Trading System Zielfunktion

Wie man das Handelssystem optimiert ANMERKUNG: Dieses ist ziemlich vorgerücktes Thema. Bitte vorherige AFL Tutorials lesen. Die Idee hinter einer Optimierung ist einfach. Zuerst müssen Sie ein Handelssystem haben, kann dies eine einfache gleitende durchschnittliche Crossover zum Beispiel sein. In fast jedem System gibt es einige Parameter (als Mittelungsperiode), die entscheiden, wie sich das gegebene System verhält (d. h. ist gut geeignet für Langzeit - oder Kurzfristigkeit, wie reagiert er auf hochvolatile Bestände usw.). Die Optimierung ist der Prozess der Suche nach optimalen Werten dieser Parameter (mit dem größten Gewinn aus dem System) für ein bestimmtes Symbol (oder ein Portfolio von Symbolen). AmiBroker ist eines der wenigen Programme, mit denen Sie Ihr System auf mehrere Symbole auf einmal optimieren können. Zur Optimierung Ihres Systems müssen Sie von einem bis zu zehn zu optimierenden Parametern definieren. Sie entscheiden, was ein minimaler und maximal zulässiger Wert des Parameters ist und in welchen Schritten dieser Wert aktualisiert werden soll. AmiBroker führt dann mehrere Backtests durch, wobei das System ALLE mögliche Kombinationen von Parameterwerten verwendet. Wenn dieser Vorgang beendet ist, zeigt AmiBroker die Ergebnisliste nach Nettogewinn an. Sie können die Werte der Optimierungsparameter sehen, die das beste Ergebnis liefern. AFL-Formel schreiben Optimierung im Backtester wird über die neue Funktion optimize unterstützt. Die Syntax dieser Funktion lautet wie folgt: Variable optimize (Variable), Variable - ist normale AFL-Variable, die den von der Optimierungsfunktion zurückgegebenen Wert zugewiesen bekommt. Bei normalen Backtesting-, Scan-, Explorations - und Comentary-Modi gibt die Funktion optimize die Standardeinstellung zurück, sodass der obige Funktionsaufruf gleichbedeutend ist mit: variable default Im Optimierungsmodus optimiert die Funktion sukzessive Werte von min bis max (inkl. Beschreibungquot ist ein String, der verwendet wird, um die Optimierungsvariable zu identifizieren, und wird als Spaltenname in der Optimierungsergebnisliste angezeigt. Voreinstellung ist ein Vorgabewert, der die Funktionswiederkehr in Explorations-, Indikator-, Kommentar-, Scan - und normalen Rücktestmodi optimiert. Min ist ein Minimalwert der Variablen, die optimiert wird. Max ist ein Maximalwert der Variablen, die optimiert wird Wert von min bis max AmiBroker unterstützt bis zu 64 Aufrufe zur Optimierung der Funktion (also bis zu 64 Optimierungsvariablen), beachten Sie, dass, wenn Sie erschöpfende Optimierung verwenden, dann ist es wirklich eine gute Idee, die Anzahl der Optimierungsvariablen auf nur wenige zu beschränken. Jeder Aufruf zu optimieren generieren (max - min) Schritt Optimierung Schleifen und mehrere Aufrufe zu optimieren multiplizieren die Anzahl der erforderlichen Läufe. Zum Beispiel erfordert die Optimierung von zwei Parametern in 10 Schritten 1010 100 Optimierungsschleifen. Call Optimize-Funktion nur ONCE pro Variable am Beginn der Formel, da jeder Aufruf erzeugt eine neue Optimierung Schleifen Multiple-Symbol-Optimierung wird voll unterstützt durch AmiBroker Maximale Suchraum ist 2 64 (10 19 10.000.000.000.000.000) Kombinationen 1. Single Variable Optimierung: sigavg Optimize (Signal Durchschnitt 9. 2. 20. 1) Kaufen Cross (MACD (12. 26), Signal (12. 26. sigavg)) Verkauf Cross (Signal (12. 26. sigavg), MACD (12. 26)) 2. Zwei-Variable Optimierung (geeignet für 3D-Charting) pro Optimize (pro 2. 2. 50. 1) Level Optimize (Stufe 2. 2. 150. 4) Kaufen Cross (CCI (per), - Level) Verkaufen (MACD Fast, 12. 12. 16. 1.) mslow Optimize (MACD-Slow. 26. 17. 30. 