Caminhe análise para frente mercado forex

O Walk Forward Analyzer agora está livre Vá para a página de Download para obter sua cópia gratuita Como você sabe se o seu consultor especialista é realmente lucrativo MetaTraders Strategy Tester não lhe dá toda a imagem Você está negociando baseado em backtests excessivamente otimistas e decepcionado em encontrar que o seu consultor especialista está perdendo dinheiro na negociação ao vivo Gostaria de saber se o seu consultor especialista é lucrativo, rápido e fácil, sem perder dinheiro O Walk Forward Analyzer para MetaTrader O Walk Forward Analyzer usa o próprio Strategy Tester do MetaTraders para realizar uma análise . usando as configurações e os parâmetros de teste fornecidos pelo usuário. O software é fácil de usar e pode fornecer uma análise completa do avanço em uma fração do tempo que seria necessário para você fazer isso manualmente. Uma análise prospectiva determina se um consultor especialista é lucrativo ao negociar com parâmetros otimizados em dados fora da amostra. Qualquer consultor especialista pode produzir um resultado de otimização impressionante, mas o verdadeiro teste é se esses resultados serão mantidos quando testados sobre dados futuros. O Walk Forward Analyzer realiza esse processo várias vezes ao longo de meses e anos de dados históricos, fornecendo uma imagem precisa do verdadeiro desempenho de seu consultor especialista. Após a conclusão de uma análise prospectiva, você será apresentado a um relatório detalhado de análise de avanço da operação, mostrando os resultados das execuções de teste e otimização, o lucro / perda total do teste e a taxa de eficiência da eficiência operacional. que é uma medida de quão robusto é o seu sistema de negociação. Veja o Walk Forward Analyzer em Ação Se você não estiver familiarizado com o procedimento de análise de avanço, leia O que é o Walk Forward Analysis para descobrir por que ele é o melhor método para determinar a robustez e rentabilidade potencial do seu sistema de negociação. O vídeo abaixo fornece uma explicação completa e tutorial do Walk Forward Analyzer para MetaTrader: O que é o Walk Forward Analysis O walk forward anaylsis é o processo de otimização de um sistema de negociação usando um conjunto limitado de parâmetros e testando o melhor parâmetro otimizado dados de amostra. Isso é semelhante a como você usaria seu consultor especialista em negociação ao vivo. Os princípios da análise de caminhada foram descritos pela primeira vez no livro A avaliação e otimização de estratégias de negociação por Robert Pardo. Para realizar uma análise de avanço no MetaTrader, primeiro otimize o consultor especialista no Testador de Estratégia. Em seguida, escolha o resultado mais lucrativo na guia Resultados da otimização e faça um backtest durante um período de tempo imediatamente após o período de otimização. A data final do período de otimização é a mesma que a data de início do período de teste. Este processo é repetido várias vezes até que um tamanho de amostra satisfatório seja alcançado. Se o consultor especialista tiver bom desempenho nos testes, em relação aos resultados de otimização, pode-se concluir que o consultor especialista provavelmente será lucrativo na negociação ao vivo. Se, por outro lado, o consultor especialista tiver um mau desempenho nos testes, os parâmetros de otimização ou a duração dos períodos de teste e otimização precisarão ser ajustados. Se, depois de muitas tentativas, o consultor especialista ainda não tiver um bom desempenho no teste, pode-se concluir que o sistema de negociação não é lucrativo. A animação à direita ilustra o procedimento de análise de avanço da caminhada. Uma otimização é executada durante um período mais longo (os dados na amostra) e, em seguida, o conjunto de parâmetros otimizados é testado durante um período mais curto subseqüente (os dados fora da amostra). Os períodos de otimização e teste são transferidos para a frente e o processo é repetido até que um tamanho de amostra adequado seja atingido. Fonte Um exemplo de uma análise de análise prospectiva Permite fornecer um exemplo da vida real: Vamos fazer uma análise prospectiva de um consultor especialista, usando o EURUSD M30. Bem otimize este consultor especialista por um período de 120 dias. Escolhemos os 3 ou 4 parâmetros mais importantes para