Тиковая ТС, без использования каких-либо индикаторов, включая бары. Более того, никак не обращается к истории цены. Внутри нет циклов. В общем быстрая однопроходная болванка. При этом еще и переворотная: сигнал на закрытие является сигналом на открытие противоположной позиции. Т.е. в рынке постоянно. Постоянный лот. Ну и для некоторой честности...
问题01.
以下指标只有一个外部输入参数
我选择这些指标正是因为其外部输入参数最少。
是否有可能在MO方法的帮助下重现他们的算法。也就是说，采取任何历史，以任何参数运行指标，并将其送入MO。是否有可能在输出中获得适当的指标算法？
问题是关于为MO设置任务，即我们应该标记历史，我认为同样的PriceChannel很容易教，ZZ的复杂性可能次之，但Ekponential Smoothing--它不是分类而是回归，可能，它可能是相同的，但我没有用过回归。
问题03。
我在实践中多次遇到过这样的情况。TS显示测试区间的利润。当我运行OOS的时间长了好几倍，它显示的利润是一样的。一旦我在真实账户上下注，几个月的利润就会保持不变。
而在某一时刻，系统地倒下了。没有重新优化相同的TS，就没有积极的结果。在最好的情况下，它减缓了暴跌的速度。
一段时间后，程序员明白一切都很糟糕，于是离开了真实账户。你观察了几个月，TS是如何在测试器中丢失的。
突然间，两个星期的利润，一个月的利润，OOS月-利润。这是同一个TS。你把它放在真实的地方，得到的一切与第一段中描述的一样。
这不是一个假设的情况，而是一个实践的案例。在这种情况下，TS只在少数符号上表现出它的严肃性。在其他人身上，它是一个常年的消耗。
当然，TS也不需要每天二十四小时进行交易。可能有一个日内交易区间。
就常见的MO应用实践而言，是否有可能得到一个具有类似特征的TS？
问题02.
让有四个输入参数的TS在某个区间进行成千上万次交易。我们增加了两个可能变体数量较少的输入参数作为过滤器。在输出中，我们有一个直线图，上面有大约1000个交易。而且所有这些都或多或少地均匀地分布在整个测试区域。
在OOS上损失初始区间的5%的高概率是什么原因？巨大的间隔和仅有的六个输入给了真正大量的交易一个直接的结果。而出来的是一个赤裸裸的配合。
这是否意味着有六个以上的参数？这有点像对第一个问题 的参考，对我们来说简单的算法实际上在本质上不是很复杂吗？
而且为什么不应该有梅花？历史数据的相似性是什么--这是一个单独的问题，以评估模型的正确性。
然后，什么被作为投入，历史是如何被标记出来进行培训的，教什么--这里有很多细微的差别。
问题03。
我在实践中多次遇到过这样的情况。TS显示测试区间的利润。当我运行OOS的时间长了好几倍，它显示的利润是一样的。一旦我在真实账户上下注，几个月的利润就会保持不变。
而在某一时刻，系统地倒下了。没有重新优化相同的TS，就没有积极的结果。在最好的情况下，它减缓了暴跌的速度。
一段时间后，程序员明白一切都很糟糕，于是离开了真实账户。你观察了几个月，TS是如何在测试器中丢失的。
突然间，两个星期的利润，一个月的利润，OOS月-利润。这是同一个TS。你把它放在真实的地方，得到的一切与第一段中描述的一样。
这不是一个假想的情况，而是一个实践的案例。在这种情况下，TS只在少数符号上表现出它的严肃性。在其他人身上，它是一个常年的消耗。
当然，TS也不需要每天二十四小时进行交易。可能有一个日内交易区间。
就常见的MO应用实践而言，是否有可能得到一个具有类似特征的TS？
