优化和样本外测试。 - 页 5 123456789101112 新评论 Sceptic Philozoff 2007.07.30 13:46 #41 候选人，它不是那么简单的盈利能力。如果我们在NS中采取相同的A、B、C集，那么正常训练后的策略盈利能力将如下：在A部分是最大的，在B部分是明显减少的，而在C部分则更差。这就是我们的情况：在历史上取得了巨大的成果，但在历史之外--损失。问题是要选择一个策略，C区的盈利能力几乎肯定更差，但仍与A区相当。 只是，让我们把神经网络的事做完。 我不打算在这里推广它们。但我在做这些工作时学到的测试原则是相当合理的。而在这里，与元报价拟合相比，我们至少可以依靠概括能力（这是专家顾问在未来可能保持盈利的主要属性；我们的优化器完全没有这个属性）。 Vitali 2007.07.30 13:48 #42 lna01: 维塔。 我想说的是，真正的MetaTrader的测试器允许你在优化一个样本+样本群时获得与优化一个样本后进行样本外测试相同的结果。 在测试器中，"专家属性 "按钮，然后 "测试 "和 "优化 "选项卡允许摆脱你想要的任何长度和深度的损失。 这完全取决于任务的定义。如果我们忽略了测试时间的利润分配的均匀程度，MT测试员的标准能力确实足够，所花的时间也会相当。这值得忽视吗？ 每个人都有自己的经验和观点。这个过程确实可以被称为拟合，但我认为近似 这个词会更准确。不是每一个近似值都可以推算到未来，利润均匀性的标准只是允许拒绝明知不适合推算的变体。 当然，IMHO。 这指的是测试者对一个样本的优化问题的适用性，随后的样本外测试。同样的结果，但你必须从另一个方面着手--减少连续损失的数量和损失的数值。这就是全部。 Candid 2007.07.30 13:58 #43 Mathemat:候选人，它不是那么简单的盈利能力。如果我们在NS中采取相同的A、B、C集，那么正常训练后的策略盈利能力将如下：在A部分是最大的，在B部分是明显减少的，而在C部分则更差。这就是我们的情况：在历史上取得了巨大的成果，但在历史之外--损失。问题是要找到一种策略，在C区的盈利能力几乎肯定更差，但仍与A区相当。 我认为与近似的类比给出了答案：我们知道，近似越好，越不适合外推（当然我们拒绝分析函数图的情况，其猜测）。因此，一个好的解决方案很可能不是在A上获得更多的利润，而是在A+B上获得更均匀 的利润。现在我们开始外推，同样自然地，误差随着预测范围的扩大而增加。 Vitali 2007.07.30 14:02 #44 Mathemat: 断然不同意，维塔。否则，在神经网络中就不会将所有数据分为三部分，从根本上说是不同的：真正的优化--只在第一部分；第二部分只用于确定训练终止的时刻，第三部分--只用于单一测试。也就是说，真正的装修只在第一条上进行，而在第三条上，无论结果如何，都要进行装修......而选择--"奥卡姆剃刀 "或对系统失去信心--是留给系统的创造者的。 粗略地说，在A+B+C上进行优化与上述处理完全不同。 为了清晰起见，以防万一。 A - 在对样品进行优化时获得的一组参数 B - 在样品外测试A后得到的一组参数。 获得B的过程就是先进行样本上的优化，再进行样本外的检验。正是在这个过程中，你应该摆脱曲线拟合？ C是通过优化样本+样本外的人口而得到的参数集。 我认为，在曲线拟合方面，C和B一样好。 C-B=在样本或非样本中无利可图，但在整个人口中有利可图的参数集。 获得B的过程可以由一个标准的测试器来完成。 Sceptic Philozoff 2007.07.30 14:03 #45 候选人，我不是说一个好的解决方案能在A处给出最大的利润。优化器在这方面做得更好：它在A上给出了一个绝对的最大值，但在样本外没有什么。根据NS学习模型，一个好的解决方案的可能候选者是B上的最大利润，同时在A上已经可以接受但不是最大利润。 关于你的评论：几乎同意，但不是A+B而是A+B+C。 2 维塔。 我以为我在上一页写得很清楚了。 ...集合A、B、C不重叠。比如说。 A - 从2004年1月1日至2005年12月31日。 