1) sigavg Optimieren (Signal (Mfast, mslow, sigavg)) Verkauf Kreuz (Signal (mfast, mslow, sigavg), MACD (mfast, mslow)) Nach dem Betreten Klicken Sie einfach auf die Schaltfläche "Optimieren" im Fenster "Automatisches Analyse-Fenster". AmiBroker wird alle möglichen Kombinationen von Optimierungsvariablen testen und die Ergebnisse in der Liste melden. Nach der Optimierung wird die Ergebnisliste nach dem Nettogewinn dargestellt. Da Sie die Ergebnisse nach jeder Spalte in der Ergebnisliste sortieren können, ist es einfach, die optimalen Werte der Parameter für den niedrigsten Drawdown, die geringste Anzahl an Trades, den größten Gewinnfaktor, das niedrigste Marktrisiko und den höchsten risikoadjustierten Jahresertrag zu erhalten. Die letzten Spalten der Ergebnisliste zeigen die Werte der Optimierungsvariablen für den gegebenen Test an. Wenn Sie entscheiden, welche Kombination von Parametern Ihren Bedürfnissen am besten entspricht, sollten Sie die Standardwerte bei der Optimierung von Funktionsaufrufen durch die optimalen Werte ersetzen. Im aktuellen Schritt müssen Sie sie von Hand in das Formel-Edit-Fenster (der zweite Parameter für optimieren Funktionsaufruf) eingeben. 3D-animierte Optimierungsdiagramme anzeigen Um das 3D-Optimierungsdiagramm anzuzeigen, müssen Sie zuerst die Optimierung mit zwei Variablen durchführen. Zwei variable Optimierung braucht eine Formel mit 2 Optimize () - Funktionsaufrufen. Eine Beispiel-Zwei-Variablen-Optimierungsformel sieht wie folgt aus: pro Optimize (pro 2. 2. 50. 1) Level Optimize (Stufe 2. 2. 150. 4) Kaufen Cross (CCI (per), - Level) Verkauf Cross (Level, CCI (per)) Nachdem Sie die Formel eingegeben haben, müssen Sie auf die SchaltflächeOptimizequot klicken. Sobald die Optimierung abgeschlossen ist, klicken Sie auf den Dropdown-Pfeil auf die Schaltfläche Optimieren und wählen Sie 3D-Grafik anzeigen. In wenigen Sekunden erscheint eine bunte dreidimensionale Oberfläche in einem 3D-Diagramm-Viewer-Fenster. Ein Beispiel-3D-Diagramm, das anhand der obigen Formel erstellt wurde, ist unten gezeigt. Die 3D-Diagramme zeigen standardmäßig Werte des Nettogewinns mit Optimierungsvariablen an. Sie können jedoch 3D-Diagramm für jede Spalte in der Optimierung Ergebnis Tabelle. Klicken Sie einfach auf die Spaltenüberschrift, um sie zu sortieren (es wird ein blauer Pfeil angezeigt, der anzeigt, dass die Optimierungsergebnisse nach der ausgewählten Spalte sortiert werden) und dann erneut 3D-Optimierungsgraph auswählen. Indem Sie visualisieren, wie sich Ihre Systemparameter auf die Trading-Performance auswirken, können Sie leichter entscheiden, welche Parameterwerte quotfragilequot erzeugen und welche die Performance des Quotienten ersetzen. Robuste Einstellungen sind Regionen im 3D-Graphen, die allmähliche und nicht abrupte Änderungen in der Oberfläche zeigen. 3D-Optimierungsdiagramme sind ein hervorragendes Werkzeug, um Kurvenanpassungen zu vermeiden. Kurvenanpassung (oder Überoptimierung) tritt auf, wenn das System komplexer ist, als es sein muss, und all diese Komplexität konzentrierte sich auf Marktbedingungen, die nie wieder geschehen können. Radikale Änderungen (oder Spikes) in den 3D-Optimierungsdiagrammen zeigen deutlich über-Optimierungsbereiche. Sie sollten wählen, Parameter Region, die eine breite und breite Plateau auf 3D-Diagramm für Ihre realen Handel produziert. Parametersätze, die Gewinnspitzen erzeugen, funktionieren im realen Handel nicht zuverlässig. 3D-Diagramm-Viewer-Steuerelemente AmiBrokers 3D-Diagramm-Viewer bietet vollständige Betrachtungsmöglichkeiten mit voller Graph-Rotation und Animation. Jetzt können Sie Ihre Systemergebnisse aus jeder denkbaren Perspektive ansehen. Sie können die Position und andere Parameter des Diagramms mithilfe der Maus, der Symbolleiste und der Tastenkombinationen steuern, was auch immer Sie leichter finden. Nachstehend finden Sie die Liste. - zum Drehen - Halten Sie die linke Maustaste gedrückt und bewegen Sie sich in XY-Richtungen - zum Zoomen, Verkleinern - Halten Sie die RECHTS-Maustaste gedrückt und bewegen Sie sich in XY-Richtungen - verschieben (übersetzen) - Halten