otimizar, de modo a não otimizar demais ou ajustar a curva aos resultados. Além disso, menos parâmetros significam um teste mais rápido. Bem, selecione o resultado mais lucrativo e faça o backtest desses parâmetros durante um período de 30 dias imediatamente após o período de otimização. Recomenda-se usar um período de teste de aproximadamente 25 da duração do período de otimização. Uma vez que tenhamos registrado nossos resultados, mova a próxima otimização e o período de testes para a frente em 30 dias. Após 12 rodadas consecutivas de otimização e teste, os dados de análise de análise prospectiva podem ter um ano de validade. Comparamos o lucro médio diário dos períodos de otimização com o lucro médio diário dos períodos de teste. Isso nos dará um cálculo chamado de taxa de eficiência de avanço. Um índice de eficiência de avanço superior a 0,5 é considerado um resultado muito bom. Isso é o que chamamos de sistema de negociação robusto. No entanto, um consultor especialista é comercializável desde que seja consistentemente lucrativo ao longo de vários períodos de teste. Se a taxa de eficiência de avanço é negativa, isso significa que o consultor especialista não teve um bom desempenho em relação aos resultados de otimização. É claro que você pode fazer uma análise de avanço manual no MetaTraders Strategy Tester. Mas o processo é tedioso, demorado e propenso a erros. É aqui que entra o software Walk Forward Analyzer. O programa executará automaticamente uma análise de avanço de caminhada usando o MetaTraders Strategy Tester em qualquer período de tempo, com apenas algumas configurações fornecidas pelo usuário. Por que "Andar em Frente Análise" ainda não é confiável e inútil Eu sou Darwin e hoje eu quero falar sobre as limitações que a análise da caminhada adiante sofre. Este é o meu terceiro artigo, então se você não sabe como o 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 devem ter visto algumas postagens minhas sobre as pesquisas que faço nas áreas de Análise de Sistema de Negociação (no curso de escrevendo um meta-algoritmo que pode construir, analisar e trocar estratégias por conta própria). O objetivo é escrever um algoritmo que seja tão poderoso que possa levar cada EA e, devido a uma análise profunda, lhe dizer como e quando negociá-lo, a fim de obter lucro, não importando quão bom ou ruim seja o EA subjacente. Então aqui está um novo artigo em que eu gostaria de dar algumas dicas que eu poderia obter no processo de escrever este algoritmo (DATFRA - Darwins Algorithmic Trading Framework) Bem, vamos começar. Minha primeira preocupação é que o design do Walk Forward Analysis seja, por sua natureza, pouco recompensador e não o tipo de análise que um comerciante deseja. Além disso, afirmo que os resultados de um WFA são mais ou menos aleatórios, e se um sistema funciona bem depois de um WFA bem-sucedido, não porque o teste foi bem-sucedido, mas porque o comerciante que projetou o sistema fez um bom trabalho. Neste artigo, eu ainda não quero mostrar como esses problemas podem ser resolvidos, apenas quero demonstrar que eles existem. No meu próximo artigo, explicarei como acho que tudo isso pode ser resolvido de maneira elegante. O problema fundamental do design O Walk Forward Analysis é projetado para avaliar uma construção de negociação que você dá a ele. Este construto consiste em: Sistema de Negociação (por exemplo, um Consultor Especialista) Intervalos de Parâmetro de Sistemas de Mercado / Prazo (ex .: quotEURUSD / H4quot) (por exemplo, "Média de Período Mover de 50-150") Otimização (em Amostra) Tempo de Espera (por exemplo: "Oitimise em 2 anos de dados") Negociação a termo (fora da amostra) Tempo de espera (por exemplo, "Negociação com Forward durante um mês") Característica preferida (por exemplo, "negociar" o candidato com maior lucro). Então tudo isso tem que ser pré-determinado pelo comerciante, fora da intuição, e não baseado em fatos e dados verdadeiros. Mas deus, estas são as decisões mais importantes, como alguém deveria citar? E então, a WFA só será capaz de lhe dizer se essa construção teria funcionado no passado ou não, é isso. Portanto, para encontrar a melhor estrutura de negociação, você precisa usar trialamperror e repetir a etapa WFA várias vezes. Isso, então, passo a passo, levaria ao pior caso, seus testes fora da amostra, por