B - 2006年1月1日至2006年10月31日，和 C--从2006年11月1日到现在。 NS中数据长度的通常比例是A:B:C=60:20:20。 Candid 2007.07.30 14:11 #46 Mathemat: 关于你的评论：我几乎同意，但不是A+B而是A+B+C。 我承认我对A+B+C非常悲观 :)。正是由于误差的自然积累，人们只能通过偶然的方式在C上获得与A和B相当的利润。 Sceptic Philozoff 2007.07.30 14:15 #47 诚实，我也是，嘿嘿...但如果这样做了，它就不再是考虑作为青菜切菜机的最差候选人了。C情节才是真正的EA评估情节，这就是为什么我把它放在倒逗号里。而这也是几乎所有的错误通常集中的地方，而A和B区的错误往往明显较少。 Vitali 2007.07.30 14:21 #48 Mathemat: 我不打算在这里推广它们。但是，我在做这些工作时学到的测试原则是相当合理的。而在这里，与元报价拟合不同，我们至少可以依靠概括能力（专家顾问能够在未来保持盈利的主要属性；我们的优化器完全缺乏这一属性）。 哦，对了!概括能力 应该是专家顾问的一个属性，而不是优化器的属性。法律必须在专家顾问中加以规定；专家顾问的想法必须尽可能全面和系统。但我不会对优化器提出这样的要求。我认为这是荒谬的，就像试图用一个能够概括 的优化器将绝对的任何专家顾问拉到任何时候和未来的盈利水平是荒谬的。没有规律，没有有利可图的想法和所谓的泛化能力，这不是元曲优化器的错，它可以优化。 唯一要做的是拟合曲线。 Sceptic Philozoff 2007.07.30 14:24 #49 维塔，说得好。但我想说，概括能力不仅是EA的属性，也是学习算法的属性，它必须正确识别这种能力。元引号算法并没有揭示这种能力，而是通过过度优化破坏了这种能力。 但它不是为严肃的优化而创造的...... Vitali 2007.07.30 14:24 #50 Mathemat: 候选人，我不是说一个好的解决方案能在A处给出最大的利润。优化器在这方面做得更好：它在A上给出了一个绝对的最大值，但在样本外没有什么。根据NS学习模型，一个好的解决方案的可能候选者是B上的最大利润，同时在A上已经可以接受但不是最大利润。 关于你的评论：我几乎同意，只是不是A+B而是A+B+C。 2 维塔。 我想我在上一页已经说得很清楚了。 ...集合A、B、C不重叠。比如说。 A - 从2004年1月1日至2005年12月31日。 B - 2006年1月1日至2006年10月31日，和 C--从2006年11月1日到现在。 NS中数据长度的通常比例是A:B:C=60:20:20。 上帝与他们同在，A、B和C。它们在我的帖子里有不同的含义。它们不是时间轴。它们是优化产生的参数集。哦，来吧。 123456789101112 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
候选人，它不是那么简单的盈利能力。如果我们在NS中采取相同的A、B、C集，那么正常训练后的策略盈利能力将如下：在A部分是最大的，在B部分是明显减少的，而在C部分则更差。这就是我们的情况：在历史上取得了巨大的成果，但在历史之外--损失。问题是要选择一个策略，C区的盈利能力几乎肯定更差，但仍与A区相当。
我不打算在这里推广它们。但我在做这些工作时学到的测试原则是相当合理的。而在这里，与元报价拟合相比，我们至少可以依靠概括能力（这是专家顾问在未来可能保持盈利的主要属性；我们的优化器完全没有这个属性）。
我想说的是，真正的MetaTrader的测试器允许你在优化一个样本+样本群时获得与优化一个样本后进行样本外测试相同的结果。 在测试器中，"专家属性 "按钮，然后 "测试 "和 "优化 "选项卡允许摆脱你想要的任何长度和深度的损失。
这完全取决于任务的定义。如果我们忽略了测试时间的利润分配的均匀程度，MT测试员的标准能力确实足够，所花的时间也会相当。这值得忽视吗？ 每个人都有自己的经验和观点。这个过程确实可以被称为拟合，但我认为近似 这个词会更准确。不是每一个近似值都可以推算到未来，利润均匀性的标准只是允许拒绝明知不适合推算的变体。 当然，IMHO。