Sie die linke Maustaste und die STRG-Taste gedrückt Bewegen Sie sich in XY-Richtungen - an Animieren - halten Sie die linke Maustaste gedrückt, ziehen Sie schnell und lassen Sie den Knopf los, während Sie SPACE ziehen - animieren (automatisch drehen) LEFT PFEIL KEY - Links RECHTS PFEIL KEY - vertikal drehen. Rechts UP PFEILTASTE - rotieren horiz. Up DOWN PFEIL SCHLÜSSEL - drehen horiz. NUMPAD (NULL) NUMPAD NUMPAD NUMPAD NUMPAD NUMPAD NUMPAD NUMPAD NUMPAD NUMPAD NUMPAD NUMPAD NUMPAD NUMPAD NUMPAD NUMPAD NUMPAD NUMPAD NUMPAD NUMPAD NUMPAD NUMPAD NUMPAD - - Wasserstand nach unten Intelligente (nicht erschöpfende) Optimierung AmiBroker bietet neben einer regelmäßigen, umfassenden Suche auch eine intelligente (nicht erschöpfende) Optimierung. Eine nicht erschöpfende Suche ist nützlich, wenn die Anzahl aller Parameterkombinationen des gegebenen Handelssystems einfach zu groß ist, um für eine erschöpfende Suche durchführbar zu sein. Ausgefeilte Suche ist vollkommen in Ordnung, solange es vernünftig ist, es zu benutzen. Nehmen wir an, Sie haben 2 Parameter, die jeweils von 1 bis 100 reichen (Schritt 1). Thats 10000 Kombinationen - perfekt OK für erschöpfende Suche. Jetzt mit 3 Parametern bekamen Sie 1 Million Kombinationen - es ist noch ok für eine erschöpfende Suche (kann aber lenghty sein). Mit 4 Parametern haben Sie 100 Millionen Kombinationen und mit 5 Parametern (1..100) haben Sie 10 Milliarden Kombinationen. In diesem Fall wäre es zu zeitaufwendig, um alle von ihnen zu überprüfen, und dies ist der Bereich, wo nicht erschöpfende Smart-Search-Methoden können das Problem lösen, das nicht in angemessener Zeit mit aufwendiger Suche lösbar ist. Hier ist absolut die SIMPLEST-Anleitung, wie man einen neuen, nicht erschöpfenden Optimierer (in diesem Fall CMA-ES) einsetzt. 1. Öffnen Sie Ihre Formel im Formel-Editor 2. Fügen Sie diese Zeile am oberen Rand Ihrer Formel hinzu: OptimizerSetEngine (quotcmaequot) Sie können auch quotspsoquot oder quottribquot hier verwenden 3. (Optional) Wählen Sie Ihr Optimierungsziel in Automatic Analysis, Settings, quotWalk - Forwardquot-Registerkarte, Optimierungszielfeld. Wenn Sie diesen Schritt überspringen, wird er für CARMDD optimieren (zusammengesetzte Jahresrendite dividiert durch maximalen Drawdown). Jetzt, wenn Sie die Optimierung mit dieser Formel ausführen, wird es neue evolutionäre (nicht erschöpfende) CMA-ES-Optimierer verwenden. Wie es funktioniert Die Optimierung ist der Prozess der Suche nach Minimum (oder Maximum) der gegebenen Funktion. Jedes Handelssystem kann als Funktion einer bestimmten Anzahl von Argumenten betrachtet werden. Die Eingaben sind Parameter und Zitatdaten. Die Ausgabe ist Ihr Optimierungsziel (zB CARMDD). Und Sie suchen maximal eine gegebene Funktion. Einige der intelligenten Optimierungsalgorithmen basieren auf der Natur (Tierverhalten) - PSO-Algorithmus oder biologischem Prozess - Genetische Algorithmen, und einige basieren auf mathematischen Konzepten, die vom Menschen abgeleitet werden - CMA-ES. Diese Algorithmen werden in vielen verschiedenen Bereichen, einschließlich Finanzen verwendet. Geben Sie quotSO financequot oder quotCMA-ES financequot bei Google ein und Sie werden viele Infos finden. Nicht erschöpfend (oder quotsmartquot) Methoden finden globales oder lokales Optimum. Das Ziel ist natürlich, globale zu finden, aber wenn es eine einzelne scharfe Spitze aus Zillionen-Parameter-Kombinationen, nicht-erschöpfende Methoden nicht finden können, diese einzelne Spitze zu finden, aber nehmen sie Form Händler perspecive, finden einzelne scharfe Spitze ist nutzlos für Weil dieses Ergebnis instabil (zu zerbrechlich) und im realen Handel nicht replizierbar wäre. Im Optimierungsprozess suchen wir eher Plateaugebiete mit stabilen Parametern und das ist der Bereich, in dem intelligente Methoden leuchten. Was den durch nicht-erschöpfende Suche verwendete Algorithmus