exemplo, lentamente se tornariam dados "conhecidos" dentro da amostra e toda a vantagem do WFA sobre o backtesting desapareceria completamente. Esses problemas relacionados ao design já estão mostrando que o WFA não pode ser o fim da estrada em termos de análise do sistema. Em um mundo perfeito, você deve dar aos algoritmos de análise apenas o sistema de negociação e o mercado / timeframe, sem outros parâmetros. E então, o algoritmo deve informar as melhores escolhas para todas as outras partes do conceito de negociação, com base em dados e fatos, e não o contrário. Nota: não deve apenas dizer-lhe como negociar seus sistemas, ele deve dar-lhe as possibilidades de olhar para as características do sistema em seu próprio país. Você nunca deve ser forçado a confiar em nenhum algoritmo sem as possibilidades de verificar suas descobertas. Isso é muito, muito importante. Não é muito valioso avaliar uma única estrutura de negociação, mas é um trocador de gamão se você puder analisar suas estratégias de uma forma que permita que você simplesmente cite como elas funcionam e que tipo de negociação funcionará melhor. Ainda pior: Resultados não confiáveis ​​devido à falta de dados Ok, então, mesmo que um trader consiga criar uma boa construção de negociação a partir da intuição / conhecimento, a WFA ainda seria uma coisa mais ou menos aleatória. Mas primeiro, vamos fazer um cálculo aproximado: um exemplo de sistema de negociação e uma pequena estimativa do tamanho do espaço de parâmetros. Assim, um sistema que entra em negociações com base em um Crossover Average Moving e RSI Indicator pelo menos 5 Parâmetros (2x2 para MA-Periods RSI Threshold). Seus 6 se você levar em conta o StopLoss. Digamos que os Períodos Médios Móveis quotfastfast podem ser 10-50 e os Quotslowquot 50-250, o limiar RSI pode ser 1-100 e o StopLoss 50-150 pips (isto não é um sistema real, apenas um exemplo). Então este sistema pode já ser negociado em 4020040200100100 maneiras diferentes. Isso é 640 bilhões (640.000.000.000), o que é um número bastante grande. Pode-se questionar minha estratégia de exemplo, mas não posso questionar os milhões ou bilhões de combinações de parâmetros possíveis, mesmo para sistemas pequenos. Mas, felizmente, se levarmos em conta que muitas dessas combinações de parâmetros se comportariam de maneira muito semelhante, não precisamos avaliar todas elas, mas precisamos de pelo menos uma amostra significativa delas, como algumas centenas de milhares ou alguns milhões . Assim, tenha em mente essa enorme quantidade, mesmo para sistemas pequenos, porque a cada nova dimensão para o nosso espaço de solução de problemas de otimização (a cada novo parâmetro) a quantidade de combinações de parâmetros possíveis cresce exponencialmente. Walk Forward Analysis - dados perdidos durante a otimização Ok, agora vamos dar uma olhada no primeiro passo do WFA, e o primeiro problema: Dados perdidos por causa do projeto ineficiente do algoritmo e preocupações com o tempo de computação. Durante a etapa de otimização do WFA, o algoritmo deve, em um mundo perfeito, avaliar todas as combinações de 640 bilhões para determinar quais delas funcionam melhor. Claro que isso não é possível, mas uma amostra significativa (digamos 500.000) seria viável e necessária se quisermos olhar para a imagem real. O problema é que, devido às limitações dos algoritmos WFA, a otimização deve ser feita em cada janela Walk Forward. Vamos dizer que fazemos um WFA em 10 anos de dados e nosso tempo de negociação para a frente é de 2 semanas: isso faz com que 240 Walk Forward Windows. Isso significa que 500.000 combinações de parâmetros testadas por janela precisariam de 120.000.000 de simulações simples. E então, lembre-se de que o WFA depende de um princípio trialamperror, portanto, você provavelmente terá que fazer isso algumas vezes. Você verá que a avaliação da imagem "cotealreal" demoraria muito, muito longa e, portanto, a maioria das implementações do WFA é forçada a avaliar apenas uma fração muito cortada do espaço de parâmetros real, porque não é possível avaliar o espaço de parâmetros inteiro (ou uma amostra significativa dele) em um período de tempo razoavelmente pequeno, porque a otimização deve ser feita em todas as janelas WF. Isso significa que o WFA provavelmente não avalia 500.000 combinações de parâmetros por janela, mas