这指的是测试者对一个样本的优化问题的适用性，随后的样本外测试。同样的结果，但你必须从另一个方面着手--减少连续损失的数量和损失的数值。这就是全部。
候选人，它不是那么简单的盈利能力。如果我们在NS中采取相同的A、B、C集，那么正常训练后的策略盈利能力将如下：在A部分是最大的，在B部分是明显减少的，而在C部分则更差。这就是我们的情况：在历史上取得了巨大的成果，但在历史之外--损失。问题是要找到一种策略，在C区的盈利能力几乎肯定更差，但仍与A区相当。
我认为与近似的类比给出了答案：我们知道，近似越好，越不适合外推（当然我们拒绝分析函数图的情况，其猜测）。因此，一个好的解决方案很可能不是在A上获得更多的利润，而是在A+B上获得更均匀 的利润。现在我们开始外推，同样自然地，误差随着预测范围的扩大而增加。
断然不同意，维塔。否则，在神经网络中就不会将所有数据分为三部分，从根本上说是不同的：真正的优化--只在第一部分；第二部分只用于确定训练终止的时刻，第三部分--只用于单一测试。也就是说，真正的装修只在第一条上进行，而在第三条上，无论结果如何，都要进行装修......而选择--"奥卡姆剃刀 "或对系统失去信心--是留给系统的创造者的。
粗略地说，在A+B+C上进行优化与上述处理完全不同。
为了清晰起见，以防万一。
A - 在对样品进行优化时获得的一组参数
B - 在样品外测试A后得到的一组参数。
获得B的过程就是先进行样本上的优化，再进行样本外的检验。正是在这个过程中，你应该摆脱曲线拟合？
C是通过优化样本+样本外的人口而得到的参数集。
我认为，在曲线拟合方面，C和B一样好。
C-B=在样本或非样本中无利可图，但在整个人口中有利可图的参数集。
获得B的过程可以由一个标准的测试器来完成。
候选人，我不是说一个好的解决方案能在A处给出最大的利润。优化器在这方面做得更好：它在A上给出了一个绝对的最大值，但在样本外没有什么。根据NS学习模型，一个好的解决方案的可能候选者是B上的最大利润，同时在A上已经可以接受但不是最大利润。
关于你的评论：几乎同意，但不是A+B而是A+B+C。
2 维塔。 我以为我在上一页写得很清楚了。 ...集合A、B、C不重叠。比如说。
A - 从2004年1月1日至2005年12月31日。
B - 2006年1月1日至2006年10月31日，和
C--从2006年11月1日到现在。
NS中数据长度的通常比例是A:B:C=60:20:20。
关于你的评论：我几乎同意，但不是A+B而是A+B+C。
我不打算在这里推广它们。但是，我在做这些工作时学到的测试原则是相当合理的。而在这里，与元报价拟合不同，我们至少可以依靠概括能力（专家顾问能够在未来保持盈利的主要属性；我们的优化器完全缺乏这一属性）。
哦，对了!概括能力 应该是专家顾问的一个属性，而不是优化器的属性。法律必须在专家顾问中加以规定；专家顾问的想法必须尽可能全面和系统。但我不会对优化器提出这样的要求。我认为这是荒谬的，就像试图用一个能够概括 的优化器将绝对的任何专家顾问拉到任何时候和未来的盈利水平是荒谬的。没有规律，没有有利可图的想法和所谓的泛化能力，这不是元曲优化器的错，它可以优化。 唯一要做的是拟合曲线。
候选人，我不是说一个好的解决方案能在A处给出最大的利润。优化器在这方面做得更好：它在A上给出了一个绝对的最大值，但在样本外没有什么。根据NS学习模型，一个好的解决方案的可能候选者是B上的最大利润，同时在A上已经可以接受但不是最大利润。
关于你的评论：我几乎同意，只是不是A+B而是A+B+C。
2 维塔。 我想我在上一页已经说得很清楚了。 ...集合A、B、C不重叠。比如说。
A - 从2004年1月1日至2005年12月31日。
B - 2006年1月1日至2006年10月31日，和
C--从2006年11月1日到现在。
NS中数据长度的通常比例是A:B:C=60:20:20。
上帝与他们同在，A、B和C。它们在我的帖子里有不同的含义。它们不是时间轴。它们是优化产生的参数集。哦，来吧。