معلمات نظام التداول

التداول الكمي.
الاستثمار الكمي والأفكار التجارية، والبحث، والتحليل.
الأحد، 31 يناير 2010.
طريقة لتحسين المعلمات.
11 تعليقات:
عند التحدث عن بيانات خارج العينة، هل لديك رأي قوي حول اختبار المشي إلى الأمام؟ أنا أعرف روبرت باردو هو مؤيد كبير منه كأداة للتكيف مع تغيير (أي غير ثابتة) الأسواق.
والفشل في تعميم العينة خارج العينة عادة ما يكون مشكلة مع النماذج التي تميل إلى الإفراط في تركيبها، مثل الشبكات العصبية. النماذج التي كنت أبحث عنها، والاختلافات في النماذج المقترحة من قبل كونورس والفاريز في كتبهم، هي نماذج بسيطة جدا وأنا لا أتوقع أن يكون لديهم أي مشاكل خارج العينة.
اعتذاري - لقد أغفلت الفقرة التي ذكرت الاختبار إلى الأمام. الجداول الخاصة بك لم تظهر أن المعلمات المثلى المحسوبة في باكتست تنتج نتائج جيدة في اختبار خارج العينة.
شكرا لمحفظتك للرافعة المالية. لم أتوصل إليه قبل ذلك وسوف أدرسه قبل التعليق.
أستخدم أسعار الدولار، ولكنني لا أعتقد أنه أمر مهم.
فقط أتساءل ما الظهر اختبار النظام الذي تستخدمه؟ ولتثبيت البيانات متعدد الحدود مكعب هل تستخدم ماتلاب؟
يمكنني استخدام ماتلاب لبلدي باكتستينغ.
أما بالنسبة لملاءمة مكعب، يمكنك أن تطلب من الكتاب من الورقة الأصلية التي نقلت. (يمكنك بالطبع القيام بذلك في ماتلاب جدا، ولكن لم أكن أجري هذا البحث بنفسي.)
شكرا على الكتاب. انه حقا جيد. أنا أحاول تنفيذ بعض البرامج والقيام ببعض اختبار الظهر. لا أملك ماتلاب لأنني اكتشفت أنها مكلفة جدا لتداول الشركات الناشئة. هل هناك واحد آخر أن أوصي. أحاول أن البرنامج في R، لكنها بطيئة جدا الآن. هل لديك كل ما تبذلونه من الأمثلة في إكسيل، عن طريق أي فرصة.

أنظمة التداول: ما هو نظام التداول؟
نظام التداول هو ببساطة مجموعة من القواعد المحددة، أو المعلمات، التي تحدد نقاط الدخول والخروج لأسهم معينة. هذه النقاط، والمعروفة باسم إشارات، وغالبا ما تكون علامة على الرسم البياني في الوقت الحقيقي، ودفع التنفيذ الفوري للتجارة.
المتوسطات المتحركة (ما) مؤشر التذبذب العشوائي القوة النسبية بولينجر باندز & ريج؛ وفي كثير من الأحيان، سيتم الجمع بين شكلين أو أكثر من هذه المؤشرات في إنشاء قاعدة. على سبيل المثال، يستخدم نظام كروس أوفر مابين متوسطين متحركين، على المدى الطويل والقصير، لإنشاء قاعدة: "يشتري عندما يعبر المدى القصير فوق المدى الطويل، ويبيع عندما يكون العكس صحيحا". وفي حالات أخرى، تستخدم القاعدة مؤشرا واحدا فقط. على سبيل المثال، قد يكون للنظام قاعدة تحظر أي عملية شراء ما لم تكن القوة النسبية أعلى من مستوى معين. بل هو مزيج من كل هذه الأنواع من القواعد التي تجعل نظام التداول.
لأن نجاح النظام العام يعتمد على مدى أداء القواعد، يقضي تجار النظام الوقت الأمثل من أجل إدارة المخاطر، وزيادة المبلغ المكتسب في التجارة وتحقيق الاستقرار على المدى الطويل. ويتم ذلك عن طريق تعديل معلمات مختلفة داخل كل قاعدة. على سبيل المثال، لتحسين نظام كروسوفر ما، فإن المتداول اختبار لمعرفة أي المتوسطات المتحركة (10 يوما، 30 يوما، وما إلى ذلك) تعمل بشكل أفضل، ومن ثم تنفيذها. ولكن التحسين يمكن أن يحسن النتائج من خلال هامش صغير فقط - انها مزيج من المعلمات المستخدمة التي ستحدد في نهاية المطاف نجاح النظام.
يأخذ كل العاطفة من التداول - وغالبا ما استشهد العاطفة باعتبارها واحدة من أكبر العيوب من المستثمرين الأفراد. المستثمرون غير القادرين على التعامل مع الخسائر الثانية تخمين قراراتهم وينتهي بهم المطاف فقدان المال. من خلال اتباع صارم لنظام ما قبل المتقدمة، يمكن للتجار النظام تتخلى عن الحاجة إلى اتخاذ أي قرارات. وبمجرد تطوير النظام وتأسيسه، فإن التداول ليس تجريبي لأنه آلي. عن طريق خفض على عدم الكفاءة البشرية، يمكن للتجار النظام زيادة الأرباح.
أنظمة التداول معقدة - وهذا هو أكبر عيب. في المراحل التنموية، تتطلب أنظمة التداول فهما متينا للتحليل الفني، والقدرة على اتخاذ قرارات تجريبية ومعرفة دقيقة لكيفية عمل المعلمات. ولكن حتى لو كنت لا تطوير نظام التداول الخاص بك، فمن المهم أن تكون على دراية المعلمات التي تشكل واحد كنت تستخدم. اكتساب كل هذه المهارات يمكن أن يكون تحديا.

معلمات نظام التداول
ملاحظة: هذا موضوع متقدم إلى حد ما. يرجى قراءة دروس أفل السابقة أولا.
الفكرة وراء التحسين هو بسيط. أولا يجب أن يكون لديك نظام التداول، وهذا قد يكون بسيط المتوسط ​​المتحرك كروس على سبيل المثال. في كل نظام تقريبا هناك بعض المعلمات (كمتوسط ​​الفترة) التي تقرر كيف يتصرف النظام (أي هو مناسبة تماما على المدى الطويل أو القصير الأجل، كيف هو رد فعل على الأسهم شديدة التقلب، الخ). التحسين هو عملية إيجاد القيم المثلى لتلك المعلمات (إعطاء أعلى ربح من النظام) لرمز معين (أو مجموعة من الرموز). أميبروكر هي واحدة من عدد قليل جدا من البرامج التي تسمح لك لتحسين النظام الخاص بك على رموز متعددة في آن واحد.
لتحسين النظام لديك لتحديد من واحد تصل عشرة معلمات إلى أن يكون الأمثل. عليك أن تقرر ما هو الحد الأدنى والحد الأقصى المسموح به للقيمة المعلمة وفي ما الزيادات هذه القيمة يجب تحديث. أميبروكر ثم ينفذ اختبارات الظهر متعددة النظام باستخدام كل توليفات الممكنة من قيم المعلمات. عند الانتهاء من هذه العملية أميبروكر يعرض قائمة النتائج مرتبة حسب صافي الربح. كنت قادرا على رؤية قيم المعلمات الأمثل التي تعطي أفضل نتيجة.
كتابة صيغة أفل.
ويدعم الأمثل في اختبار الظهر عن طريق وظيفة جديدة تسمى الأمثل. بناء الجملة لهذه الدالة كما يلي:
فاريابل - هو متغير أفل العادي الذي يحصل على تعيين القيمة التي تم إرجاعها عن طريق تحسين الدالة.
مع باكتستينغ العادي والمسح الضوئي والاستكشاف وسائط كومنتاري وظيفة الأمثل ترجع القيمة الافتراضية، وبالتالي فإن الدعوة وظيفة أعلاه ما يعادل: متغير = الافتراضي.
في وضع الأمثل تحسين وظيفة ترجع القيم المتتالية من دقيقة إلى أقصى حد (إينكلوسيفيلي) مع خطوة يخطو.
ومثل. وصف ومثل. عبارة عن سلسلة تستخدم لتحديد متغير التحسين ويتم عرضها كاسم عمود في قائمة نتائج التحسين.
الافتراضي هو القيمة الافتراضية التي تحسن عوائد وظيفة في الاستكشاف، مؤشر، والتعليق، والمسح الضوئي وطبيعية وسائط اختبار الظهر.
دقيقة هي الحد الأدنى من قيمة المتغير يجري الأمثل.
ماكس هو الحد الأقصى لقيمة المتغير الذي يتم تحسينه.
الخطوة هي فاصل يستخدم لزيادة القيمة من دقيقة إلى الحد الأقصى.
أميبروكر يدعم ما يصل 64 مكالمات لتحسين وظيفة (وبالتالي تصل 64 متغيرات التحسين)، لاحظ أنه إذا كنت تستخدم الأمثل شامل ثم انها فكرة جيدة حقا للحد من عدد من المتغيرات الأمثل لعدد قليل فقط. كل دعوة لتحسين توليد (ماكس - دقيقة) / حلقات الخطوة الأمثل ومكالمات متعددة لتحسين مضاعفة عدد من أشواط المطلوبة. على سبيل المثال تحسين معلمتين باستخدام 10 خطوات تتطلب 10 * 10 = 100 حلقات الأمثل. استدعاء وظيفة تحسين فقط مرة واحدة لكل متغير في بداية الصيغة الخاصة بك كما أن كل مكالمة يولد حلقات التحسين الجديدة يتم دعم الأمثل رمز الأمثل بشكل كامل من قبل أميبروكر مساحة البحث الأقصى هو 2 64 (10 19 = 10،000،000،000،000،000،000) مجموعات.