ansieht, sieht er wie folgt aus: a) Der Optimierer erzeugt eine (meist zufällige) Anfangspopulation von Parametersätzen b) Backtest wird von AmiBroker für jeden Parametersatz aus der Population durchgeführt c) die Ergebnisse von Backtests sind Ausgewertet nach der Logik des Algorithmus und neue Population wird basierend auf der Evolution der Ergebnisse generiert, d) falls neue am besten gefunden wird - speichern Sie sie und gehen Sie zu Schritt b), bis die Stoppkriterien erfüllt sind. Beispiele für Stoppkriterien können sein: a) Maximale Iterationen b) Stopp, wenn der Bereich der besten objektiven Werte der letzten X-Generationen Null ist. C) Stopp, wenn das Hinzufügen von 0,1 Standardabweichungsvektoren in einer beliebigen Hauptachsenrichtung den Wert des objektiven Werts nicht verändert. Erschöpfende) Optimierer in AmiBroker müssen Sie die Optimierer-Engine, die Sie in der AFL-Formel verwenden möchten, mit der OptimizerSetEngine-Funktion angeben. Die Funktion wählt die durch den Namen definierte externe Optimierungs-Engine aus. AmiBroker wird derzeit mit 3 Engines ausgeliefert: Standard Particle Swarm Optimizer (Querspiele), Tribes (Quottribquot) und CMA-ES (quotcmaequot) - die Namen in geschweiften Klammern werden in OptimizerSetEngine-Aufrufe verwendet. Zusätzlich zur Auswahl von Optimierer-Engine können Sie einige seiner internen Parameter einstellen. Verwenden Sie dazu die Funktion OptimizerSetOption. OptimizerSetOption (quotnamequot, value) Funktion Die Funktion setzt zusätzliche Parameter für die externe Optimierungs-Engine. Die Parameter sind motorabhängig. Alle drei Optimierer, die mit AmiBroker (SPSO, Trib, CMAE) ausgeliefert werden, unterstützen zwei Parameter: quotRunsquot (Anzahl der Läufe) und quotMaxEvalquot (maximale Auswertungen (Tests) pro Einzellauf). Das Verhalten jedes Parameters ist motorabhängig, so dass gleiche Werte können und in der Regel liefern unterschiedliche Ergebnisse mit verschiedenen Motoren verwendet. Der Unterschied zwischen Runs und MaxEval ist wie folgt. Auswertung (oder Test) ist ein Einzel-Backtest (oder Auswertung des Zielfunktionswerts). RUN ist ein Volllauf des Algorithmus (Optimalwert) - meist mit vielen Tests (Auswertungen). Jeder Lauf RESTARTS den gesamten Optimierungsprozess vom Neubeginn (neue anfängliche Zufallsbevölkerung). Daher kann jeder Lauf zu der Suche nach verschiedenen lokalen maxmin (wenn es nicht globale finden) führen. Der Parameter "Runs" definiert die Anzahl der folgenden Algorithmusläufe. MaxEval ist die maximale Anzahl von Auswertungen (Baktests) in einem einzigen Lauf. Wenn das Problem relativ einfach ist und 1000 Tests ausreichend sind, um globales Maximum zu finden, ist 5x1000 wahrscheinlicher, globales Maximum zu finden, da es weniger Chancen gibt, in lokalem Maximum zu stecken, da nachfolgende Durchläufe von unterschiedlicher anfänglicher Zufallspopulation beginnen Schwierig sein. Es hängt von Problemen im Test, seine Komplexität, etc., etc. Jede stochastische nicht erschöpfend Methode gibt Ihnen keine Garantie für die Suche nach globalen maxmin, unabhängig von der Anzahl der Tests, wenn es kleiner als erschöpfend ist. Die einfachste Antwort ist. Geben Sie als große Anzahl von Tests, wie es für Sie in Bezug auf die Zeit erforderlich ist, um abgeschlossen ist. Eine weitere einfache Beratung ist die Multiplikation von 10 die Anzahl der Tests mit dem Hinzufügen neuer Dimension. Das kann dazu führen, dass die Anzahl der erforderlichen Tests überschätzt wird, aber es ist ziemlich sicher. Ausgelieferte Motoren sind so konzipiert, dass sie einfach zu bedienen sind, so dass quotreasonablequot standardautomatic Werte verwendet werden, so Optimierung kann in der Regel ohne Angabe von etwas (Annahme von Vorgaben) ausgeführt werden. Es ist wichtig zu verstehen, dass alle intelligenten Optimierungsmethoden am besten in kontinuierlichen Parameterräumen und relativ reibungslosen Zielfunktionen funktionieren. Wenn der Parameterraum diskret ist, können evolutionäre Algorithmen Schwierigkeiten haben, einen optimalen Wert zu finden. Dies gilt insbesondere für binäre (onoff) Parameter - sie eignen sich nicht für jede Suchmethode, die den Gradienten der objektiven Funktionsänderung verwendet (wie die meisten intelligenten Methoden tun). Wenn Ihr Handelssystem viele binäre Parameter enthält, sollten Sie Smart Optimizer nicht direkt darauf verwenden. Stattdessen versuchen Sie, nur kontinuierliche Parameter mithilfe des intelligenten Optimierers zu optimieren und binäre Parameter manuell oder über ein externes Skript zu schalten. SPSO - Standard Particle Swarm Optimizer Der Standard Particle Swarm Optimizer basiert auf SPSO2007 Code, der gute Ergebnisse liefern soll, vorausgesetzt, dass korrekte Parameter (d. H. Runs, MaxEval) für ein spezielles Problem vorgesehen sind. Picking richtige Optionen für die PSO-Optimierer kann schwierig sein, die Ergebnisse können erheblich von Fall zu Fall variieren. SPSO. dll kommt mit vollständigen Quellcodes im quotADKquot Unterordner. Beispiel-Code für Standard-Partikelschwarm-Optimierer: (Optimierung des optimalen Wertes in 1000 Tests im Suchraum von 10000 Kombinationen) OptimizerSetEngine (quotStrsoquot) OptimizerSetOption (quotRunsquot, 1) OptimizerSetOption (quotMaxEvalquot, 1000) sl Optimize (quotsquot, 26, 1, 100, ) MACD (fa, sl), 0) Verkauf Cross (0, MACD (fa, sl)) TRIBES - Adaptive Parameter-weniger Partikel Swarm Optimizer Tribes ist anpassungsfähig , Parameterlose Version von PSO (Particle Swarm Optimization) nicht erschöpfender Optimierer. Für wissenschaftlichen Hintergrund siehe: particlewarm. infoTribes2006Cooren. pdf In der Theorie sollte es besser als reguläre PSO, denn es kann automatisch die Schwarmgrößen und Algorithmus-Strategie auf das Problem zu lösen. Praxis zeigt, dass seine Leistung ist ziemlich ähnlich PSO. Das Tribes. DLL-Plugin implementiert die Variante "Tribes-Dquot" (d. H. Dimensionslose). Basiert auf clerc. maurice. free. frpsoTribesTRIBES-D. zip von Maurice Clerc. Ursprüngliche Quellcodes, die mit Erlaubnis des Autors Tribes. DLL verwendet werden, werden mit vollem Quellcode (innerhalb des quadratischen Quellordners) unterstützt. Unterstützte Parameter: quotMaxEvalquot - maximale Anzahl von Auswertungen (Backtests) pro Lauf (Standard 1000). Sie sollten die Anzahl der Auswertungen mit zunehmender Anzahl von Dimensionen erhöhen (Anzahl der Optimierungsparameter). Die Voreinstellung 1000 ist für 2 oder 3 Dimensionen gut. QuotRunsquot - Anzahl der Durchläufe (Neustarts). (Standardeinstellung 5) Sie können die Anzahl der Durchläufe auf Standardwert 5 belassen. Standardmäßig wird die Anzahl der Durchläufe (oder Neustarts) auf 5 gesetzt. Um das Tribes-Optimierungsprogramm zu verwenden, müssen Sie Ihrem Code nur eine Zeile hinzufügen: OptimizerSetOption (quotMaxEvalquot , 5000) 5000 Bewertungen max CMA-ES - Kovarianz Matrix Anpassung Evolutionäre Strategie Optimierer CMA-ES (Covarianz Matrix Adaptation Evolutionary Strategy) ist ein fortgeschrittener, nicht erschöpfender Optimierer. Für wissenschaftlichen Hintergrund siehe: bionik. tu-berlin. deusernikocmaesintro. html Nach wissenschaftlichen Benchmarks übertreffen neun weitere, populärste evolutionäre Strategien (wie PSO, genetische und differentielle Evolution). Bionik. tu-berlin. deusernikocec2005.html Das CMAE. DLL-Plugin implementiert quotGlobalquot-Variante der Suche mit mehreren Neustarts mit zunehmender Populationsgröße. CMAE. DLL kommt mit vollem Quellcode (innerhalb des quadratischen Quellordners). Standardmäßig wird die Anzahl der Läufe (oder Neustarts) eingestellt Es wird empfohlen, die Standardanzahl der Neustarts zu verlassen. Sie können diese mit dem OptimizerSetOption (quotRunsquot, N) Aufruf variieren, wobei N im Bereich 1..10 liegen sollte. Die Angabe von mehr als 10 Läufen