因此，这又是一个与市场阶段有关的问题，也是TS/model MO学到的东西。例如，我在CatBoost 上训练了模型--在训练结束后的历史上都很好，把它放在真实的和沉默的3个月里，模型是沉默的--我把它拿下来，在上个月通过测试，我看到我错过了很多盈利的交易（上个月），但后来显然模型本身已经考虑到了一些问题，没有交易，因为市场确实非常平淡，而模型被设置为趋势（在分钟上）。
为什么不应该有一个排水口？历史数据的相似性是什么--这是一个单独的问题，以评估模型的正确性。
然后，什么被作为投入，历史是如何被标记出来进行培训的，教什么--这里有很多细微的差别。
什么培训？一个简单的经典专家顾问，有六个可优化的参数。常规的GA在区间上显示了出色的结果。
我对 "为什么你期望它在OOS上失败 "的答案不感兴趣。那么，即使有一千次交易，在OOS上亏损也是合理的，原因何在？
我的业余推理是这样的。
TC的自由度非常少。因此，调整的概率下降了。
数以千计的交易均匀 地分布在区间上--这意味着在这个区间上的长效 "模式 "已经被发现。特别是由于平衡图几乎是一条直线。
这种推理实际上有什么问题呢？我假设事实上输入的参数不是六个，而是常规的一百万。这是再现TC算法的通用机器的输入参数的数量。也就是说，算法本身就是一组特定的输入参数。
什么训练？一个常规的经典EA，有六个可优化的参数。常规的GA在区间上产生了出色的结果。
我对 "你在期待什么，我当然是在OOS上输了 "的答案不感兴趣。那么，即使有一千次交易，在OOS上的损失是什么原因呢？
那么学习间隔是多少呢？1000笔交易可以在一个全球趋势上进行，在其矢量上开仓，本身就会有优势。
例如，我在5年的历史上训练Si期货，以便有更多不同的情况。从2008年到2016年，我在15分钟内对外汇的EA进行了优化，它们对于平均数来说有足够的生存能力。
而本质上优化是相同的MO方法，所以之前说的都是真的。
我的业余推理是这样的。
TC中的自由度非常少。因此，调整的概率降低了。
数以千计的交易均匀地分布在区间上--这意味着在这个区间上的长效 "模式 "已经被发现。特别是由于平衡图几乎是一条直线。
你为什么不考虑评估一下市场的相似性--比如我看到外汇的波动性在过去几年明显下降，甚至今年也是如此--我以前每月能赚到3-4倍的钱，而现在只是在我的外汇TS上没有任何动作和交易。
然后，一切都要客观地看待，试着理解TS的工作，如果它真的很简单，想想它的行动是否合理，或者是否是一个机会问题。
这种推理到底有什么问题呢？
错误的推理，因为它假设了市场的静止性，而这并不是同...
我假设事实上输入的参数不是六个，而是常规的一百万。这是再现TS算法的通用机器的输入参数的数量。也就是说，算法本身就是一组特定的输入参数。
如果我们谈论的是指标，那么参数就更多了，因为我们应该考虑指标本身的逻辑，几乎指标代码中的每一个if都是一个单独的条件，当然，这将产生无数的组合。然而，我个人认为，相反，使用指标是一种明智的做法，因为我假设许多市场参与者使用它们，这意味着有可能用钱抓住参与者TS的一点逻辑。
问题01.
以下指标只有一个外部输入参数
我选择这些指标正是因为其外部输入参数最少。
是否有可能在MO方法的帮助下重现他们的算法。也就是说，采取任何历史，以任何参数运行指标，并将其送入MO。是否有可能在输出中获得相应的指标算法？
类似EMA的平滑可以准确获得，我希望你指的是结果而不是代码形式的 "算法" :)
我不太确定PriceChannel和ZZ的情况，我相信它们会有缺陷。总的来说，这个任务很有意思，谢谢:)
问题02.
假设有四个输入参数的TS在某个区间进行了数千次交易。添加两个可能变体数量少的输入参数作为过滤器。输出将是一个大约有一千次交易的直线图。而且所有这些都或多或少地均匀地分布在整个测试区域。
在OOS上损失初始区间的5%的高概率是什么原因？巨大的间隔和仅有的六个输入给了真正大量的交易一个直接的结果。而出来的是一个赤裸裸的配合。
这是否意味着有六个以上的参数？这有点像对第一个问题 的参考--简单的算法在本质上不是很复杂吗？
与其说是预测，不如说是策略算法和MM的类型问题。如果你不知道你的估计可能会遇到什么样的错误，你可以用其中一个参数计算出错误的概率，你可以计算出数学预测的最大值。
问题03.
我在实践中多次面临这样的情况。TS显示测试区间的利润。当你打开OOS的几倍时，利润仍然是一样的。在真实账户上投注，几个月来显示的利润是一样的。
而在某一时刻，系统地倒下了。没有重新优化相同的TS，就没有积极的结果。在最好的情况下，它减缓了暴跌的速度。
一段时间后，程序员明白一切都很糟糕，于是离开了真实账户。你观察了几个月，TS是如何在测试器中丢失的。
突然间，两个星期的利润，一个月的利润，OOS月-利润。这是同一个TS。你把它放在真实的地方，得到的一切与第一段中描述的一样。
这不是一个假想的情况，而是一个实践的案例。在这种情况下，TS只在少数符号上表现出它的严肃性。在其他人身上，它是一个常年的消耗。
当然，TS也不需要每天二十四小时进行交易。可能有一个日内交易区间。
就常见的MO应用实践而言，是否有可能获得具有这种特征的TS？
我不认为任何人可以 "用手抚摸自己的心 "来评论这种特性。总的来说，你不应该把MoD当成一个独立的东西来使用，MoD只是统计学的延伸，一般的算法都是MoD，甚至网状优化也是MoD，所以算法交易中一直都有MoD:)
懒人有一种倾向，希望搜索TC的完全自动化，让IR为他们做一切，幸运的是，这在很长一段时间内不会发生，当它发生时，它不会有财务意义，但与此同时，经典的IR不好寻找明智的迹象，"深度 "在各方面都非常异想天开，要与它合作是痛苦的，结果是模糊的。
我的业余推理是这样的。
TC中的自由度非常少。所以适合的概率下降。
数以千计的交易均匀地分布在区间上--这意味着这个区间上的长期 "模式 "已经显现。特别是由于平衡图几乎是一条直线。
这种推理实际上有什么问题呢？我假设事实上输入的参数不是六个，而是常规的一百万。这是再现TC算法的通用机器的输入参数的数量。也就是说，算法本身就是一些输入参数的集合。
错误的是，当估计一个时间序列时（不管它是一个价格、一串骰子的滚动或 "幸运轮 "的数字......甚至是一个温度图）。
你（和我们这个论坛的所有参与者）假设 时间序列在未来一定会有这样的表现--我们试过了！但我们没有。不幸的是，拟合总是存在的，我们使用的输入数据越多，拟合度和我们的信心就越大
阅读文章的第一部分：Hubrahttps://habr.com/ru/company/ods/blog/322716/
图前
真的很喜欢这个演讲
好了，关于你和MO的问题，我的二流子推理。
为训练准备输入数据的问题，一般来说，ZigZag是一个麻烦 - 最简单的事情是给ZZ的价格结点 - 训练，测试 - 不工作，为什么？- 因为它与特定的数据紧密结合，未来没有这样的价格，NS是一个有规律的多项式y=ax+bx+cx+dx+ex.....，多项式的数量就是神经元的数量，神经元越多，质量越好（NS的误差），但重新训练的速度更快发生....。通过发明新类型的NS来对抗过度学习，但也有它更好的地方，它是更糟糕的....。
但对于周期性的函数，NS会起作用，实际上是完美的--在任何规模下的正弦/余弦图，并且用最小的数据进行学习--因为这种函数可以用泰勒级数展开来写？(已经记不清了) - 这将是五个多项式y = ax+bx+cx+dx+ex
ZS：对于价格序列，没有人设法发明一个多项式公式--这就是为什么NS不能完美地工作......也许只是一个公式并不存在 ))))
这更像是策略算法和MM的类型问题，而不是预测问题。如果我们想得到一个更客观的图片，我们至少应该去除平均数，但这还不够，IMHO对预测的期望应该被正确测量（趋势），你不仅可能欺骗别人，也可能欺骗自己。
我今晚在旋转一些东西。作为一个未被引用的答案，我想其他人读起来会很有趣。
https://www.mql5.com/ru/blogs/post/728196
1.是的，有一定的准确性（近似误差）。
2.以一个三度多项式（只有3个自由项）为例，将其拟合到一公里长的图形中。这是否意味着它将在OOS上工作？ 当然不是。曲线几乎会立即开始分化，但有时你可以幸运地得到方向。如果被利用的模式是未知的（理论上、概念上、根本上--不管是什么），那么这个问题可以被驳回，因为它总是适合SB的
3.在国防部方面，你可以得到任何你想要的东西。基本上这些地块会有一定的趋势，如果它们是相似的，那么它就会发挥作用。也就是说，在这种情况下，是全球趋势发生了变化，最有可能的是，市场再次变得与原来类似，在中期内。 这就是为什么它起作用/不起作用。
所有这些问题都在计量经济学 的概念层面得到了解决：线性趋势是主要组成部分，它首先被预测。然后围绕直棍进行非线性波动，前提是趋势持续存在。由于缺乏迭代，最大的趋势无法预测，也就是说，所有的不确定性都将来自于长期计划。只需几个自由术语，通常不超过3个，就可以描述任何市场曲线。 MOS已经可以根据剩下的未预测的东西的残差进行调整。