1. واحد المتغير الأمثل:
سيغافغ = أوبتيميز ("سيغنال أفيراج"، 9، 2، 20، 1)؛
سيل = كروس (سيغنال (12، 26، سيغافغ)، ماسد (12، 26))؛
2. اثنين متغير الأمثل (مناسبة لرسم 3D)
بير = أوبتيميز ("بير"، 2، 5، 50، 1)؛
ليفيل = أوبتيميز ("ليفيل"، 2، 2، 150، 4)؛
سيل = كروس (ليفيل، تسي (بير))؛
3. متعددة (3) الأمثل المتغير:
مفاست = أوبتيميز ("ماسد فاست"، 12، 8، 16، 1)؛
مسلو = أوبتيميز ("ماسد سلو"، 26، 17، 30، 1)؛
سيغافغ = أوبتيميز ("سيغنال أفيراج"، 9، 2، 20، 1)؛
شراء = الصليب (ماسد (مفاست، مسلو)، إشارة (مفاست، مسلو، سيغافغ))؛
بيع = الصليب (إشارة (مفاست، مسلو، سيغافغ)، ماسد (مفاست، مسلو))؛
بعد إدخال الصيغة، انقر على زر التحسين في & كوت؛ التحليل التلقائي & كوت؛ نافذة او شباك. سيبدأ أميبروكر اختبار جميع التوليفات الممكنة من متغيرات التحسين والإبلاغ عن النتائج في القائمة. بعد إجراء التحسين يتم عرض قائمة النتيجة مرتبة حسب صافي الربح٪. كما يمكنك فرز النتائج من قبل أي عمود في قائمة النتائج فمن السهل للحصول على القيم المثلى للمعلمات لأدنى تراجع، أدنى عدد من الصفقات، أكبر عامل الربح، وأدنى تعرض السوق وأعلى معدل تعديل معدل العائد السنوي. تعرض الأعمدة الأخيرة لقائمة النتائج قيم متغيرات التحسين للاختبار المعطى.
عندما تقرر أي مجموعة من المعلمات تناسب احتياجاتك أفضل ما عليك القيام به هو استبدال القيم الافتراضية في تحسين المكالمات وظيفة مع القيم المثلى. في المرحلة الحالية تحتاج إلى كتابتها باليد في نافذة تحرير الصيغة (المعلمة الثانية من تحسين استدعاء وظيفة).
عرض الرسوم البيانية لتحسين الرسوم المتحركة ثلاثية الأبعاد.
لعرض مخطط التحسين ثلاثي الأبعاد، يجب تشغيل التحسين ثنائي المتغير أولا. يحتاج تحسينين متغيرين إلى صيغة تحتوي على 2 استدعاءات الدالة (). على سبيل المثال، تظهر صيغة التحسين ثنائية المتغير كما يلي:
بير = أوبتيميز ("بير"، 2، 5، 50، 1)؛
ليفيل = أوبتيميز ("ليفيل"، 2، 2، 150، 4)؛
سيل = كروس (ليفيل، تسي (بير))؛
بعد إدخال الصيغة، يجب النقر على & كوت؛ تحسين & كوت؛ زر.
بعد اكتمال التحسين، يجب النقر على السهم المنسدل على زر التحسين واختيار عرض الرسم البياني للتحسين ثلاثي الأبعاد. في بضع ثوان سوف تظهر مؤامرة سطح ثلاثي الأبعاد الملونة في إطار عارض الرسم البياني 3D. على سبيل المثال، يظهر الرسم البياني ثلاثي الأبعاد الذي تم إنشاؤه باستخدام الصيغة أعلاه.
بشكل افتراضي، تعرض المخططات ثلاثية الأبعاد قيم صافي الربح مقابل متغيرات التحسين. ومع ذلك يمكنك رسم مخطط سطح ثلاثي الأبعاد لأي عمود في جدول نتيجة التحسين. ما عليك سوى النقر على رأس العمود لفرزه (سيظهر السهم الأزرق يشير إلى أن نتائج التحسين مرتبة حسب عمود محدد)، ثم اختر عرض الرسم البياني للتحسين ثلاثي الأبعاد مرة أخرى.
من خلال تصور كيفية تأثير معلمات النظام على أداء التداول، يمكنك تحديد قيم المعلمة التي تنتج & كوت؛ هشة & كوت؛ والتي تنتج & كوت؛ قوية & كوت؛ أداء النظام. إعدادات قوية هي المناطق في الرسم البياني 3D التي تظهر تغييرات تدريجية بدلا من التغيرات المفاجئة في مؤامرة سطحية. 3D الرسوم البيانية الأمثل هي أداة عظيمة لمنع منحنى المناسب. يحدث الانحناء المناسب (أو الإفراط في التحسين) عندما يكون النظام أكثر تعقيدا مما يجب أن يكون، وكل ذلك التعقيد كان يركز على ظروف السوق التي قد لا تحدث مرة أخرى. التغييرات الجذرية (أو طفرات) في المخططات الأمثل 3D تظهر بوضوح المناطق الإفراط في التحسين. يجب عليك اختيار منطقة المعلمة التي تنتج هضبة واسعة واسعة على الرسم البياني 3D لتداول حياتك الحقيقية. مجموعات المعلمة إنتاج الأرباح الربح لن تعمل بشكل موثوق في التداول الحقيقي.
الضوابط 3D المشاهد الرسم البياني.
يوفر عارض الرسم البياني 3D أميبروكر قدرات مشاهدة كاملة مع دوران الرسم البياني الكامل والرسوم المتحركة. الآن يمكنك عرض نتائج النظام الخاص بك من كل منظور يمكن تصوره. يمكنك التحكم في الموقف والمعلمات الأخرى من المخطط باستخدام الماوس، شريط الأدوات واختصارات لوحة المفاتيح، كل ما تجد أسهل بالنسبة لك. أدناه سوف تجد القائمة.
- لتدوير - اضغط باستمرار على زر الماوس الأيسر والانتقال في اتجاهات X / Y.
- للتكبير، والتكبير التدريجي - اضغط باستمرار زر الماوس رايت والانتقال في اتجاهات X / Y.
- لنقل (ترجمة) - اضغط باستمرار على زر الماوس الأيسر ومفتاح كترل والانتقال في اتجاهات X / Y.
- للتحريك - اضغط باستمرار على زر الماوس الأيسر، اسحب بسرعة وأطلق زر أثناء السحب.
سباس - تحريك (تدوير تلقائي)
مفتاح السهم الأيسر - تدوير الرأس. اليسار.
مفتاح السهم لليمين - تدوير الرأس. حق.
أوب أرو كي - تدوير هوريز. فوق.
سهم لأسفل كي - تدوير هوريز. أسفل.
نومباد + (بلوس) - بالقرب (تكبير)
نومباد - (مينوس) - أقصى (تصغير)
نومباد 4 - تحرك اليسار.
نومباد 6 - تحرك الحق.
نومباد 8 - نقل ما يصل.
نومباد 2 - التحرك لأسفل.
بادج أوب - مستوى المياه يصل.
بادج دون - مستوى المياه إلى أسفل.
الذكية (غير شاملة) الأمثل.
تقدم أميبروكر الآن تحسينا ذكيا (غير شامل) بالإضافة إلى بحث شامل وشامل. ومن المفيد إجراء بحث غير شامل إذا كان عدد جميع توليفات المعلمات لنظام التداول المعطى أكبر من أن يكون مجديا للبحث الشامل.
البحث الشامل على ما يرام تماما طالما أنه من المعقول استخدامه. لنفترض أن لديك معلمتان لكل منهما تتراوح من 1 إلى 100 (الخطوة 1).
هذا هو 10000 تركيبات - موافق تماما للبحث شامل. الآن مع 3 المعلمات التي حصلت على 1 مليون تركيبات - فإنه لا يزال موافق للبحث شامل (ولكن يمكن أن يكون لينغتي). مع 4 معلمات لديك 100 مليون تركيبات ومع 5 معلمات (1..100) لديك 10 مليار تركيبات. في هذه الحالة سيكون وقتا طويلا جدا للتحقق من كل منهم، وهذا هو المجال حيث طرق البحث الذكية غير شاملة يمكن أن تحل المشكلة التي ليست قابلة للحل في وقت معقول باستخدام بحث شامل.
هنا على الاطلاق تعليمات أبسط كيفية استخدام محسن جديد غير شامل (في هذه الحالة سما-إس).
1. افتح الصيغة في محرر الصيغة.
2. أضف هذا السطر الواحد في أعلى الصيغة:
OptimizerSetEngine (ومثل، cmae ومثل؛)؛ // يمكنك أيضا استخدام & كوت؛ سبسو & كوت؛ أو & كوت؛ تريب & كوت؛ هنا.
3. (اختياري) حدد هدف التحسين في التحليل التلقائي، والإعدادات، و & كوت؛ المشي إلى الأمام & كوت؛ علامة التبويب، حقل الهدف الأمثل. إذا تخطيت هذه الخطوة فإنه سيتم تحسين ل كار / مد (العائد السنوي المركب مقسوما على الحد الأقصى٪ السحب).
الآن إذا قمت بتشغيل التحسين باستخدام هذه الصيغة، فإنه سيتم استخدام تطور جديد (غير شامل) سما-إس محسن.