wird nicht empfohlen, obwohl möglich. Beachten Sie, dass jeder Lauf TWICE die Größe der Population des vorherigen Durchlaufs, so dass es exponentiell wächst. Daher mit 10 Läufen Sie am Ende mit Bevölkerung 210 größer (1024-mal) als der erste Lauf. Es gibt einen weiteren Parameter quotMaxEvalquot. Der Standardwert ist ZERO, dh das Plugin berechnet automatisch MaxEval. Es wird empfohlen, nicht zu definieren, MaxEval von sich selbst als Standard funktioniert gut. Der Algorithmus ist intelligent genug, um die Anzahl der erforderlichen Evaluierungen zu minimieren, und er konvergiert sehr schnell zum Lösungspunkt, so oft findet er Lösungen schneller als andere Strategien. Es ist normal, dass das Plugin einige Auswertungsschritte überspringt, wenn es feststellt, dass die Lösung gefunden wurde, daher sollten Sie nicht überrascht sein, dass sich die Optimierungsfortschrittsanzeige an einigen Stellen sehr schnell bewegen kann. Das Plugin hat auch die Fähigkeit, die Anzahl der Schritte über den ursprünglich geschätzten Wert zu erhöhen, wenn es benötigt wird, um die Lösung zu finden. Aufgrund seiner adaptiven Beschaffenheit ist die quittierte Zeit leftquot unddie Anzahl der durch den Fortschrittsdialog angezeigten Schrittequot nur im Zeitquot am besten und kann während des Optimierungskurses variieren. Um das CMA-ES-Optimierungsprogramm zu verwenden, müssen Sie Ihrem Code nur eine Zeile hinzufügen: Dadurch wird die Optimierung mit den Standardeinstellungen ausgeführt, die für die meisten Fälle in Ordnung sind. Es ist anzumerken, dass, wie es bei vielen Kontinente-Raum-Suchalgorithmen der Fall ist, dass der abnehmende Quotstepquot-Parameter in Optimize () Funciton-Aufrufe nicht signifikant die Optimierungszeiten beeinflusst. Das einzige, was zählt ist das Problem quotdimensionquot, d. h. die Anzahl der verschiedenen Parameter (Anzahl der Optimierung Funktionsaufrufe). Die Anzahl von quotstepsquot pro Parameter kann eingestellt werden, ohne die Optimierungszeit zu beeinflussen. Verwenden Sie daher die feinste Auflösung, die Sie benötigen. Theoretisch sollte der Algorithmus in der Lage sein, eine Lösung in höchstens 900 (N3) (N3) Backtests zu finden, wobei quotNquot die Dimension ist. In der Praxis konvergiert es eine LOT schneller. Beispielsweise kann die Lösung in 3 (N3) dimensionalen Parameterraum (z. B. 100100100 1 Million erschöpfende Schritte) in nur 500-900 CMA-ES-Schritten gefunden werden. Multi-Thread-Einzeloptimierung ab AmiBroker 5.70 zusätzlich zu Mehrfachsymbol-Multithreading. Können Sie eine Multi-Thread-Single-Symbol-Optimierung durchführen. Um auf diese Funktionalität zuzugreifen, klicken Sie auf den Dropdownpfeil neben der SchaltflächeOptimizequot im Fenster Neue Analyse und wählen Sie die Option Individuell optimieren. "Individual Optimizequot wird alle verfügbaren Prozessorkerne verwenden, um eine Einzel-Symbol-Optimierung durchzuführen, so dass es viel schneller als normale Optimierung. Im momentanen Symbolquotmodus wird die Optimierung auf einem Symbol durchgeführt. In quotAll symbolsquot und quotFilterquot-Modi wird es alle Symbole sequentiell verarbeiten, dh zuerst vollständige Optimierung für erstes Symbol, dann Optimierung auf zweitem Symbol, etc. Einschränkungen: 1. Custom Backtester wird NICHT unterstützt (noch) 2. Smart Optimierungs-Engines werden NICHT unterstützt - Nur EXHAUSTIVE Optimierung funktioniert. Schließlich können wir Beschränkung (1) - wenn AmiBroker geändert wird, so benutzerdefinierte Backtester verwendet keine OLE mehr. Aber (2) ist wahrscheinlich hier zu bleiben für long. Backtesting mechanischen Handelssysteme beinhaltet eine Menge von Optimierung: Testen und Ausführen eines Systems über eine Vielzahl von Parametern zu wählen, die ein (die), die die besten Ergebnisse zu produzieren. Aber was ist 8220best8221 Wie Sie die besten Ergebnisse messen, obwohl Compound Annual Growth Rate (CAGR) ist