Assessor para um artigo. Testes para todos os participantes. - página 7
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Então a otimização já passa por eles, onde mais eles devem ser desviados?
Trata-se de introduzir erros insignificantes durante a otimização, ou seja, os valores dos parâmetros de entrada serão ligeiramente distorcidos aleatoriamente e é suposto evitar que o algoritmo genético se fixe em extremos falsos com descidas íngremes. Ao mesmo tempo, para os extremos com declives suaves, as pequenas distorções também terão um pequeno efeito sobre o algoritmo de otimização.
Por exemplo, se um extremo tem coordenadas na forma de valores de parâmetros de entrada x, y, z e lucro da função de adequação = f(x, y, z) então x ± delta, y ± delta, z ± delta onde delta é uma pequena distorção para valores de parâmetros de entrada, para extremos falsos o desvio da função de adequação afetará significativamente o resultado final enquanto que para extremos com declives suaves o desvio da função de adequação não será significativo.
Isto é análogo ao tráfego rodoviário: se a estrada é estreita e escorregadia, é difícil dirigir sobre ela sem voar na beira da estrada - um extremo falso, ou seja, instável. Se a estrada for larga e bem pavimentada, ela pode ser conduzida facilmente - um extremo mais verdadeiro, ou seja, estável. Introduzimos pequenos desvios na direção e não é mais possível dirigir em uma estrada estreita e escorregadia enquanto se faz uma curva - cortamos os falsos extremos. Uma vez que encontrar extrema de funções multidimensionais é muito semelhante a subir em várias trilhas, a analogia é bastante adequada.
Assim, teoricamente, o algoritmo genético tentará em teoria evitar falsos extremos, já que seus descendentes como cromossomos não se encaixarão em turnos e visarão maximizar sobre os estáveis.
Após a otimização, as distorções dos parâmetros de entrada devem ser desativadas.
Após a otimização, a distorção dos parâmetros de entrada deve ser desativada.
Talvez você não devesse tê-los excluído. Eles podem dar limites de confiança
Após a otimização, as distorções dos parâmetros de entrada devem ser desativadas.
Talvez você não deva excluí-los, senhor. Eles podem dar limites de confiança
Por que você precisa de distorções no comércio? Talvez você os ligue para ter um drawdown de mais/menos um quilômetro, mas eu não preciso de tal prazer. A tarefa é apenas cortar uma grande parte dos extremos instáveis durante a otimização.
Talvez você não deva excluí-los. Eles podem dar limites de confiança
Sr. Yuri, e o artigo? Quando será publicado?
Ótimas notícias! Eu adoraria ler seu trabalho até o fim de semana!
Boa sorte!
Ótimas notícias! Eu adoraria ler seu trabalho até o fim de semana!
Boa sorte!
É tudo nerd, algumas fórmulas, algumas palavras nerds, imagens para torná-lo mais importante.
Eu prefiro ler uma história de detetive.
Trata-se de introduzir erros insignificantes durante a otimização, ou seja, os valores dos parâmetros de entrada serão ligeiramente distorcidos aleatoriamente e é suposto evitar que o algoritmo genético se fixe em extremos falsos com descidas íngremes. Ao mesmo tempo, para os extremos com declives suaves, as pequenas distorções também terão um pequeno efeito sobre o algoritmo de otimização.
Por exemplo, se um extremo tem coordenadas na forma de valores de parâmetros de entrada x, y, z e lucro da função de adequação = f(x, y, z) então x ± delta, y ± delta, z ± delta onde delta é uma pequena distorção para valores de parâmetros de entrada, para extremos falsos o desvio da função de adequação afetará significativamente o resultado final enquanto que para extremos com declives suaves o desvio da função de adequação não será significativo.
Isto é análogo ao tráfego rodoviário: se a estrada é estreita e escorregadia, é difícil dirigir sobre ela sem voar para o lado da estrada - um extremo falso, ou seja, instável. Se a estrada for larga e bem pavimentada, ela pode ser conduzida facilmente - um extremo mais verdadeiro, ou seja, estável. Introduzimos pequenos desvios na direção e não é mais possível dirigir em uma estrada estreita e escorregadia enquanto se faz uma curva - cortamos os falsos extremos. Uma vez que encontrar extrema de funções multidimensionais é muito semelhante a subir em várias trilhas, a analogia é bastante apropriada.
Assim, teoricamente, o algoritmo genético tentará, em teoria, evitar falsos extremos, pois seus descendentes na forma de cromossomos não se encaixarão em curvas e terão como objetivo maximizar sobre os estáveis.
Após a otimização, as distorções dos parâmetros de entrada devem ser desativadas.
não distorçam nada acidentalmente. Isto é feito pela própria AG através do mecanismo de mutação. A otimização é necessária para verificar a robustez de cada opção individual, e não para procurar extremos globais. Se uma opção não atender aos requisitos, então este filtro ou um elemento definido (dependendo do parâmetro) deve ser revisado ou descartado completamente.
A AG é necessária apenas para um ponto de referência inicial - para escolher os valores das opções que estão mais ou menos funcionando, para fixá-los e depois verificar cada opção separadamente.
O avanço é necessário em qualquer caso. De que outra forma podemos estimar isso?
Você não precisa de nenhum encaminhamento se analisar corretamente os atacadistas.
A essência do forward é avaliar se os extremos dos parâmetros otimizados flutuam ao longo do tempo. Isto é, para cortar variantes quando há vários extremos locais em toda a seção de testes (otimização + amostra automática). Ele pode ser cortado muito melhor através de uma análise separada para cada opção de sua extrema singularidade e monotonicidade. Isto é, já é uma garantia de que uma opção não "flutua" no tempo. E o avanço tem uma séria desvantagem - considera apenas pontos individuais na superfície de otimização e não no agregado. Isso, juntamente com a divisão telefônica das parcelas em otimização e autoamostras, reduz a confiabilidade estatística de tal análise abaixo do rodapé) É apenas uma realização - talvez seja uma sorte selecionar uma amostra automática e um conjunto de opções de merda será passado, ou vice-versa - uma amostra automática cairá em um período de sorteio temporário de um "bom" conjunto de opções.
Mas em qualquer caso, repito que a tarefa de otimização é avaliar a robustez de cada parâmetro do sistema. Em caso de dúvida, é melhor descartá-la ou modificá-la. Deixar apenas o que é 100% suportado por estatísticas e lógica comercial.