Все (пока нет) о Стратегический тестировщик, Оптимизация и Облако - страница 14

[Sergey Golubev]

Алгоритмы популяционной оптимизации: Устойчивость к застреванию в локальных экстремумах (часть I)

Это уникальное исследование, идея которого пришла ко мне во время ответов на вопросы, возникшие в ходе обсуждения одной из моих статей. Я надеюсь, что читатели оценят ценность и оригинальность этой работы.

Для проведения эксперимента нам необходимо сначала принудительно инициализировать координаты агентов вне алгоритма, используя координаты глобального минимума, а затем измерить фитнес-функцию на первой эпохе.

Такой эксперимент позволит нам оценить устойчивость к чрезвычайно сложным условиям и способность преодолевать ограничения.

[Sergey Golubev]

Автоматизированная оптимизация параметров торговых стратегий с помощью Python и MQL5

Читатели поймут важность автооптимизации, различные используемые алгоритмы и увидят практические примеры на Python и скриптах советников (EA). Они научатся настраивать автооптимизацию, сравнивать результаты и правильно настраивать оптимизацию параметров, повышая эффективность своей торговой стратегии.

Алгоритмы самооптимизации торговых стратегий включают оптимизацию параметров, эволюционные алгоритмы, эвристические методы, градиентные методы, машинное обучение и оптимизацию на основе моделирования. Каждый из них обладает уникальными плюсами и минусами, адаптированными к различным торговым потребностям и рыночным условиям.

Программы на Python - отличный инструмент для опробования идей, быстрого создания графиков и подтверждения теоретических выкладок историческими торговыми данными. Python позволяет быстро разрабатывать и корректировать модели, что облегчает эксперименты с различными стратегиями и параметрами. Его способность генерировать подробные графики и визуализации помогает интерпретировать результаты более интуитивно. Кроме того, возможность интеграции исторических данных позволяет проверить, как стратегии работали бы в прошлых сценариях, обеспечивая практическое подтверждение выдвинутых теорий. Такое сочетание скорости, гибкости и аналитических возможностей делает Python бесценным инструментом для любого трейдера, который стремится оптимизировать свои стратегии и лучше понять финансовые рынки.

[Sergey Golubev]

Форум о трейдинге, автоматизированных торговых системах и тестировании торговых стратегий

MQL5 Cloud Network: Технологический прорыв в тестировании торговых стратегий

MetaQuotes, 2024.07.16 11:25

С момента своего запуска MQL5 Cloud Network выполнила более 16 миллиардов заданий. Эта цифра показывает, сколько раз пользователи тестировали свои торговые стратегии. Каждый день сеть позволяет алгоритмическим трейдерам запускать вычисления на десятках тысяч компьютеров по всему миру всего в несколько кликов, не дожидаясь результатов на локальной машине.

Через сеть можно легко протестировать миллионы комбинаций параметров для торговых роботов. Пользователи получают мгновенный доступ к тысячам ядер, а сеть автоматически распределяет задания и все необходимые параметры вычислений. Результаты доступны в течение нескольких минут:

.

Недавно мы обновили всю инфраструктуру MQL5 Cloud Network, чтобы повысить ее производительность:

• Добавлены новые и модернизированы существующие серверы для улучшения регистрации агентов и распределения задач. Теперь сеть работает через 7 точек, расположенных по всему миру. Улучшенная балансировка нагрузки позволяет более эффективно управлять заданиями и распределять их. Оптимизированное географическое покрытие позволило снизить задержки в сети при вычислениях.
• Общая пропускная способность сети увеличилась до 60 Гбит/с. Сеть обеспечивает быструю передачу данных между трейдерами и агентами, выполняющими задания. Пропускная способность каждого узла сети отображается рядом с его названием в тестере стратегий.
• Улучшен кэш исторических данных. Благодаря оптимизированному "горячему кэшу" на серверах агенты быстрее получают необходимые данные для тестирования, что, в свою очередь, ускоряет общий процесс тестирования для трейдеров.
• Исключены медленные агенты. В сеть больше не принимаются агенты, работающие под управлением систем виртуализации. Это ограничение было введено для того, чтобы избежать замедления вычислений, вызванного недобросовестными участниками.

В настоящее время сеть насчитывает около 50 000 быстрых и активных агентов, что позволяет эффективно выполнять очень сложные и трудоемкие вычисления. Вы можете даже проводить научные исследования, используя специальный быстрый математический режим тестера стратегий и поддержку OpenCL.

Ускорьтесвои вычисления с помощью MQL5 Cloud Network и разрабатывайте стратегии быстрее, не подготавливая инфраструктуру и не ожидая результатов.

Присоединяйтесь к MQL5 Cloud Network и начинайте зарабатывать

Когда вы выполняете повседневные действия на своем компьютере, большая часть его вычислительной мощности остается неиспользованной. Установите агентов тестирования и зарабатывайте, сдавая в аренду эти незадействованные ресурсы:

1. Скачать MetaTrader 5 Strategy Tester Agent
2. Установите агентов в разделе "Сервисы", нажав кнопку "Добавить" - настройка не требуется
3. Укажите свой аккаунт MQL5.com в разделе MQL5 Cloud Network для получения платежей
   
   

Все дальнейшие действия установленных агентов будут происходить автоматически. Сеть будет ежедневно распределять задания, собирать результаты и перечислять оплату за выполненную работу на ваш счет. Контролируйте работу агентов с помощью подробного отчета. Присоединяйтесь к MQL5 Cloud Network и начинайте зарабатывать.

Скачать Менеджер агентов и начать зарабатывать

[Sergey Golubev]

Алгоритмы популяционной оптимизации: Устойчивость к застреванию в локальных экстремумах (часть II)

В рамках нашего исследования мы углубились в изучение устойчивости алгоритмов популяционной оптимизации, их способности преодолевать локальные ловушки и достигать глобальных максимумов на различных тестовых функциях. В предыдущей статье мы рассмотрели алгоритмы, показавшие скромные результаты в ранжировании. Теперь настало время обратить внимание на лидеров.

Этот этап исследования позволит нам не только лучше понять устойчивость популяционных алгоритмов к застреванию в локальных ловушках, но и выявить ключевые факторы, способствующие их успеху в условиях разнообразных и сложных тестовых функций. Мои усилия направлены на углубление понимания того, как эти алгоритмы могут быть оптимизированы и улучшены, а также на выявление возможностей их совместного использования и гибридизации для эффективного решения различных задач оптимизации в будущем.

[Sergey Golubev]

Алгоритмы оптимизации популяций: Алгоритм оптимизации китов (WOA)

Алгоритм WOA начинается с инициализации популяции китов со случайными позициями. Затем выбирается лидер - кит с наилучшим значением объективной функции (фактически, наилучшее глобальное решение). Позиции остальных китов обновляются с учетом позиции лидера. Это происходит в двух режимах: в режиме исследования и в режиме эксплуатации. В режиме исследования киты обновляют свои позиции, используя случайный поиск вокруг текущего наилучшего глобального решения. В режиме эксплуатации киты обновляют свои позиции, перемещаясь ближе к текущему наилучшему решению.

[Ivan Titov]

При генетической оптимизации по пользовательскому критерию в логе пишет: 

LQ 0 00:02:22.988 Tester Best result 686.6454798300078 produced at generation 1. Next generation 3

FE 0 00:59:07.948 Tester Best result 686.6454798300078 produced at generation 1. Next generation 4

QH 0 01:59:47.523 Tester Best result 686.6454798300078 produced at generation 1. Next generation 5

IL 0 02:59:29.481 Tester Best result 709.7718874641139 produced at generation 5. Next generation 6

RS 0 03:52:52.812 Tester Best result 709.7718874641139 produced at generation 5. Next generation 7

LG 0 04:49:40.847 Tester Best result 837.2440814840006 produced at generation 7. Next generation 8

IJ 0 05:34:00.992 Tester Best result 837.2440814840006 produced at generation 7. Next generation 9

GM 0 06:20:56.063 Tester Best result 837.2440814840006 produced at generation 7. Next generation 10

Тогда как в таблице есть результаты выше 837.24:

Как такое возможно?

[Yuriy Bykov]

Ivan Titov #:

Как такое возможно?

Может быть, эти лучшие результаты взяты из кэша предыдущего запуска оптимизации?

[Ivan Titov]

Yuriy Bykov #:
Может быть, эти лучшие результаты взяты из кэша предыдущего запуска оптимизации?

Разве он не должен был очистить список после старта новой оптимизации? К тому же результат должен быть не меньше, если параметры не изменились. А там 5 поколений был результат  837.24.

И еще один глюк: агенты локальной сети не работают, хотя запущены:

Причем в момент запуска оптимизации они отключаются почему-то:

[Yuriy Bykov]

Ivan Titov #:

Разве он не должен был очистить список после старта новой оптимизации? К тому же результат должен быть не меньше, если параметры не изменились. А там 5 поколений был результат  837.24.

И еще один глюк: агенты локальной сети не работают, хотя запущены:

Причем в момент запуска оптимизации они отключаются почему-то:

Проверьте, пожалуйста, не запускаете ли вы оптимизацию для debug-версии скомпилированного советника.

Или просто скомпилируйте в режиме максимальной оптимизации и попробуйте снова запустить оптимизацию.

[Ivan Titov]

Сетевые агенты заработали, спасибо за заклинание! По результатам хуже предыдущей оптимизации вопрос пока открыт.