eine der ersten Metrik, die in den Sinn kommt (es ist die einfachste und direkteste). Allerdings betrachten dies: System A produziert eine größere CAGR 8211 auf Kosten der viel größeren Variabilität in den Ergebnissen. I don8217t wissen über Sie, aber 8220 zu einem Punkt8221, würde ich lieber eine glattere Eigenkapitalkurve und etwas schlechter CAGR (d. H. Auswahl System B) erhalten. Einführung IHR Bliss-Funktion Kurz gesagt, es gibt viele Möglichkeiten, wie gut ein System ist zu quantifizieren. Einer der ersten Schritte des Optimierungsprozesses besteht darin, über die Zielfunktion 8211 zu entscheiden, die verwendet wird, um die Leistung jedes im Optimierungslauf getesteten Systems zu messen und zu vergleichen (das Sharpe-Verhältnis ist eine solche Zielfunktion, die weithin für den Vergleich von Fonds verwendet wird Führungskräfte). Ed Seykota prägte den Begriff Bliss Function. Die sehr passt: Das System, das am besten auf Ihre Reihe von Kriterien wird Ihnen die meisten glückseligen Ergebnisse (Reichtum erhöhen, Frieden des Geistes). Nun betrachten Sie dies: MAR CAGR MaxDD (MaxDD schlechtesten Drawdown) System A ist sehr konsistent, aber seine Rückkehr ist sehr unaufregend. Möglicherweise gibt es einen Schwellenwert, in dem Sie bereit sind, mehr Risikoabweichung für mehr Belohnung zu akzeptieren (d. H., Das System B zu wählen, trotz seines niedrigeren Wertes für die Rückkehr zu Variabilität, wie das hier ausgewählte MAR). Und das ist der wichtigste Punkt für den Aufbau einer objektiven Bliss-Funktion: Die Glückseligkeit sollte Ihre eigene 8220goodness Maß8221 eines Handelssystems sein, mit Ihrer eigenen Formel und Kriterien. Wählen Sie eine Formel, die die besten Ergebnisse erzielen die besten Systeme für Sie produzieren wird. Und Sie erhalten so original wie Sie wollen Für den obigen Fall könnten Sie entscheiden, die Formel der Bliss-Funktion zu komplizieren, indem Sie eine willkürliche Anpassung Multiplikationsfunktion AM zu benachteiligen Systeme wie Bliss AM (CAGR) x MAR zu benachteiligen AM (x (Standard)) AM (x60) 1,5 (lohnende High-Return-Systeme) Eine kontinuierliche Funktion mit der gleichen Wirkung Wäre die logarithmische Funktion Varianz-Risiko Die Abkürzung von vielen genommen wird, um Rückkehr Varianz mit dem Risiko gleichzusetzen. Wenn das der Fall ist, wäre jede Ihrer bevorzugten Verhältnis oben wäre eine elegante Möglichkeit, risikoadjustierte Renditen zu messen. Allerdings Risiko und Abweichung Sind zwei vollständige verschiedene Tiere (LTCM hatte eine hervorragende Sharpe-Verhältnis, bis sie blies) Also, wie können Sie quantifizieren verstecktes Risiko. Raw Performance return nicht erlaubt es Ihnen zu identifizieren. Es hängt wirklich davon ab, was Sie als Risiko Kann in all diesen Aspekten einer Strategie enthalten sein, die Sie Risikosituationen (denken Black Swans) aussetzen, auch wenn sie nicht materialisieren. Zeit auf dem Markt könnte hier relevant sein: Wenn alles gleich ist, könnten Sie lieber eine Strategie auf dem Markt 30 der Zeit als 75 - weniger Chance, von diesem 6-Sigma-Ereignis getroffen werden). Leverage hat einen direkten Einfluss auf die quantitativen Auswirkungen eines solchen Ereignisses. Möglicherweise möchten Sie Maßnahmen wie die durchschnittliche Margin-Equity-Verhältnis (ME) in Ihre Bliss Formel einführen. Durch Addition der 2 Komponenten mit beliebigen Koeffizienten würde die Formel: Bliss ln (CAGR 1) x MAR - 0.5 x ME - 0.1 x TimeInMkt zusätzliche Parameter Bisher haben wir ziemlich standardisierte Metriken für Handelssysteme abgedeckt. Aber vielleicht möchten Sie Ihre eigenen Kriterien hinzufügen. Ein solches Kriterium, das interessant sein könnte, ist eine Form der Robustheit. Dies wird Gegenstand eines Follow-up-Post. In Closing Kommen Sie mit Ihrer eigenen Glückseligkeit Funktion ist grundsätzlich verwechselt die verschiedenen Metriken Ihres Handels-System (absolute Leistung, Varianz, Risiko und möglicherweise andere Faktoren wie Robustheit), die für Sie von Bedeutung. Dieser Beitrag versucht, das Konzept und Denkprozess anstatt eine vollständige oder exakte Bliss-Funktion hervorzuheben. Um das Konzept der Glückseligkeit zu erweitern, können Begriffe wie Walk-Forward-Tests die Glückseligkeit nutzen und als objektivselektive Funktion nutzen. Man kann argumentieren, dass es so viele Seligkeitsfunktionen gibt, wie es Händler gibt. Die Schwierigkeit liegt darin, seine Formel zu finden und zu formulieren. 