 고양이가 없는 경우 어두운 방에서 검은 고양이를 찾기가 어렵습니다. (c) 공자
헛소리와 헛소리. 최적화는 정의에 따른 극한값 검색이며 다른 문제는 해결하지 않습니다.자외선 유리야, 기사가 뭐야? 출판은 언제입니까?
검토를 위해 기사의 텍스트를 보냈습니다.
확인 후 https://www.mql5.com/en/articles/366에서 사용할 수 있습니다.
검토를 위해 기사의 텍스트를 보냈습니다.
확인 후 https://www.mql5.com/en/articles/366에서 사용할 수 있습니다.
감사하다!
추신: "404 요청한 페이지를 찾을 수 없습니다"라는 기사의 첫 번째 줄을 이미 보았습니다. 이미 숨이 막힐 정도입니다....))))))
추신: 귀하의 기사가 최적의 네트워크 구조를 선택하는 방법을 알려 주기를 바랍니다. 네트워크가 충분히 훈련된 것으로 간주되면 2x2 학습을 하고 있습니다...
>감사하다!
추신: "404 요청한 페이지를 찾을 수 없습니다"라는 기사의 첫 번째 줄을 이미 보았습니다. 이미 숨이 막힐 정도입니다....))))))
추신: 귀하의 기사가 최적의 네트워크 구조를 선택하는 방법을 알려 주기를 바랍니다. 네트워크가 충분히 훈련된 것으로 간주되면 2x2 학습을 하고 있습니다...
예, 하지만 실제로는 네트워크가 아닙니다. 왜냐하면. 첫 번째 레이어 - 뉴런이 아닌 세 개의 입력에 대한 전문가 시스템으로 숨겨진 레이어는 퍼셉트론입니다. 이미 뉴런이고 출력은 선형 S자형입니다. 전문가 시스템의 지식 기반을 위한 규칙 선택의 필요성과 충분성에 대해 자세히 설명합니다. 저것들. 최적화할 것이 없습니다. 전문가 시스템은 기사에 설명된 대로 조건을 완전히 준수해야 하며 다른 아키텍처는 더 이상 적합하지 않습니다. 그녀는 교육 수준이 낮고 불필요한 것을 추가하는 것도 불가능합니다. tk. 그녀는 확실히 재훈련할 것입니다.
정방향 테스트로 Expert Advisor를 최적화하는 방법과 발견된 극한값의 추가 안정성 검사를 수행하는 방법에 대한 자세한 지침이 있습니다. 이 모든 것이 TS가 non-stationary 조건에서 100% 훈련된 것으로 간주하기에 충분하다고 말할 수는 없지만, 이 모든 것이 불안정성이나 무작위성에 혼란에 빠지지 않기 위해 필요하다고 말할 수 있습니다. 앞으로 테스트의.
예, 하지만 실제로는 네트워크가 아닙니다. 왜냐하면. 첫 번째 레이어 - 뉴런이 아닌 세 개의 입력에 대한 전문가 시스템으로 숨겨진 레이어는 퍼셉트론입니다. 이미 뉴런이고 출력은 선형 S자형입니다. 전문가 시스템의 지식 기반을 위한 규칙 선택의 필요성과 충분성에 대해 자세히 설명합니다.
기사 게재를 잠정 연기합니다. 텍스트는 수정했지만 내 부주의로 인해 스크린샷이 허용 기준을 초과했습니다. 스크린샷을 찍으려면 모든 최적화를 다시 실행해야 합니다. 그리고 MT5의 최적화는 엄청나게 느립니다. 따라서 출판이 무기한 연기되었습니다.
기사 게재를 잠정 연기합니다. 텍스트는 수정했지만 내 부주의로 인해 스크린샷이 허용 기준을 초과했습니다. 스크린샷을 찍으려면 모든 최적화를 다시 실행해야 합니다. 그리고 MT5의 최적화는 엄청나게 느립니다. 따라서 출판이 무기한 연기되었습니다.
Photoshop의 스크린샷을 품질 저하 없이 작게 만들 수 있습니까?
추신 터미널의 요소가 있으면 잘 작동하지 않습니다.