كيف يعمل ؟
التحسين هو عملية إيجاد الحد الأدنى (أو الحد الأقصى) من وظيفة معينة. ويمكن اعتبار أي نظام تجاري دالة لعدد معين من الحجج. المدخلات هي المعلمات وبيانات الاقتباس، والناتج هو الهدف الأمثل الخاص بك.
(يقول كار / مد). وأنت تبحث عن أقصى وظيفة معينة.
وتستند بعض خوارزميات التحسين الذكية على الطبيعة (سلوك الحيوان) - خوارزمية بسو، أو العملية البيولوجية - الخوارزميات الجينية،
وبعضها يقوم على المفاهيم الرياضية المستمدة من قبل البشر - سما-إس.
وتستخدم هذه الخوارزميات في العديد من المجالات المختلفة، بما في ذلك التمويل. أدخل & كوت؛ بسو فينانس & كوت؛ أو & كوت؛ تمويل سما-إس & كوت؛ في غوغل وسوف تجد الكثير من المعلومات.
الطرق غير الشاملة (أو & كوت؛ الذكية & كوت؛) سوف تجد الأمثل العالمي أو المحلي. والهدف هو بالطبع العثور على واحد عالمي، ولكن إذا كان هناك ذروة حادة واحدة.
قد تفشل الطرق غير الشاملة في العثور على هذه الذروة المفردة، ولكن مع الأخذ في الاعتبار وجهة نظر التاجر، فإن إيجاد ذروة حادة واحدة غير مجدية للتداول لأن هذه النتيجة ستكون غير مستقرة (هشة جدا) ولا يمكن تكرارها في التداول الحقيقي. في عملية التحسين نحن بدلا من البحث عن مناطق الهضبة مع المعلمات مستقرة وهذا هو المجال حيث أساليب ذكية تألق.
أما الخوارزمية المستخدمة من قبل البحث غير الشامل فهي تبدو كما يلي:
أ) يولد المحسن بعض المجموعات العشوائية (عادة العشوائية).
ب) يتم تنفيذ باكتست بواسطة أميبروكر لكل مجموعة المعلمة من السكان.
ج) يتم تقييم نتائج باكتيستس وفقا لمنطق الخوارزمية.
وتولد السكان الجدد على أساس تطور النتائج،
د) إذا تم العثور على أفضل جديد - حفظه والذهاب إلى الخطوة ب) حتى يتم الوفاء بمعايير التوقف.
يمكن أن تشمل معايير التوقف مثال:
أ) الوصول إلى الحد الأقصى المحدد للتكرار.
ب) التوقف إذا كان نطاق أفضل القيم الموضوعية للأجيال X الأخيرة صفر.
ج) توقف إذا أضاف 0.1 ناقلات الانحراف المعياري في أي اتجاه محور رئيسي لا يغير قيمة القيمة الموضوعية.
لاستخدام أي محسن ذكي (غير شامل) في أميبروكر تحتاج إلى تحديد محرك محسن تريد استخدامها في صيغة أفل باستخدام الدالة أوبتميزيرسيتنجين.
تقوم الدالة باختيار محرك التحسين الخارجي المحدد بالاسم. أميبروكر حاليا السفن مع 3 محركات: محسن سرب الجسيمات القياسية (& كوت؛ سبسو & كوت؛)، القبائل (& كوت؛ تريب & كوت؛) و سما-إس (& كوت؛ كمي & كوت؛) - الأسماء في الأقواس لاستخدامها في مكالمات أوبتميزيرزيتنجين.
بالإضافة إلى اختيار محرك محسن قد ترغب في تعيين بعض المعلمات الداخلية. للقيام بذلك استخدام وظيفة أوبتميزيرزيتوبتيون.
أوبتيميزرزيتوبتيون (& كوت؛ نيم & كوت ؛، فالو).
وظيفة تعيين معلمات إضافية لمحرك التحسين الخارجي. المعلمات تعتمد على المحرك.
كل ثلاثة أمثلية شحنها مع أميبروكر (سبسو، تريب، كمي) دعم معلمتين: & كوت؛ تشغيل & كوت؛ (عدد مرات التشغيل) و & كوت؛ ماكسيفال & كوت؛ (الحد الأقصى للتقييمات (الاختبارات) في المدى الواحد). سلوك كل معلمة يعتمد على المحرك، لذلك قد القيم نفسها وعادة ما تسفر عن نتائج مختلفة مع محركات مختلفة المستخدمة.
الفرق بين تشغيل و ماكسفال كما يلي. التقييم (أو الاختبار) هو باكتست واحد (أو تقييم قيمة وظيفة موضوعية).
رن هو تشغيل واحد كامل من الخوارزمية (إيجاد القيمة المثلى) - وعادة ما تنطوي على العديد من الاختبارات (التقييمات).
كل تشغيل ببساطة ريستارتس عملية التحسين بأكملها من بداية جديدة (جديدة عشوائية السكان عشوائي).
لذلك كل تشغيل قد يؤدي إلى إيجاد مختلفة المحلية ماكس / دقيقة (إذا لم يجد العالمية واحدة). لذلك يعمل المعلمة يحدد عدد خوارزميات لاحقة يعمل. ماكسيفال هو الحد الأقصى لعدد التقييمات (باكتيستس) في أي تشغيل واحد.
إذا كانت المشكلة بسيطة نسبيا و 1000 الاختبارات كافية للعثور على أقصى العالمية، 5X1000 هو أكثر عرضة للعثور على الحد الأقصى العالمي.
لأن هناك فرص أقل أن تكون عالقة في ماكس المحلية، كما تشغيل لاحق سوف تبدأ من مختلف عشوائي عشوائي السكان.
يمكن أن يكون اختيار قيم المعلمات أمرا صعبا. ذلك يعتمد على المشكلة تحت الاختبار، وتعقيدها، وما إلى ذلك، الخ.
أي طريقة عشوائية غير شاملة لا تمنحك ضمانا لإيجاد الحد الأقصى / الحد الأدنى العالمي، بغض النظر عن عدد الاختبارات إذا كان أصغر.
من شاملة. أسهل إجابة هي: تحديد عدد كبير من الاختبارات كما هو معقول بالنسبة لك من حيث الوقت اللازم لإكمال.
نصيحة بسيطة أخرى هي مضاعفة من قبل 10 عدد من الاختبارات مع إضافة بعدا جديدا. وهذا قد يؤدي إلى المبالغة في تقدير عدد.
من الاختبارات المطلوبة، ولكنها آمنة تماما. تم تصميم محركات شحنها لتكون بسيطة للاستخدام، وبالتالي & كوت؛ معقولة & كوت؛ يتم استخدام القيم الافتراضية / التلقائية حتى يمكن تشغيل الأمثل عادة دون تحديد أي شيء (قبول الافتراضيات).
من المهم أن نفهم أن جميع أساليب التحسين الذكية تعمل بشكل أفضل في مساحات المعلمة المستمرة والوظائف الموضوعية على نحو سلس نسبيا. إذا كانت مساحة المعلمة خوارزميات تطورية منفصلة قد تواجه صعوبة في إيجاد القيمة المثلى. وهو صحيح خاصة بالنسبة للمعلمات الثنائية (تشغيل / إيقاف) - فهي ليست مناسبة لأي طريقة البحث التي تستخدم التدرج من تغيير وظيفة موضوعية (كما تفعل معظم الأساليب الذكية). إذا كان نظام التداول الخاص بك يحتوي على العديد من المعلمات الثنائية، يجب أن لا تستخدم محسن الذكية مباشرة عليها. بدلا من ذلك محاولة لتحسين المعلمات المستمرة فقط باستخدام محسن الذكية، والتبديل المعلمات الثنائية يدويا أو عن طريق البرنامج النصي الخارجي.
سبسو - معيار سرب الجسيمات محسن.
ويستند محسن سرب الجسيمات القياسية على رمز SPSO2007 الذي من المفترض أن تنتج نتائج جيدة شريطة أن يتم توفير المعلمات الصحيحة (أي تشغيل، ماكسيفال) لمشكلة معينة.
اختيار الخيارات الصحيحة للمحسن بسو يمكن أن تكون خادعة وبالتالي قد تختلف النتائج بشكل كبير من حالة إلى أخرى.
SPSO. dll يأتي مع رموز المصدر الكامل داخل & كوت؛ أدك & كوت؛ فرعي.
(إيجاد القيمة المثلى في 1000 الاختبارات ضمن مساحة البحث من 10000 مجموعات)
بوي = كروس (ماسد (فا، سي)، 0)؛
سيل = كروس (0، ماسد (فا، سي))؛
تريبيس - التكيف المعلمة أقل الجسيمات سرب محسن.
القبائل هو التكيف، المعلمة أقل نسخة من بسو (الجسيمات سرب الأمثل) محسن غير شاملة. للحصول على خلفية علمية انظر:
من الناحية النظرية يجب أن أداء أفضل من بسو العادية، لأنه يمكن ضبط تلقائيا أحجام سرب واستراتيجية خوارزمية للمشكلة التي يجري حلها.
وتظهر الممارسة أن أدائها يشبه إلى حد بعيد بسو.
و Tribes. DLL المساعد ينفذ & كوت؛ القبائل - D & كوت؛ (أي بدون أبعاد). استنادا إلى clerc. maurice. free. fr/pso/Tribes/TRIBES-D. zip التي كتبها موريس كليرك. رموز المصدر الأصلي المستخدمة بإذن من المؤلف.
Tribes. DLL يأتي مع شفرة المصدر الكامل (داخل & كوت؛ أدك & كوت؛ مجلد)
ومثل؛ MaxEval ومثل. - الحد الأقصى لعدد التقييمات (باكتيستس) لكل تشغيل (افتراضي = 1000).
الافتراضي 1000 هو جيد لمدة 2 أو 3 أبعاد كحد أقصى.
ومثل، يدير ومثل. - عدد من أشواط (إعادة تشغيل). (الافتراضي = 5)
يمكنك ترك عدد من تشغيل بالقيمة الافتراضية من 5.
يتم تعيين افتراضيا عدد من تشغيل (أو إعادة تشغيل) إلى 5.
لاستخدام محسن القبائل، تحتاج فقط لإضافة سطر واحد إلى التعليمات البرمجية الخاصة بك:
أوبتيميزرزيتوبتيون (& كوت؛ ماكسيفال & كوت ؛، 5000)؛ // 5000 التقييمات ماكس.
سما-إس - التكافؤ مصفوفة التكيف تطور استراتيجية التطور.
سما-إس (كوفاريانس مصفوفة التكيف استراتيجية التطور) هو محسن غير شاملة متقدمة.
للحصول على خلفية علمية انظر:
وفقا لمعايير علمية يفوق تسعة استراتيجيات أخرى، الأكثر شعبية التطورية (مثل بسو، التطور الوراثي والتفاضلي).
البرنامج المساعد CMAE. DLL ينفذ & كوت؛ العالمية & كوت؛ البديل من البحث مع عدة إعادة تشغيل مع زيادة حجم السكان.
يأتي CMAE. DLL مع شفرة المصدر الكاملة (داخل & كوت؛ أدك & كوت؛ مجلد)
يتم تعيين افتراضيا عدد من تشغيل (أو إعادة تشغيل) إلى 5.
ينصح بترك العدد الافتراضي لإعادة التشغيل.
يمكنك تغييره باستخدام أوبتيميزيرزيتوبتيون (& كوت؛ رونس & كوت ؛، N)، حيث يجب أن يكون N في النطاق 1..10.
تحديد أكثر من 10 أشواط غير مستحسن، وإن كان ذلك ممكنا.
لاحظ أن كل تشغيل يستخدم تويس حجم السكان من تشغيل السابقة حتى ينمو أضعافا مضاعفة.
لذلك مع 10 أشواط في نهاية المطاف مع السكان 2 ^ 10 أكبر (1024 مرات) من المدى الأول.
هناك معلمة أخرى & كوت؛ ماكسيفال & كوت ؛. القيمة الافتراضية هي صفر وهو ما يعني أن البرنامج المساعد سوف تلقائيا حساب ماكسيفال المطلوبة. ينصح بعدم تعريف ماكسيفال من قبل نفسك كما الافتراضي يعمل بشكل جيد.
خوارزمية ذكية بما فيه الكفاية لتقليل عدد من التقييمات المطلوبة وتتقارب سريع جدا إلى نقطة الحل، في كثير من الأحيان يجد الحلول أسرع من الاستراتيجيات الأخرى.
فمن الطبيعي أن البرنامج المساعد سوف تخطي بعض خطوات التقييم، إذا كان يكتشف أن تم العثور على حل، لذلك يجب أن لا يفاجأ أن شريط التقدم الأمثل قد تتحرك بسرعة كبيرة في بعض النقاط. البرنامج المساعد لديه أيضا القدرة على زيادة عدد الخطوات على القيمة المقدرة في البداية إذا كان هناك حاجة للعثور على الحل. نظرا لطبيعة التكيف، & كوت؛ الوقت المقدر المتبقي & كوت؛ و / أو & كوت؛ عدد الخطوات & كوت؛ عرض من قبل الحوار التقدم هو فقط & كوت؛ أفضل تخمين في الوقت & كوت؛ وقد تختلف خلال دورة التحسين.
لاستخدام محسن سما-إس، تحتاج فقط لإضافة سطر واحد إلى التعليمات البرمجية:
سيتم تشغيل هذا التحسين مع الإعدادات الافتراضية التي هي على ما يرام بالنسبة لمعظم الحالات.
وتجدر الإشارة إلى ذلك، كما هو الحال مع العديد من خوارزميات البحث كونتينووس الفضاء، أن تنخفض & كوت؛ خطوة & كوت؛ المعلمة في تحسين () مكالمات فونسيتون لا يؤثر بشكل كبير مرات التحسين. الشيء الوحيد الذي يهم هو مشكلة & كوت؛ البعد & كوت ؛، أي عدد من المعلمات المختلفة (عدد من المكالمات وظيفة الأمثل). عدد & كوت؛ الخطوات & كوت؛ لكل معلمة يمكن تعيين دون التأثير على الوقت الأمثل، وذلك باستخدام أفضل دقة تريد. من الناحية النظرية يجب أن تكون الخوارزمية قادرة على إيجاد حل في معظم 900 * (N + 3) * (N + 3) باكتيستس حيث & كوت؛ N & كوت؛ هو البعد. في الممارسة أنه يتلاقى الكثير أسرع. على سبيل المثال الحل في 3 (N = 3) الأبعاد المعلمة الفضاء (100 * 100 * 100 = 100 مليون خطوات شاملة) يمكن العثور عليها في عدد قليل من الخطوات 500-900 سما-إس.
متعدد الخيوط التحسين الفردية.
بدءا من أميبروكر 5.70 بالإضافة إلى تعدد تعدد الرموز رمز، يمكنك تنفيذ متعددة الخيوط رمز واحد الأمثل. للوصول إلى هذه الوظيفة، انقر على السهم المنسدل بجوار & كوت؛ تحسين & كوت؛ في نافذة التحليل الجديد وحدد & كوت؛ تحسين فردي & كوت ؛.
& كوت؛ التحسين الفردي & كوت؛ سوف تستخدم جميع النوى المعالج المتاحة لأداء الأمثل رمز واحد، مما يجعلها أسرع بكثير من التحسين العادية.
1. باكتستر مخصص غير معتمد (حتى الآن)
2. لا يتم دعم محركات التحسين الذكية - يعمل فقط إكساوستيف الأمثل.
في نهاية المطاف قد نتخلص من الحد (1) - عندما يتم تغيير أميبروكر لذلك مخصص باكتستر لا تستخدم أولي بعد الآن. ولكن (2) هو على الارجح هنا للبقاء لفترة طويلة.

تسل التجارة إلى باراميتر راتيو.
عبارة & لدكو؛ يبقيه بسيط & رديقو؛ له معنى كبير في أعمال تصميم نظام التداول. نظام التداول الذي يحتوي على عدد كبير من القواعد والمعلمات والمؤشرات أو أنماط مقارنة بعدد الصفقات في بيانات التدريب عادة ما تفشل في أداء في المستقبل. ويرجع ذلك إلى أن عدد المتغيرات أو المعلمات في النموذج يتناسب مع البيانات التي تستحوذ على عناصر فقط من عدد غير قليل من الصفقات. على سبيل المثال، إذا كان لدينا 4 سنوات من البيانات في عينة لدينا ويظهر كل فبراير الخسائر؛ هل يمكن أن نستنتج أن جميع شهر فبراير سيكون الخاسرين المضي قدما؟ وتفيدنا البراهين الإحصائية المختلفة بأن حجم سكاننا أكبر، كلما زادت فرصنا في تحديد توزيع هؤلاء السكان على نحو كاف. العمل مع قواعد البيانات الكبيرة يتم منح مطور نظام التداول فرصة لتطوير استراتيجيات على أسواق الثور، الدب والأفقي وأكثر من الأسواق مع آثار إحصائية متنوعة للغاية. لأنظمة التداول، وجود 100 الصفقات لكل معلمة في نموذجنا هو المطلوب. باستخدام تسل رأينا أنظمة متطورة تظهر مع التجارة لنسب المعلمة من أكثر من 600-1.
مختبر نظام التداول واختبار عينة من العينة.
خلال التصميم، البرنامج الجيني (غب) في تسل سوف تستخدم في نهاية المطاف سوى مجموعة فرعية صغيرة من المعلمات المقدمة إليها في بداية المدى. بدءا من 56 المدخلات، والنموذج النهائي قد يكون فقط 2-10 المعلمات المستخدمة في حين أن نظام التداول قد يكون الآلاف من الصفقات في بيانات التدريب. مع العلم أن أكثر من المناسب يمكن أن يكون مصدر قلق لأي خوارزمية تستند الذكاء الاصطناعي، فمن المهم استخدام خوارزمية أن يقلل من المعلمات بشكل كبير وسهل.
بالإضافة إلى ذلك، يحتوي تسل على خوارزمية منفصلة تعرف باسم بارسيموني بريسور والتي سوف تقلل من المعلمة العد التنازلي إلى أبعد من ذلك عن طريق اختيار النموذج الذي هو أقل تعقيدا حتى لو أنه لا يصلح تماما وكذلك النماذج الأخرى الناشئة خلال التطور.
حتى مع التجارة الكبيرة لنسبة المعلمة بعض الأنظمة التجارية قد لا تزال تظهر على خصائص المناسب. مطلوب اختبارات الإجهاد واضحة بشكل واضح. ويسمى اختبار الإجهاد المطلوب من اختبار عينة. من اختبار عينة يتم إنجازها من خلال تشغيل نظام التداول تطورت على البيانات التي لم تستخدم في عملية التصميم. في تسل، من اختبار عينة يتم إنجاز خلال تطور بحيث المسار العام الذي تطور يأخذ في كل من التدريب والمشي إلى الأمام البيانات يمكن ملاحظتها. إذا ظهر نظام تداول له نسبة تداول عالية إلى نسبة المعلمة التي تظهر أيضا صلبة من أداء العينة، وجود مستوى أعلى من الثقة أن نظام التداول سوف تستمر في أداء المضي قدما.