52 mos, 1 wk ago Ein Vorschlag, den Howard Bandy macht, ist 1. eine Reihe von Walk-Forward-Tests durchzuführen, die auf verschiedene Zielfunktionen wie Calmar-Verhältnis, k-Verhältnis, Ulcer-Index usw. optimiert sind. 2. Drucke die Eigenkapitalkurven Und legen Sie sie auf einen Tisch und 3. wählen Sie die Zielfunktion auf der Grundlage der Equity-Kurve, die Ihnen am besten gefällt. In gewissem Sinne ist dies eine elegante Möglichkeit, die Berechnung Ihrer eigenen Glücksfunktion visuell durchzuführen. Erfolg Kommentar hinzugefügt. Rsaquo Aktualisieren Sie die Seite, um Ihren Kommentar zu sehen. (Wenn Ihr Kommentar eine Moderation erfordert, wird sie demnächst hinzugefügt.) Zielfunktionsentwurf in einem grammatischen evolutionären Handelssystem Die Zielfunktion eines Optimierungsproblems definiert das Ziel, in dem Suchraum und Domäne der Entwurfsvariablen 19,26 maximiert oder minimiert zu werden. Eine gut formulierte Zielfunktion hilft dem Suchprozess, während eine schlecht formulierte Zielfunktion zu unangemessenen oder falschen Lösungen führen kann. Abstrakt Zusammenfassung Zusammenfassung ABSTRAKT: Software-Testen ist ein wichtiger, aber komplexer Teil der Software-Entwicklung Lebenszyklus. Die Optimierung des Software-Testprozesses ist eine große Herausforderung, und die Generierung der unabhängigen Testwege bleibt unbefriedigend. In diesem Beitrag stellen wir einen Ansatz vor, der auf dem metaheuristischen Firefly-Algorithmus basiert, um optimale Testwege zu erzeugen. Um die Testfallpfade zu optimieren, verwenden wir einen modifizierten Firefly-Algorithmus, indem wir eine geeignete Zielfunktion definieren und eine Führungsmatrix beim Durchlaufen des Graphen einführen. Unsere Simulationen und Vergleiche zeigen, dass die erzeugten Testwege kritische und optimale Pfade sind. Artikel Feb. 2013 Praveen Ranjan Srivatsava B. Mallikarjun Xin-She Yang Die objektive Funktion eines Optimierungsproblems definiert das Ziel, in dem Suchraum und der Domäne der Entwurfsvariablen 19,26 maximiert oder minimiert zu werden. Eine gut formulierte Zielfunktion hilft dem Suchprozess, während eine schlecht formulierte Zielfunktion zu unangemessenen oder falschen Lösungen führen kann. Abstrakt Zusammenfassung Zusammenfassung ABSTRAKT: Software-Testen ist ein wichtiger, aber komplexer Teil der Software-Entwicklung Lebenszyklus. Die Optimierung des Software-Testprozesses ist eine große Herausforderung, und die Generierung der unabhängigen Testwege bleibt unbefriedigend. In diesem Beitrag stellen wir einen Ansatz vor, der auf dem metaheuristischen Firefly-Algorithmus basiert, um optimale Testwege zu erzeugen. Um die Testfallpfade zu optimieren, verwenden wir einen modifizierten Firefly-Algorithmus, indem wir eine geeignete Zielfunktion definieren und eine Führungsmatrix beim Durchlaufen des Graphen einführen. Unsere Simulationen und Vergleiche zeigen, dass die erzeugten Testwege kritische und optimale Pfade sind. Volltext Artikel Feb 2013 Swarm und Evolutionäre Berechnungen praveen ranjan srivastava et al Die Zielfunktion eines Optimierungsproblems definiert das Ziel, in dem Suchraum und dem Bereich der Entwurfsvariablen 19, 26 maximiert oder minimiert zu werden. Eine gut formulierte Zielfunktion hilft dem Suchprozess, während eine schlecht formulierte Zielfunktion zu unangemessenen oder falschen Lösungen führen kann. