Andar para a frente análise do mercado forex

O Walk Forward Analyzer está agora livre Ir para a página Download para obter sua cópia gratuita Como você sabe se o seu consultor especialista é verdadeiramente rentável MetaTraders Strategy Tester doesnt dar-lhe toda a imagem Você está negociando com base em backtests muito otimista e decepcionado para encontrar Que o seu conselheiro perito está perdendo dinheiro em negociação ao vivo Você gostaria de saber se o seu consultor especialista é rentável, rápida e facilmente, sem perder dinheiro O Walk Forward Analyzer para MetaTrader O Walk Forward Analyzer usa MetaTraders próprio Strategy Tester para realizar uma análise de andamento . Usando as configurações e parâmetros de teste fornecidos pelo usuário. O software é fácil de usar, e pode fornecê-lo com uma análise walk forward completa em uma fração do tempo que levaria para você fazê-lo manualmente. Uma análise passo a passo determina se um consultor especialista é rentável quando negociar com parâmetros otimizados em dados fora da amostra. Qualquer consultor especialista pode produzir um resultado impressionante de otimização, mas o verdadeiro teste é se esses resultados se manterão quando testados em relação a dados futuros. O Walk Forward Analyzer executa esse processo muitas vezes ao longo de meses e anos de dados históricos, dando-lhe uma imagem precisa do verdadeiro desempenho de seu consultor especialista. Na conclusão de uma análise de progresso, você será apresentado com um detalhado relatório de análise de andamento, mostrando os resultados das execuções de teste e otimização, o total de lucro / perda de teste e o índice de eficiência para a frente. Que é uma medida de como seu sistema de comércio é robusto. Veja o Walk Forward Analyzer em ação Se você não estiver familiarizado com o procedimento de análise de andamento, leia What is Walk Forward Analysis para descobrir por que ele é o melhor método para determinar a robustez e potencial rentabilidade do seu sistema de negociação. O vídeo abaixo fornece uma explicação completa e tutorial do Walk Forward Analyzer para o MetaTrader: O que é Walk Forward Análise Walk forward anaylsis é o processo de otimização de um sistema de negociação usando um conjunto limitado de parâmetros e, em seguida, testar o melhor parâmetro otimizado definido em out De dados de amostra. Isto é similar a como você usaria seu perito em negociação ao vivo. Os princípios da análise de andamento foram descritos pela primeira vez no livro A Avaliação e otimização de estratégias de negociação por Robert Pardo. Para realizar uma análise de andamento em MetaTrader, primeiro otimize o consultor especialista no Strategy Tester. Em seguida, escolha o resultado mais lucrativo na guia Resultados de Otimização e execute um backtest durante um período de tempo imediatamente após o período de otimização. A data final do período de otimização é igual à data de início do período de teste. Este processo é repetido uma e outra até que se obtenha um tamanho de amostra satisfatório. Se o consultor perito executa bem em testes, em relação aos resultados de otimização, então pode-se concluir que o consultor perito será provavelmente rentável na negociação ao vivo. Se, por outro lado, o consultor especializado tiver um mau desempenho nos testes, então os parâmetros de otimização ou o comprimento dos períodos de teste e otimização precisarão ser ajustados. Se, após muitas tentativas, o consultor perito ainda não executar bem no teste, então pode-se concluir que o sistema de comércio não é rentável. A animação à direita ilustra o procedimento de análise em andamento. Uma otimização é realizada durante um período mais longo (os dados na amostra) e, em seguida, o conjunto de parâmetros otimizado é testado em um período menor subseqüente (os dados fora da amostra). Os períodos de optimização e de teste são deslocados para a frente, e o processo é repetido até ser obtido um tamanho de amostra adequado. Fonte Um exemplo de uma Análise Avançada Permite fornecer um exemplo da vida real: Vamos fazer uma análise em andamento em um consultor especialista, usando o EURUSD M30. Bem otimizar este consultor perito durante um período de 120 dias. Weve escolheu os 3 ou 4 parâmetros mais importantes para otimizar, de modo a não sobre-otimizar ou curva ajustar os resultados. Além disso, menos parâmetros significa um teste mais rápido. Bem, selecione o resultado mais rentável e backtest esses parâmetros durante um período de 30 dias imediatamente após o período de otimização. Recomenda-se usar um período de teste de aproximadamente 25 do período de otimização. Uma vez que nós temos registrado nossos resultados, mova bem o próximo período de otimização e teste em 30 dias. Depois de 12 rodadas consecutivas de otimização e testes, bem tem um ano de valor de dados de análise em andamento. Comparamos o lucro médio diário dos períodos de otimização com o lucro médio diário para os períodos de teste. Isso nos dará um cálculo chamado de relação de eficiência para frente. Um rácio de eficiência de marcha para frente superior a 0,5 é considerado um resultado muito bom. Isso é o que chamamos de sistema de negociação robusto. No entanto, um consultor perito é negociável, desde que seja consistentemente rentável ao longo de vários períodos de teste. Se o rácio de eficiência para a frente for negativo, então isso significa que o consultor perito não teve bons resultados relativamente aos seus resultados de optimização. Claro, você pode fazer uma análise passo a passo manualmente em MetaTraders Strategy Tester. Mas o processo é tedioso, demorado e propenso a erros. Este é o lugar onde o software Walk Forward Analyzer vem dentro O programa irá realizar automaticamente uma análise de andando para a frente usando MetaTraders Strategy Tester durante qualquer período de tempo, com apenas algumas configurações fornecidas pelo usuário. Por que quotWalk Forward Analysisquot ainda é pouco confiável e inútil Olá , Eu sou Darwin e hoje eu quero falar sobre as limitações que avançar análise sofre de. Este é o meu terceiro artigo, então se você não sabe como WFA funciona, por favor, leia os outros 2 (você pode encontrá-los aqui no fórum). O público-alvo deste artigo é todo mundo que lida com ExpertAdvisors e Backtesting / Walk Forward Analysis Alguns de vocês já podem ter visto alguns posts de mim onde eu falo sobre algumas pesquisas que eu faço nas áreas de Trading System Analysis (no decurso de Escrever um meta-algoritmo que pode construir, analisar e estratégias de comércio por conta própria). O objetivo é escrever um algoritmo que é tão poderoso que pode levar todas as EA e, devido a uma análise aprofundada, dizer-lhe como e quando trocá-lo, a fim de obter lucro, não importa quão bom ou ruim EA subjacente é Então aqui está um novo artigo em que eu gostaria de estabelecer algumas idéias que eu poderia obter no processo de escrever este algoritmo (DATFRA - Darwins Algorithmic Trading Framework) Bem, vamos começar. Minha primeira preocupação é que o projeto de Walk Forward Analysis é, em sua natureza, não recompensador e não o tipo de análise que um comerciante quer. Além disso, eu afirmo que os resultados de um WFA são mais ou menos aleatórios, e se um sistema funciona bem após um sucesso WFA, então não porque o teste foi bem sucedido, mas porque o comerciante projetar o sistema fez um bom trabalho. Neste artigo eu ainda não quero mostrar como esses problemas podem ser resolvidos, eu só quero demonstrar que eles existem. No meu próximo artigo vou explicar como eu acho que tudo isso pode ser resolvido de uma forma elegante. O problema de design fundamental Walk Forward Analysis é projetado para avaliar uma construção de negociação que você dá a ele. Esta construção consiste em: Sistema de Negociação (por exemplo, um Consultor Especializado) Mercado / Prazo (por exemplo, QUOTUSD / H4quot) Sistemas Intervalos de parâmetros (por exemplo quotMoving Período Médio de 50-150quot) Otimização (Na Amostra) Timespan (ex quotOptimise em 2 years of dataquot) (Por exemplo, quotForward Trade por um mês) Característica preferencial (por exemplo, comércio quotforward o candidato com lucro mais alto). Então tudo isso tem de ser pré-determinado pelo profissional, por intuição, e não baseado em fatos e dados verdadeiros. Mas deus, estas são as decisões mais importantes, como deve um quotguessess-las E então, WFA só será capaz de dizer se esta construção teria trabalhado no passado ou não, thats it. Assim, a fim de encontrar a melhor construção de negociação, você tem que usar trialamperror e repetir WFA etapa várias vezes. Isso, passo a passo, levaria até mesmo ao pior caso, seus testes fora de amostra quotunseenquot lentamente se tornaria quotknownquot na amostra de dados e toda a vantagem de WFA sobre backtesting iria desaparecer completamente. Este design problemas relacionados já estão mostrando que WFA não pode ser o fim da estrada em termos de análise do sistema. Em um mundo perfeito, você deve dar os algoritmos de análise apenas o sistema de negociação eo mercado / prazo, sem outros parâmetros. E então, o algoritmo deve dizer-lhe as melhores escolhas para todas as outras partes da construção comercial, com base em dados e fatos, e não o contrário. Nota lateral: não deve apenas dizer-lhe como o comércio de seus sistemas, ele deve dar-lhe as possibilidades de olhar para as características dos sistemas por conta própria. Você nunca deve ser forçado a confiar em qualquer algoritmo sem as possibilidades de verificar suas descobertas Isso é muito, muito importante. Não é muito valor para avaliar uma única construção de negociação, mas é um gamechanger se você pode olhar para as suas estratégias de uma forma que lhe permitiria apenas quotseequot como eles funcionam e qual a construção de negociação vai funcionar melhor (Mais sobre este No meu próximo artigo) Pior ainda: resultados não confiáveis ​​por falta de dados Ok, então mesmo se um comerciante poderia vir acima com uma boa construção comercial de intuição / conhecimento, WFA ainda seria uma coisa mais ou menos aleatória. Mas primeiro, vamos fazer um cálculo aproximado: Um sistema de negociação de exemplo e uma pequena estimativa de seu tamanho de parâmetro-size Então, um sistema que entra em negociações com base em um Crossover de Média Móvel e Indicador RSI, e sai deles usando um Crossover de Media Móvel diferente tem em Pelo menos 5 Parâmetros (2x2 para Limite RSI dos Períodos MA). Seus 6 se você levar em conta o StopLoss. Vamos dizer que o quotfastquot Moving Average Períodos pode ser 10-50 e os quotslowquot uns 50-250, o RSI limiar pode ser 1-100 eo StopLoss 50-150 pips (este não é um sistema real, apenas um exemplo) Assim, este sistema pode Já ser negociado em 4020040200100100 maneiras diferentes. Isso é 640 bilhões (640.000.000.000), que é um número enorme. Pode-se questionar a minha exata estratégia de exemplo, mas não pode questionar os milhões ou bilhões de possíveis combinações de parâmetros, mesmo para sistemas pequenos. Mas felizmente, se levarmos em conta que muitas dessas combinações de parâmetros se comportariam muito semelhantes, não precisamos avaliar todas elas, mas precisamos, pelo menos, de uma amostra significativa, como algumas centenas de milhares ou alguns milhões . Portanto, mantenha essa quantidade enorme em mente, mesmo para sistemas pequenos, porque com cada nova dimensão para nossos problemas de otimização o espaço de solução (cada novo parâmetro) a quantidade de possíveis combinações de parâmetros cresce exponencialmente. Walk Forward Análise - dados perdidos durante a otimização Ok, agora vamos olhar para o primeiro passo do WFA, eo primeiro problema: Dados perdidos por causa do projeto de algoritmo ineficiente e preocupações de tempo de computação. Durante o passo de otimização do WFA, o algoritmo deve, em um mundo perfeito, avaliar todas as 640 bilhões de combinações para determinar qual delas funciona melhor. É claro que isso não é possível, mas uma amostra muito significativa (digamos 500.000) seria viável e necessária se quisermos olhar para a imagem quotrealquot. O problema é que, devido às limitações dos algoritmos WFA, a otimização tem de ser feita em cada única Janela Avançar. Vamos dizer que fazemos um WFA em 10 anos de dados e nosso Forward Trading Timespan é de 2 semanas: Isso faz 240 Walk Forward Windows. Isso significa que 500.000 combinações de parâmetros testadas por janela precisariam de 120.000.000 simulações simples. E então, lembre-se que WFA depende de um princípio trialamperror, então você provavelmente terá que fazer isso algumas vezes. Você vê a avaliação da imagem quotrealquot demoraria muito, muito tempo e, portanto, a maioria das implementações WFA são forçados a avaliar apenas uma fração muito cortada do espaço de parâmetros reais, porque não é possível avaliar todo o espaço de parâmetros (ou uma amostra significativa do mesmo) Em um intervalo de tempo razoavelmente pequeno, porque a otimização tem de ser feita em cada WF-Window. Isto significa que WFA provavelmente não avalia 500.000 combinações de parâmetros por janela, mas apenas 10.000 ou 50.000 ou algo assim. Então, eventualmente, já perdemos como 90 de todos os dados nesta etapa. Este é um problema que poderia ser resolvido se o comerciante tem muito tempo para sua análise (o que não é provável, especialmente com base no método trialamperror), ou com um design mais eficiente desses algoritmos. No entanto, na práxis, este problema está sempre presente. Para comparação: DATFRA, que é meu projeto de pesquisa privado, só tem que fazer uma única simulação por combinação de parâmetros, não importa quantos WF-Windows ele analisa. No exemplo acima, isso já iria diminuir o tempo de computação pelo fator 240. Parêntese: Que tipo de dados olhamos quando analisamos sistemas de negociação, o que é um quotdatapointquot Eu vou falar sobre quotdatapointsquot e quotdataquot bastante freqüentemente neste artigo e em Meus posts, então aqui está uma explicação. Ao analisar sistemas, é sempre sobre uma trindade de informações. Lembre-se de como funciona o WFA: Assim, um ponto de dados, do qual 1 é gerado por janela de encaminhamento, consiste em: O desempenho na janela de otimização VERDADEIRO O desempenho na janela de negociação GREEN direta A combinação de parâmetros usada para este teste específico Então, Exemplo, um WFA geraria 240 deles, enquanto 120million (500k 240) seria possível para o nosso sistema de exemplo. Isso já deve dar-lhe dor de cabeça. Passo a passo Análise - toneladas de dados perdidos durante a negociação para a frente Ok, agora vamos olhar para a segunda etapa do WFA, eo segundo problema: Dados perdidos por causa do projeto de algoritmo errado e preocupações de tempo de computação. Agora lembre-se, uma amostra significativa de nosso sistema de negociação parameterspace seria 500.000, e temos 240 WF-Windows. Isso faria um total de 120.000.000 de otimização-candidatos. E desta grande quantidade, um algoritmo WFA leva o melhor por janela, 240 neste exemplo. Isso é 0,0002 do total de todos os datapoints que poderíamos usar para descrever / analisar este sistema e sua capacidade de produzir bons resultados de negociação a termo, com base em bons resultados de otimização. E, em seguida, WFA leva esses datapoints poucos e afirma que dá uma visão de alguma forma realista sobre um desempenho de sistemas de negociação / robustez. Isso é um absurdo Você também não iria julgar uma cor de imagens, olhando para 1 pixel, você Uma palavra sobre as flutuações e por que a combinação de parâmetro quotvery bestquot não é significativa Você poderia argumentar que não é importante se nós encaminhar o comércio todos os 500.000 candidatos por janela, Porque nós somos interessados ​​somente nos performers superiores, porque são esses que nós negociamos no realtiy. Bem, esse argumento só funcionaria se: Ignorássemos os 90 de dados perdidos na etapa de otimização. Os melhores candidatos seriam significativos, o que significa que todos os candidatos que estão seguindo (como os próximos 10 ou 20 ou 50, o que não é muito Em comparação com 500.000) se comportariam da mesma forma. Mas a realidade é diferente, o desempenho dos principais candidatos por janela flutua muito e levando o quotvery bestquot, portanto, leva a resultados mais ou menos aleatórios. Aqui estão alguns exemplos, eu traçado o desempenho de negociação a termo dos melhores (à esquerda) e os próximos 4 candidatos de algumas estratégias aleatórias que eu criei e avaliei com DATFRA. A maioria dos WF Windows analisados ​​pareciam estes: Estes foram apenas alguns exemplos para ilustrar o meu ponto de vista, eu poderia mostrar centenas ou milhares deles. Assim, para a imagem real, você teria pelo menos necessidade de avaliar algumas centenas dos principais candidatos, não apenas um, como ele não mostra a imagem quotrealquot. Seu desempenho é mais ou menos aleatório Um algoritmo de análise perfeito iria avaliar cada único candidato que fez pelo menos 1 lucro durante a otimização. Isso daria a imagem real e provavelmente 1000 ou 10.000 tantos datapoints do que o que um WFA dá. Aqui estão mais alguns exemplos, desta vez tracei o WFE global (vermelho) eo WFE de janelas individuais (verde) de algumas estratégias aleatórias que eu criei e avaliei com DATFRA. WFE (Walk Forward Efficiency) é uma medida que compara a amostra e fora da amostra de desempenho e é usado como a estatística sobre a robustez do sistema em WFA (google para ele se você quiser saber mais sobre ele) Isto mostra claramente o flucutating Natureza dos resultados que um WFA gera, e que o resultado final não está realmente dizendo muito sobre o seu desempenho esperado de negociação ao vivo. Btw: Para manter a escala de plotagem em limites eu fiz mapa todos os pontos gt 2.5 a 2.5 e todos os pontos lt -2.5 a -2.5, assim que o reallity é mesmo muito mais mau. Essa é também a razão pela qual a segunda imagem na segunda linha não parece quotrightquot Uma palavra sobre a viabilidade Por favor, não acho que eu só falo sobre teoria cinza aqui quotas não é possível fazer este tipo de simulações em um curto espaço de tempo suficiente De qualquer maneira Se o algoritmo for projetado bem, não se precisaria de uma única simulação para determinar o lucro futuro de negociação e não um novo procedimento de otimização para cada janela WF. Assim, para o exemplo utilizado, o DATFRA pode gerar 34.000.000 de pontos de dados de OptimizationGtForward Trade em 24 horas e em um PC mid-end (8GB Ram, quadcore 3GHZ). Ainda não 120millions, com certeza, mas em comparação com 240, eu acho que é um resultado muito bom. Portanto, é possível analisar um sistema com tal nível de insight, mesmo em hardware de hoje. Para todos afirmando que backtesting estratégias não funciona: Bem, na sua forma actual não, mas se você olhar para dados suficientes, que faz, e pode auxiliar um comerciante em tomar decisões financiadas. Para todos usando backtests / WFA: Não funciona dessa forma, você nunca pode confiar em seus resultados de análise, e se o seu EAs Trading Strategies / fazer lucro, então não por causa dos bons testes, mas porque você fez um trabalho muito bom design Em cerca de 1-2 semanas vou postar o meu próximo artigo, no qual vou explicar como funciona um algoritmo de análise de sistema state-of-the-state ultimative eo que pode ser feito com ele. Você vai ficar chocado, prometido. Você está apenas tentando vender coisas? As pessoas continuam me perguntando isso sempre que eu posto coisas. Não, eu postei isso porque eu quero discutir meus conceitos e pensamentos com outros comerciantes avançados. O benefício lateral é o efeito educativo para todos que está disposto a aprender mais sobre algotrading. E sim, estou desenvolvendo um algoritmo que é baseado nos conceitos que eu explico em meus artigos (especialmente o próximo) e que é capaz de resolver os problemas discutidos aqui. Bem, basicamente já o desenvolvi, na sua primeira versão alfa no momento e funciona muito bem. Mas eu estou desenvolvendo isso para o meu uso privado, então não, eu não estou aqui tentando vender coisas, como a maioria das pessoas lendo isso não terá a chance de purcase. Ele só será vendido para algumas pessoas, apenas o suficiente para que eu possa financiar minhas próprias contas de negociação (eu sou jovem e, portanto, preciso do dinheiro). Muito provavelmente eu vou limitar a quantidade de cópias vendidas ou vender apenas para comerciantes especializados ou apenas para companys ou cobrar dinheiro suficiente para a maioria ppl não vai querer ou vender cópias em leilões silenciosos ou. Bem, eu não sei ainda como vai funcionar, posso apenas dizer que vou mantê-lo privado para um pequeno círculo de poucos felizes, por isso não leia este artigo com o viés de quotthis cara só quer me vender stuffquot, obrigado. PS: Como sempre, basta adicionar-me no Skype se você quiser discutir mais e / ou querer ter mais informações sobre DATFRA: Darwin-FX é o meu SkypeID. Na verdade, não soou como um discurso de vendas até que você adicionou a seção no final. Você está apenas tentando vender coisas e começou a pensar sobre vendê-lo. Eu sei que eu poderia ter escondido isso, mas eu não gosto de pessoas com uma agenda escondida, as pessoas que não brincam com cartas abertas. Então, por que eu deveria me tornar um deles? Também não faz meus argumentos menos válidos. Parece que você está finalmente de volta ao teste de todo o conjunto de dados e mais em consonância com as idéias apresentadas no Systematic Trading, que da minha experiência são idéias de som. Eu acho que todos nós quottry outquot WFA em um momento ou outro, mas a ruptura é difícil de fazer. Não é o que você descreve essencialmente testar lotes de conjuntos de parâmetros e, em seguida, analisar os dados durante um longo período para fazer uma seleção mais consistente WFA constrói em instabilidade pela constante parâmetro de comutação. É difícil. Não, não volto a testar o conjunto de dados inteiro, pelo contrário. Fui mais um passo. Sim, testei muitos conjuntos de parâmetros, mas não analiso seu desempenho como um todo, mas dividi-os em partes quotpastquot e quotrelative futurequot, assim como o WFA. Eu lidar com o parâmetro constante de comutação de uma maneira simples: Eu transação para a frente de todos os conjuntos de parâmetros. Isso tem o benefício de remover a instabilidade e dá-lhe uma imagem mais ampla do seu sistema do que qualquer método de análise normal, mantendo a coisa boa sobre WFA: Analisa o desempenho do sistema de desempenho em relação futuro em relação ao passado. Dessa forma, eu posso manter os benefícios do WFA e combater a sua fraqueza, e no final eu recebo alguns milhões de medições passado-gtFuture (enquanto WFA recebe um deles por WF-Window). E usando esse método eu recebo informações suficientes para saber quando um sistema (futuro) funcionará bem ou não, o que nunca é possível com abordagens comuns de negociação sistemática, pois eles não dizem nada sobre pastlt-gtfuture relacionamentos Fazendo algumas primeiras experiências com técnicas de AI com base em Esses dados (ainda está em um estado alfa), estou mesmo confiante de que posso obter uma curva muito direta (sobre o custo do lucro, porque então você só pode negociar uma estratégia quando é muito quotsavequot). Então eu sou capaz de prever quando ele vai para baixo ou até um grau Você não pode fazer tudo isso com métodos de análise comuns, então eu nunca vou quotgo backquot para eles. Vou explicar que no meu próximo artigo, este é realmente apenas sobre a fraqueza de WFA. Mas eu não quero argumentar que o teste normal em todo o conjunto de dados é melhor, é muito pior. Se seus sistemas funcionam dessa maneira, só porque você fez um bom trabalho, porque eles são muito, muito pouco confiáveis. Eu realmente aprecio a sua imagem de exemplo, como sempre falei com um amigo que funciona como matemático sobre o tópico mencionado, e eu poderia ser capaz de entregar uma solução baseada em grade para uma amostragem mais eficaz da solução Espaço em outras versões. Difícil, infelizmente, em alfa eu não posso, ele só usa amostragem aleatória, então a questão é o que é uma amostra significativa de um espaço enorme e como localizá-lo. O método atual que eu uso é simples. Eu coleto dados por algum tempo e, em seguida, ver se os dados forma tendências claras ou se ainda é ruidoso Se ainda parece ruidoso / aleatório, eu continuo datamining até que ele mostra tendências claras. A segunda coisa a mencionar: Como eu não analisar o desempenho absoluto dos parâmetros, mas o desempenho deles em relação ao seu Pastlt - GtFuture-relationship, eu posso gerar milhões de pontos de dados fora destas 150.000 medições iniciais, o que ajuda a obter uma visão mais robusta com menor quantidade de parâmetros analisados. A imagem acima, por exemplo, foi gerada a partir das mesmas medidas iniciais / conjunto de dados, mas no lado direito eu extrai mais pontos de dados pastlt-gtfuture. Última coisa . Difícil eu não verificar a sua correção em testes empíricos: Eu acho que, se você analisar o problema acima mencionado olhando para 1 ou 2 parâmetros de uma só vez, você não precisa avaliar o conjunto de parâmetros inteiro. Por exemplo, você poderia analisar ATR e multiplicador de uma só vez, em relação ao lucro de negociação a termo. Ou duas MAs emparelhadas (rápidas e lentas), em relação ao lucro de negociação a termo. Em breve você terá uma amostra significativa das 466 possibilidades para seus parâmetros de stoploss, por exemplo. Então o que eu quero dizer é que a quantidade real de medições que você tem que fazer é muito menor do que o tamanho absoluto do seu espaço de pesquisa. No entanto, é claro, minha afirmação acima de analisar todo o espaço de parâmetros estava errada. Então o que eu quero dizer é que a quantidade real de medições que você tem que fazer é muito menor do que o tamanho absoluto do seu espaço de pesquisa. No entanto, é claro, minha afirmação acima de analisar todo o espaço de parâmetros estava errada. Pensamentos - Darwin Ive descobriu que você não precisa necessariamente testar cada combinação de parâmetros para obter uma boa imagem do que está acontecendo. Além disso, a discretização de parâmetro adequada pode ajudar a reduzir o número real de parâmetros que precisam ser testados. Por exemplo, se você estiver testando comprimentos de MA de 5 a 500, você pode selecionar 5-49 por uns, 50-150 por cinco e acima de 150 por dez ou mais. Quando você seleciona parâmetros de números grandes por aqueles que você aumenta a chance de overfitting. Não é tanto um problema para números discretos como é para números contínuos. Para números contínuos (reais) certifique-se de usar o arredondamento para um dígito significativo para intervalos de parâmetros. Por exemplo, ao escolher um limite de desvio padrão, você pode permitir 2 casas decimais para otimizar a 2.15 desvios faz sentido, mas 2.1502343343430343 não. Caso contrário, seu espaço de parâmetro explode com números reais que impedem o seu otimizador de encontrar parâmetros únicos Vou dizer que o que Darwin está propondo deve fazer um mais confiante na negociação de um sistema. Nada é tolo prova, mas esta abordagem é a melhor que eu vi até agora em comparação com outras abordagens. É difícil discutir o contrário. Se qualquer fornecedor comercial ousou aplicar isso ao seu sistema, eu suspeito que os resultados seriam humilhantes ou, pelo menos, causar uma mudança nos parâmetros. Uma questão potencial é que a abordagem se presta bem a sistemas que comercializam em barras abertas em prazos mais altos, mas que ainda deixam opções ilimitadas. Eu gostaria de ver mais. Por que você diz que o quotapproach presta-se bem a sistemas que o comércio em barra aberta em prazos mais altosquot Você pode dar um exemplo para que eu possa entender o que você quer dizer Darwin novo DAFTRA é configurado para conduzir uma enorme quantidade de WFA e, em seguida, . Se você tentou executar este tipo de análise em um EA que só funciona em dados de carrapatos, você pode estar sentado na frente de seu computador relativamente pequeno por alguns meses ou mais esperando o resultado. Seus cálculos brutos em ordem, mais e mais, provavelmente em um maxed fora CPU. Executar este tipo de teste é apenas realista na maioria dos computadores acessíveis quando você testar na barra aberta em períodos de tempo mais elevados. Se você testar na barra aberta M1, ou M5, então você tem o. Eu vejo o que você quer dizer. Na minha estrutura eu primeiro converter carrapatos para qualquer tipo de barra que eu estou olhando, em seguida, executar a barra de dados por barra para as otimizações. Eu tenho um tiquetaque por opção de carrapato, mas você está correto, o teste é muito lento. No que diz respeito à otimização, talvez este curso vai lançar alguma luz sobre melhores maneiras de fazê-lo (chegando em 5 dias): coursera. org/course/optimization Darwin Talvez você pode explicar a diferença entre os dois casos seguintes: Vamos dizer em ambos os casos 10.000 Estão sendo executadas. Método 1 - O método Darwins executa 10.000 combinações pela janela Walk forward e mantém o controle das estatísticas em cada segmento menor e as resume até o período completo testado para análise final. Método 2 - Executa 10.000 combinações sobre o. Divisão é mais rápido E depois, eu posso dividi-los em todos os sentidos que eu quero. Então, tentando em tempo de amostra de 1 ano, 2 anos e 3 anos Sem problema, tudo pode ser feito sem um único backtest mais Ive descobriu que você não necessariamente precisa testar cada combinação de parâmetros para obter uma boa imagem do que está acontecendo . Além disso, a discretização de parâmetro adequada pode ajudar a reduzir o número real de parâmetros que precisam ser testados. Por exemplo, se você estiver testando comprimentos de MA de 5 a 500, você pode selecionar 5-49 por uns, 50-150 por cinco e acima de 150 por dez ou mais. Quando você seleciona parâmetros de números grandes por aqueles que você aumenta a chance de overfitting. Não é tanto de um problema para números discretos como é contínuo. Verdadeiro, arredondamento é uma boa coisa a fazer ao lidar com flutuadores / dobra, mas devido a amostragem aleatória é mais ou menos irrelevante, uma vez que não percorrer todas as combinações possíveis. Portanto, se ele seleciona 2.150234 ou 2.15, os resultados serão os mesmos, e os pontos de dados serão tratados da mesma maneira (mais tarde, durante a análise). Darwins novo DAFTRA é configurado para conduzir uma enorme quantidade de WFA e, em seguida, crunch os resultados. Se você tentou executar este tipo de análise em um EA que só funciona em dados de carrapatos, você pode estar sentado na frente de seu computador relativamente pequeno por alguns meses ou mais esperando o resultado. Seus cálculos brutos em ordem, mais e mais, provavelmente em um maxed fora CPU. Executar este tipo de teste é apenas realista na maioria dos computadores acessíveis quando você testar na barra aberta em períodos de tempo mais elevados. Se você testar na barra aberta M1, ou M5, então você tem o. Quanto ao rápido dentro e fora: Bem, a maioria dos comerciantes profissionais usam períodos de tempo mais altos, menor freqüência de comércio e negócios mais duradouros, como eles sabem que a negociação não é sobre como fazer o maior número possível de negócios, mas sobre a exploração de ineficiências de forma robusta e confiável. Sistemas verdadeiros, complexos e rápidos com alta freqüência de negociação não precisam ser piores do que outros, mas nunca são tão confiáveis ​​e robustos. E espero que, com o poder de análise pesado da DATFRA, eu possa tornar esta afirmação ainda mais verdadeira