在优化结果上需要帮助 - 页 4 1234 新评论 [删除] 2011.02.22 19:46 #31 sergeyrar: 谢谢你的时间！!我真的很感激 根据以下测试结果，我只是非常幸运。 在整个期间（大约有23组50次交易--无法在一次测试中全部完成），最大的连续亏损交易量是41次（可能分在两组50次交易中）。 我应该更频繁地看到这种缩水？ 最终，如果我继续 "玩 "这个游戏，我将得到9%的时间，这种损失的打击？ 现在还有一件事 根据这份报告 我的平均盈利机会是8.85%，亏损机会是91.15%。 所以根据这个报告，连续50次亏损的机会是：0.9115^50 = 0.97% ... 这与9%相差甚远...这怎么可能呢？ 如果我在95.3%的时间内输掉，这将是正确的，在这样的百分比下，我的期望值将是负的O_O Ex= 0.953*(-23)+0.047*(247) = -10.31点每笔交易的利润 重要的是要明白，自动报告中计算和报告的统计数据是 "特定的时间序列"。 意味着它们实际上只与预测未来的交易特征有关，前提是市场本身具有相同的时间序列特征....，但由于明显的原因，这种情况实际上从未发生。 在试图从回溯测试报告的统计数据中预测未来时，你真的会无可救药地迷失。 在最坏的情况下，回溯测试的结果是完全和彻底的无用的，在最好的情况下，如果你已经正确地准备了回溯测试的方式，那么你可以产生一些数据块，让你谈论那些应该与回溯测试中使用的时间序列不相关的事情。 请记住，你不是在处理一个静止的过程。 实际上，你可能发现自己在回溯测试基础上计算的每一个统计数据都与提供未来结果的指示无关，因为母体分布从未被完全采样（它不可能被完全采样，因为它还不存在，时间创造了更多未采样的空间），分布的统计数据也在变化，如平均数和标准差。 正是考虑到这一点，人们应该将损失风险的计算视为 "最佳情况 "的结果，因为标准差在现实中更有可能比回溯测试期间遇到的有限采样所产生的结果更宽。 sergey 2011.03.07 17:26 #32 再次问好 :) 我把样本期从50个交易组改为每月计算，得出了以下结果。 假设这些数值分布正常（这里可能不是事实） 1.是否有办法在ROR计算中考虑到偏度和峰度？ 2. 这真的是一个正态分布吗？如果不是，还可以怎样处理？ [删除] 2011.03.08 00:09 #33 sergeyrar: 再次问好 :) 我把样本期从50个交易组改为每月计算，得出了以下结果。 假设这些数值分布正常（这里可能不是事实） 1.是否有办法在ROR计算中考虑到偏度和峰度？ 2.这真的是一个正态分布吗？如果不是，还可以怎样处理？ 你可能不熟悉的一句话是 "这就是问题所在"，我想它可以宽泛地翻译为 "魔鬼在细节中"，因为一旦你意识到细节的重要性，你就会发现这是一个需要处理的魔鬼。 是的，你假设了一个正态分布，而事实上你的结果并不代表正态分布。 顺便说一下，这完全是个题外话，但你可能会发现，如果你优化了bin的大小，你的直方图就会为你服务得更好。 直方图边框宽度的优化 我已经在MQL中实现了这个代码，如果你查看我的帖子，我甚至可能已经把它上传到这里。 但我要说的是，如果你决定追求它，这是你真正需要潜心研究和自学的东西之一，否则你不会真正理解为什么优化的bin-width直方图会有帮助或特别。 回到你的主题，你所发现的关键点是，当你对你的回测结果进行统计分析时，很多时候你会使用只有在你的数据是从高斯分布中抽取的样本才是严格意义上的统计。 人们在这个时候往往失败的地方是测试这个假设，验证他们在分析中应用归一化分布统计的合法性。 在这一点上，你达到了一个岔路口......你可以选择追求 "统计学上可定性的 "结果，也许会因为不符合归一化分布统计的原因而放弃看似最佳的结果，或者你寻求更普遍的方法来分析你的回测结果，这样的方法是强大的，为你提供有意义和有用的指标来预测未来结果。 这是我进行分析的一个例子，从中我顿悟了在回测特征中使用正态分布统计的愚蠢之处。 红点是数据点，绿色实线是红色数据点的最佳拟合高斯函数，浅蓝色线是最佳拟合广义高斯分布函数。 你是否有数学倾向，对追求超越传统的基于高斯分布的统计分析领域并不感到害怕？还是你更有可能发现这不是你的兴趣和风格，因此你宁愿放弃和忽略这些看似奇怪的结果，而追求符合更容易解释的指标的特征？ 在这一点上，你应该选择哪条路并没有共识，这更多的是一个个性和激情的问题。 做那些看起来自然和容易的事情。 Brian Dee - Random Trader 2011.03.08 00:45 #34 zzuegg: 利润并不是一个好的优化参数，利润因素和缩水更能说明一个策略。我赞成这个观点，也许可以重新调整一下思路。 一个健全的策略不应该需要太多的优化...？ 如果你是剥头皮的，应该有一个观察到的TP和SL的水平，你将会去做。 如果是网格交易，TP和SL是不言而喻的，就像区间交易那样 波段交易将需要基于ATR或Fibo的止损。 仓位交易 太少，无法产生任何有意义的优化统计，所以...... 我们要找的是什么？ 如果一个策略不是（实际）完整的，优化真的能弥补差异吗？ 恕我直言 -BB- pindurs 2011.03.23 19:01 #35 @BarrowBoy "一个健全的策略不应该需要太多的优化......？" 优化不能使一个好的策略从一个坏的策略中脱颖而出，但你不是更认为优化是为了找到揭示当下的机会的设置？ 1234 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
谢谢你的时间！!我真的很感激
根据以下测试结果，我只是非常幸运。
在整个期间（大约有23组50次交易--无法在一次测试中全部完成），最大的连续亏损交易量是41次（可能分在两组50次交易中）。
我应该更频繁地看到这种缩水？
最终，如果我继续 "玩 "这个游戏，我将得到9%的时间，这种损失的打击？
现在还有一件事
根据这份报告
我的平均盈利机会是8.85%，亏损机会是91.15%。
所以根据这个报告，连续50次亏损的机会是：0.9115^50 = 0.97% ...
这与9%相差甚远...这怎么可能呢？
如果我在95.3%的时间内输掉，这将是正确的，在这样的百分比下，我的期望值将是负的O_O
Ex= 0.953*(-23)+0.047*(247) = -10.31点每笔交易的利润
重要的是要明白，自动报告中计算和报告的统计数据是 "特定的时间序列"。 意味着它们实际上只与预测未来的交易特征有关，前提是市场本身具有相同的时间序列特征....，但由于明显的原因，这种情况实际上从未发生。
在试图从回溯测试报告的统计数据中预测未来时，你真的会无可救药地迷失。 在最坏的情况下，回溯测试的结果是完全和彻底的无用的，在最好的情况下，如果你已经正确地准备了回溯测试的方式，那么你可以产生一些数据块，让你谈论那些应该与回溯测试中使用的时间序列不相关的事情。
请记住，你不是在处理一个静止的过程。 实际上，你可能发现自己在回溯测试基础上计算的每一个统计数据都与提供未来结果的指示无关，因为母体分布从未被完全采样（它不可能被完全采样，因为它还不存在，时间创造了更多未采样的空间），分布的统计数据也在变化，如平均数和标准差。
正是考虑到这一点，人们应该将损失风险的计算视为 "最佳情况 "的结果，因为标准差在现实中更有可能比回溯测试期间遇到的有限采样所产生的结果更宽。
再次问好 :)
我把样本期从50个交易组改为每月计算，得出了以下结果。
假设这些数值分布正常（这里可能不是事实）
1.是否有办法在ROR计算中考虑到偏度和峰度？
2. 这真的是一个正态分布吗？如果不是，还可以怎样处理？
再次问好 :)
我把样本期从50个交易组改为每月计算，得出了以下结果。
假设这些数值分布正常（这里可能不是事实）
1.是否有办法在ROR计算中考虑到偏度和峰度？
2.这真的是一个正态分布吗？如果不是，还可以怎样处理？
你可能不熟悉的一句话是 "这就是问题所在"，我想它可以宽泛地翻译为 "魔鬼在细节中"，因为一旦你意识到细节的重要性，你就会发现这是一个需要处理的魔鬼。
是的，你假设了一个正态分布，而事实上你的结果并不代表正态分布。
顺便说一下，这完全是个题外话，但你可能会发现，如果你优化了bin的大小，你的直方图就会为你服务得更好。
直方图边框宽度的优化
我已经在MQL中实现了这个代码，如果你查看我的帖子，我甚至可能已经把它上传到这里。 但我要说的是，如果你决定追求它，这是你真正需要潜心研究和自学的东西之一，否则你不会真正理解为什么优化的bin-width直方图会有帮助或特别。
回到你的主题，你所发现的关键点是，当你对你的回测结果进行统计分析时，很多时候你会使用只有在你的数据是从高斯分布中抽取的样本才是严格意义上的统计。 人们在这个时候往往失败的地方是测试这个假设，验证他们在分析中应用归一化分布统计的合法性。
在这一点上，你达到了一个岔路口......你可以选择追求 "统计学上可定性的 "结果，也许会因为不符合归一化分布统计的原因而放弃看似最佳的结果，或者你寻求更普遍的方法来分析你的回测结果，这样的方法是强大的，为你提供有意义和有用的指标来预测未来结果。
这是我进行分析的一个例子，从中我顿悟了在回测特征中使用正态分布统计的愚蠢之处。
红点是数据点，绿色实线是红色数据点的最佳拟合高斯函数，浅蓝色线是最佳拟合广义高斯分布函数。
你是否有数学倾向，对追求超越传统的基于高斯分布的统计分析领域并不感到害怕？还是你更有可能发现这不是你的兴趣和风格，因此你宁愿放弃和忽略这些看似奇怪的结果，而追求符合更容易解释的指标的特征？
在这一点上，你应该选择哪条路并没有共识，这更多的是一个个性和激情的问题。 做那些看起来自然和容易的事情。
利润并不是一个好的优化参数，利润因素和缩水更能说明一个策略。
我赞成这个观点，也许可以重新调整一下思路。
一个健全的策略不应该需要太多的优化...？
如果你是剥头皮的，应该有一个观察到的TP和SL的水平，你将会去做。
如果是网格交易，TP和SL是不言而喻的，就像区间交易那样
波段交易将需要基于ATR或Fibo的止损。
仓位交易 太少，无法产生任何有意义的优化统计，所以......
我们要找的是什么？
如果一个策略不是（实际）完整的，优化真的能弥补差异吗？
恕我直言
-BB-