apenas 10.000 ou 50.000 ou algo parecido. Então, eventualmente, já perdemos 90 de todos os dados nesta etapa. Este é um problema que poderia ser resolvido se o trader tivesse muito tempo para sua análise (o que não é provável, especialmente baseado no método trialamperror), ou com um design mais eficiente desses algoritmos. No entanto, na práxis, esse problema está sempre presente. Para fins de comparação: DATFRA, que é meu projeto de pesquisa particular, só precisa fazer uma única simulação por combinação de parâmetros, não importa quantas WF-Windows sejam analisadas. No exemplo acima, isso já diminuiria o tempo de computação pelo fator 240. Parêntese: Que tipo de dados observamos ao analisar os sistemas de negociação, o que é um "ponto de dados" sobre os quais falarei sobre "cotações" e "dados" com bastante frequência neste artigo e em meus posts, então aqui está uma explicação. Ao analisar sistemas, trata-se sempre de uma trindade de informações. Lembre-se de como funciona o WFA: Portanto, um ponto de dados, do qual 1 é gerado por janela Walk Forward, consiste em: O desempenho na janela de otimização VERMELHA O desempenho na janela de negociação direta GREEN A combinação de parâmetros usada para este teste específico Por exemplo, um WFA geraria 240 deles, enquanto 120 milhões (500k 240) seriam possíveis para nosso sistema de exemplo. Isso já deve lhe dar dor de cabeça. Ande adiante análise - toneladas de dados perdidos durante a negociação para a frente Ok, agora vamos olhar para a segunda etapa do WFA e o 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 espaço de parâmetros de sistemas de negociação seria de 500.000 e temos 240 WF-Windows. Isso faria um total de 120.000.000 de candidatos à otimização. E fora dessa quantidade enorme, um algoritmo WFA leva o melhor por janela, 240 neste exemplo. Isso é 0,0002 da quantia total de todos os pontos de dados que poderíamos usar para descrever / analisar esse sistema e sua capacidade de produzir bons resultados de negociação futuros, com base em bons resultados de otimização. E, em seguida, o WFA considera esses poucos datapoints e afirma que ele fornece uma visão realista sobre o desempenho / robustez de um sistema de negociação. Isso não faz sentido Você também não julgaria uma cor de imagens olhando para 1 pixel, você poderia ter uma palavra sobre flutuações e por que a combinação de parâmetro "muito melhor" não é significativa? Você poderia argumentar que isso não é importante se encaminharmos todos os 500.000 candidatos por janela, porque estamos interessados ​​apenas nos de melhor desempenho, pois são aqueles com os quais negociamos. Bem, esse argumento só funcionaria se: Ignoraríamos 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, que não é muito comparado a 500.000) se comportaria da mesma maneira. Mas a realidade é diferente, o desempenho dos principais candidatos por janela flutua bastante e, por isso, levar o melhor resultado, portanto, leva a resultados mais ou menos aleatórios. Aqui estão alguns exemplos, eu tracei o desempenho de negociação para a frente dos melhores (à esquerda) e os próximos 4 candidatos de algumas estratégias aleatórias que criei e avaliei com o DATFRA. A maioria das janelas WF analisadas se parecia com estas: Estes foram apenas alguns exemplos para ilustrar meu ponto de vista, eu poderia mostrar centenas ou milhares deles. Assim, para o quadro real, você precisaria, pelo menos, avaliar algumas centenas dos principais candidatos, e não apenas um, já que ele não mostra a imagem real. Seu desempenho é mais ou menos aleatório Um algoritmo de análise perfeito avaliaria cada candidato que tivesse pelo menos um lucro durante a otimização. Isso daria a imagem real e provavelmente 1000 ou 10.000 tantos datapoints do que um WFA oferece. Aqui estão mais alguns exemplos, desta vez eu plotei o WFE geral (vermelho) e o WFE de janelas individuais (verde) de algumas estratégias aleatórias que criei e avaliei com o DATFRA. WFE (Walk Forward Efficiency) é uma medida que compara o desempenho dentro da amostra e fora da amostra e é usada como a estatística sobre a robustez do sistema no WFA (google for it, se você quiser saber mais sobre isso). a natureza dos resultados gerados por um WFA e que o resultado final não está realmente falando muito sobre o seu desempenho esperado de negociação ao vivo. Btw: Para manter a escala da plotagem em limites, mapeei todos os pontos, de 2,5 a 2,5 gt, e todos os pontos, de -2,5 a -2,5, de modo que a realidade é ainda muito pior. Essa é também a razão pela qual a segunda imagem na segunda linha não parece "correta". Uma palavra sobre viabilidade. Por favor, não pense que eu só falo sobre teoria cinza aqui, não é possível fazer este tipo de simulações em um curto período de tempo de qualquer maneira. Se o algoritmo for bem projetado, não será necessária uma única simulação adicional para determinar o lucro comercial futuro 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 datilografiaOptimizationgtForward Trade em 24 horas e em um PC intermediário (8GB Ram, quadcore 3GHZ). Ainda não há 120 milhões, claro, mas comparado a 240, acho que é um resultado muito bom. Por isso, é viável analisar um sistema com esse nível de percepção, mesmo no hardware de hoje. Para todos que afirmam que as estratégias de backtesting não funcionam: Bem, na sua forma atual não funciona, mas se você olhar dados suficientes, isso pode ajudar um comerciante a tomar decisões financiadas. Para todos que usam backtests / WFA: Não funciona dessa maneira, você nunca pode confiar nos seus resultados de análise, e se seus EAs / Trading Strategies tiverem lucro, não por causa dos bons testes, mas porque você fez um bom trabalho projetando Em cerca de 1 a 2 semanas, postarei meu próximo artigo, no qual explicarei como funciona um algoritmo de análise de sistema de última geração e o que pode ser feito com ele. Você será atordoado, prometido "Você está apenas tentando vender coisas?" As pessoas sempre me perguntam isso sempre que eu publico coisas. Não, eu postei isso porque quero discutir meus conceitos e pensamentos com outros operadores avançados. O benefício colateral é o efeito educacional para todos que estão dispostos a aprender mais sobre o algotrading. E sim, estou desenvolvendo um algoritmo baseado nos conceitos que eu explico em meus artigos (especialmente o próximo) e que é capaz de resolver os problemas discutidos aqui. Bem, basicamente eu já desenvolvi, está na primeira versão alfa no momento e funciona muito bem. Mas eu estou desenvolvendo isso para meu uso privado, então Não, eu não estou aqui tentando vender coisas para vocês, já que a maioria das pessoas que lêem isso não terá a chance de purificá-lo. 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). O mais provável é que eu limite a quantidade de cópias vendidas ou venda apenas para comerciantes especializados ou apenas para empresas ou cobrar dinheiro suficiente para que a maioria das pessoas não queira ou venda cópias em leilões silenciosos ou. Bem, eu não sei ainda como vai dar certo, eu posso apenas dizer que vou mantê-lo privado para um pequeno círculo de poucos felizes, então não leia este artigo com o viés de "esse cara só quer me vender coisas", obrigado. PS: Como sempre, basta me adicionar no Skype se você quiser discutir mais e / ou quiser ter mais informações sobre o DATFRA: Darwin-FX é meu SkypeID. Na verdade, não soava como um discurso de vendas até que você adicionou a seção no final "Você está apenas tentando vender coisas" e começou a pensar em vendê-la. Eu sei que eu poderia ter escondido isso, mas eu não gosto de pessoas com uma agenda escondida, pessoas que não jogam com cartas abertas. Então, por que eu deveria me tornar um deles? Também não torna meus argumentos menos válidos. Parece que você está finalmente de volta aos testes em todo o conjunto de dados e mais de acordo com as ideias apresentadas no Systematic Trading, que, a partir de minha experiência, são ideias sólidas. Acho que todos nós saímos da WFA de uma só vez ou de outra, mas a separação é difícil de fazer. Não é o que você descreve essencialmente testando muitos conjuntos de parâmetros e, em seguida, analisando os dados durante um longo período para fazer uma seleção mais consistente O WFA constrói em instabilidade pela troca constante de parâmetros. É difícil. Não, não volto a testar o conjunto de dados inteiro, muito pelo contrário. Eu fui um pouco mais longe Sim, eu testei muitos conjuntos de parâmetros, mas eu não analiso o desempenho deles como um todo, mas os separo em partes "cotadas" e "futuras", assim como o WFA faz. Eu lanço o parâmetro de comutação constante de uma maneira simples: eu avanço o comércio de todos os conjuntos de parâmetros. Isso tem o benefício de remover a instabilidade e fornece uma visão mais ampla do sistema do que qualquer método de análise normal, mantendo a boa idéia do WFA: analisa o desempenho do desempenho do sistema em um futuro relativo em relação ao passado. Dessa forma, posso manter os benefícios do WFA e enfrentar sua fraqueza e, no final, recebo alguns milhões de Medições Passadas (enquanto o WFA obtém uma delas por WF-Window). E usando esse método eu recebo informações suficientes para saber quando um sistema funcionará (futuro) ou não, o que nunca é possível com abordagens sistemáticas de negociação comuns, já que elas não dizem nada sobre relacionamentos futuros. esses dados (isso ainda está em um estado alfa) Estou até confiante de que posso obter uma curva muito reta (no custo do lucro, porque então você só pode negociar uma estratégia quando é muito quotsave). Então, eu sou capaz de prever quando isso vai diminuir ou até certo ponto. Você não pode fazer tudo isso com métodos comuns de análise, então eu nunca irei voltar atrás para eles. Eu explicarei que no meu próximo artigo, este é, na verdade, apenas sobre a fraqueza do 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, somente porque você fez um bom trabalho, porque eles são muito, muito pouco confiáveis. Membro do Commercial Cadastrou-se em Out 2013 305 Postagens Eu realmente aprecio a sua imagem de exemplo, como sempre eu conversei com um amigo que trabalha como matemático sobre o tópico mencionado, e eu poderia ser capaz de fornecer uma solução baseada em grade para uma amostragem mais efetiva da solução espaço em versões posteriores. Difícil, infelizmente, em alpha eu não posso, ele usa apenas amostragem aleatória, então a questão é o que é uma amostra significativa de um espaço de parâmetros tão grande e como identificá-lo. O método atual que uso é simples. Coleciono dados por algum tempo e, em seguida, vejo se os dados formam tendências claras ou se ainda são ruidosos Se ainda parecer barulhento / aleatório, continuo datando até que ele mostre tendências claras. Por exemplo (esquerda não é suficiente, à direita o suficiente): s14.directupload. net/images/140226/4ohohvj3.png A segunda coisa a mencionar: Como eu não analiso o desempenho absoluto dos parâmetros, mas o desempenho deles em relação à sua Pastlt - gtFuture-relationship, eu posso gerar milhões de datapoints a partir dessas 150.000 medições iniciais, o que ajuda a obter uma visão mais robusta com menor quantidade de parâmetros testados. A imagem acima, por exemplo, foi gerada a partir das mesmas medidas iniciais / conjunto de dados, mas do lado direito eu extraí mais datapoints pastt-gtfuture. Última coisa . difícil eu não verifiquei 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 o ATR e o multiplicador de uma só vez, em relação ao lucro comercial futuro. Ou dois MAs pareados (rápido e lento), em relação ao lucro de negociação futuro. 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 precisa fazer é muito menor que o tamanho absoluto do seu espaço de pesquisa. No entanto, é claro, minha declaração acima de analisar o espaço de parâmetros inteiro estava errada. Então, o que eu quero dizer é que a quantidade real de medições que você precisa fazer é muito menor que o tamanho absoluto do seu espaço de pesquisa. No entanto, é claro, minha declaração acima de analisar o espaço de parâmetros inteiro estava errada. Pensamentos - Darwin Ive descobriu que você não precisa necessariamente testar todas as combinações de parâmetros para obter uma boa imagem do que está acontecendo. Além disso, a discretização adequada dos parâmetros 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 de 5 a 49, 50 a 150 de cinco e acima de 150 de dez ou mais. Quando você seleciona parâmetros de números grandes, aumenta a chance de overfitting. Não é um problema tão grande para números discretos quanto para números contínuos. Para números contínuos (reais), certifique-se de usar o arredondamento para um dígito significativo para os intervalos de parâmetros. Por exemplo, ao escolher um limite de desvio padrão, você pode permitir duas casas decimais, de modo que otimizar para 2,15 desvios faz sentido, mas o 2,1502343343430343 não. Caso contrário, seu espaço de parâmetro explodirá com números reais que impedem seu otimizador de encontrar parâmetros exclusivos. Digo que o que Darwin está propondo deve tornar mais confiante na negociação de um sistema. Nada é à prova de erros, mas essa abordagem é a melhor que já vi até agora, em comparação com outras abordagens. É difícil debater o contrário. Se algum fornecedor comercial ousasse aplicar isso ao seu sistema, suspeito que os resultados seriam humilhantes ou, pelo menos, causariam uma mudança nos parâmetros. Uma questão potencial é que a abordagem se presta bem a sistemas que negociam em bar abertos em prazos mais altos, mas que ainda deixam opções ilimitadas. Eu gostaria de ver mais. Por que você diz que a abordagem se presta bem a sistemas que negociam em bar aberto em prazos mais altos? Você pode dar um exemplo para que eu possa entender o que você quer dizer? O novo DAFTRA está pronto para conduzir uma quantidade enorme de WFA e depois processar esses resultados . Se você tentou executar esse tipo de análise em um EA que só funciona com dados de ticks, você pode estar sentado em frente ao seu computador relativamente rápido por alguns meses ou mais, aguardando o resultado. Sua execução de computação bruta em ordem, mais e mais, provavelmente em uma CPU maximizada. A execução desse tipo de teste é realista apenas na maioria dos computadores acessíveis quando você testa a barra aberta em intervalos de tempo mais altos. Se você testar na barra aberta M1, ou M5, então você tem o. Eu vejo o que você quer dizer. No meu framework eu primeiro converto ticks para qualquer tipo de barra que eu esteja olhando, então corro pela barra de dados por barra para as otimizações. Eu tenho uma opção tick by tick, mas você está correto, o teste é muito lento. Em relação à otimização, talvez este curso venha lançar alguma luz sobre as melhores maneiras de fazê-lo (chegando em 5 dias): coursera. org/course/optimization Darwin Talvez você possa explicar a diferença entre os dois casos a seguir: Vamos dizer em ambos os casos 10.000 combinações de parâmetros estão sendo executadas. Método 1 - O método Darwins executa 10.000 combinações pela janela Caminhar para frente e mantém o controle das estatísticas em cada segmento menor e as soma até o período completo testado para análise final. Método 2 - Executa 10.000 combinações sobre o. Dividir é mais rápido E depois, eu posso dividi-los de todas as maneiras que eu quiser. Então, tentar tempo de amostra de 1 ano, 2 anos e 3 anos Não há problema, tudo pode ser feito sem um único backtest 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 adequada dos parâmetros 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 de 5 a 49, 50 a 150 de cinco e acima de 150 de dez ou mais. Quando você seleciona parâmetros de números grandes, aumenta a chance de overfitting. Não é um problema tão grande para números discretos quanto para contínuos. É verdade que o arredondamento é uma boa coisa quando se trata de carros alegóricos / duplos, mas devido à amostragem aleatória é mais ou menos irrelevante, pois não passa por todas as combinações possíveis. Portanto, se escolher 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 O novo DAFTRA está configurado para conduzir uma enorme quantidade de WFA e depois analisar esses resultados. Se você tentou executar esse tipo de análise em um EA que só funciona com dados de ticks, você pode estar sentado em frente ao seu computador relativamente rápido por alguns meses ou mais, aguardando o resultado. Sua execução de computação bruta em ordem, mais e mais, provavelmente em uma CPU maximizada. A execução desse tipo de teste só é realista na maioria dos computadores acessíveis quando você testa a barra aberta em intervalos de tempo mais altos. Se você testar na barra aberta M1, ou M5, então você tem o. Em relação ao fast in e out: Bem, afaik a maioria dos traders profissionais usam prazos mais altos, menor freqüência de negociação e negócios mais duradouros, pois eles sabem que negociar não é fazer o maior número possível de negociações, mas sim explorar ineficiências de maneira robusta e confiável. Sistemas verdadeiros, complexos e rápidos, com alta frequência de negociação, não precisam ser piores que outros, mas nunca são tão confiáveis ​​e robustos. E espero que com o forte poder de análise do DATFRA eu possa tornar esta afirmação ainda mais verdadeira