优化和样本外测试。 - 页 3

 
Integer: 一切都会在家里派上用场。将其与MQ进行比较是没有意义的,因为这个程序不测试自己,它只运行测试器。
没有人拒绝测试者。测试仪是好的,这是毫无疑问的。我指的是优化器。这就是我们可以比较的优化器。好吧,这个话题是永恒的,它永远不会结束。
 
leonid553:

我认为这将是对mt4测试器的一个有益补充。这是有可能的,而且很可能在某个地方由其他人实施。


你是对的--它已经被实施了。请看这里的例子(MT4NetTester项目)。只是不要要求给它,它是定制的。
 
Integer:
Mak:
伙计们,我已经有一段时间都在工作了。
在TradeStation下是真的,而且不是免费的...:))
我不认为在MT下做有什么意义,我们不习惯于为工作付费。


我也几乎完成了))))。而且不需要在专家顾问中嵌入任何东西--程序被下载为一个带有一组参数的文件。

伙计们!谁又能阻止你在这个主题中写一篇文章,把它的发展情况与描述贴出来,并得到一笔费用?

我不是在寻找免费赠品。我有足够的勤奋。没有足够的特殊知识。这有什么区别 - 谁会给你钱?

 
leonid553:

大家下午好。

在优化一个EA之后,我们经常要对优化器建议的十几组参数进行呆板的抽样。

我有一个在样本之外优化专家顾问的想法。假设我们向专家顾问 "收费",通过一些参数进行优化。例如,从1月1日起。2006年至2007年1月1日。

我们已经收到了几千个专家顾问。之后,我们将带有优化结果的页面保存为一个单独的文件。接下来,我们设置以下历史时期进行优化,即增加一两个月,或者根据需要增加。

在我们的案例中,我们设定的例子是从1月1日起。2007年6月1日,我们再次实现了优化。优化器不应该采取EXPERT'S PROPERTIES中的参数,而是从我们第一次优化后保存的文件中逐一重新选择。在这第二次优化之后,我们只剩下那些在样本之外获得利润的vAriens了!这也是我们的目标。

理想的结果是,我们得到了 "理想的参数",以便以后在网上进行测试!

我认为这将是对mt4测试器的一个有益补充。可能,而且很有可能,它已经被某个地方的人实施了。如果有人知道,请分享链接!

我由于知识不多,无法弄清楚如何在实践中去实施这个想法。

这被称为 "前行优化"(WFO)或 "前行分析"(WFA)。
这在西方是一个古老而流行的话题。
 
Mathemat:
好了,总体思路很清楚。好吧,那么最后一个问题要问所有实施这个项目的人(即贝尔福德麦克Integer):这值得吗?当然,有一个 "优化器 "是很好的,它不仅能进行曲线拟合(如metaquote),还能尝试在样本外数据上测试策略,但它真的值得比MQ优化器(它也很好,但只是作为一个曲线拟合器)获得更高的分数吗?
一般来说,这是值得的,尽管如果我们看一下WFO过程本身,我们可以看到它也是一种优化,只是更加复杂。
我们从第二个系列中的最佳者中挑选出第一个系列中的最佳者,以此类推。- 这也是一种优化,有自己的配件。

我的优化器只是一个童话故事:))

首先,它是遗传性的,非常有效--它的搜索速度非常快。
其次,它允许你使用任何自定义的优化标准(这是一个很大的权力)。
第三,新版本同时实现了多个标准的优化。
 

我在"优化过程中的init() " 主题中发布了一个实施我的优化标准的例子。而我正试图写一篇关于它的文章。我认为,使用的方法可以做很多事情,从WFO到自己的遗传算法。

 
Mathemat:
leonid553,你的方向是正确的,因为现有的 "优化 "没有对样本外数据进行测试,纯粹是曲线拟合。但基本算法应该更加复杂,就像神经网络程序一样。 所有 "优化 "应该同时在所有数据集上进行(这是开发人员的愿望)。当然,你可以只用两个数据集工作,但最好提供三个数据集--训练(A)、验证(B)和测试(C)。那么,在现有条件下,你将不得不或多或少地按照你的建议工作。


在我看来,在样本之外的测试(训练、验证、运行等)将集合A="样本中有利可图的参数集 " 减少为集合B="样本中以及样本外有利可图的参数集"。 对抽样+抽样外的优化给出了集合C="在抽样+抽样外有利可图的参数集"。

集合B是否包含在集合C中?在我看来,显然是的,因为B组包含了 "样本内和样本外都有利可图的参数集",因此它们是 "样本内有利可图+样本外的参数集"。

那么,与B相比,C中的什么是多余的?

显然,在C组中,会有一些参数组在样本中无利可图(只在样本中),但在样本外却获得了报复。 也就是说,我们在样本中亏损,但在样本外却得不偿失。

另外,在C组中,会有一些参数组在样本中有利可图(只在样本中),但在样本外无利可图,也就是说,我们在样本中赚钱,但在样本外赔钱。

因此,一个直通车给了我们集合C,它收集了子集D="参数集在样本内或样本外都无利可图,但在样本内+样本外一般都有利可图", 而且不在集合B中。 如果这对我们来说是一个问题,那么它比样本外测试更容易解决。

但我们通过样本外测试来避免曲线拟合吗? 不。此外,可以说,最严重的(盈利能力必须在个别图中得到尊重)拟合仍然存在,只有子集D(也许是寻求的儿童?)被抛出,这根本不能称为拟合。我们将测试期分为几个部分,所避免的是排除在其中一个部分产生无利可图结果的参数。 我们所达到的是每个部分的盈利能力。这种方法的逻辑结论是每笔交易都有盈利能力。只有谁能保证这样奇妙的参数不是由绝对曲线拟合的魔鬼呈现给我们的?

 

EA不等同于EA!有一些EA,我所描述的测试是最乐观的。

例如,我们在这里会有什么损失?什么都没有!

 
Vita:
我们通过将测试期划分为若干段,所避免的是排除那些在其中一段产生无益结果的参数。我们所实现的是每个区间的盈利能力。这种方法的逻辑结果是每笔交易都有盈利能力。只有谁能保证这样奇妙的参数不是由绝对曲线拟合的魔鬼呈现给我们的?

我想这样表述:我们通过第一次优化标记某些极值的附近,并通过第二次优化(样本外)检查其稳定性。当然,没有人会对它们在未来保持稳定作出任何保证。但缺乏性能保证是所有预测的一个特点。

当然,我们可以通过处理整个样本的优化结果来获得相同的信息。然而,在我看来,这将是一个更加耗时的过程,无论是在软件实施方面还是在计算时间方面。

 
lna01:
维塔
我们通过将测试期划分为若干段,所避免的是排除那些在其中一段产生无益结果的参数。我们所实现的是每个区间的盈利能力。这种方法的逻辑结论是每笔交易都有盈利能力。只有谁能保证这样奇妙的参数不是由绝对曲线拟合的魔鬼呈现给我们的?

我想这样表述:我们通过第一次优化标记某些极值的附近,并通过第二次优化(样本外)检查其稳定性。当然,没有人会对它们在未来保持稳定作出任何保证。但缺乏性能保证是所有预测的一个特点。

--> 与端到端运行相比,分割会增加什么?

当然,我们可以通过处理整个样本的优化结果来获得同样的信息。然而,在我看来,这将是一个更加耗时的过程,无论是在软件实施还是在计算时间方面。

--> 如果你说的 "在整个样本上处理优化结果 "是指丢弃D组,那么我不同意--丢弃给出中间损失的结果(在样本内或样本外)是一项基本任务,在整个样本上的优化本身中解决,即不需要在优化后进行处理。 结果是B组立即。 而且没有耗时的样本外额外检查。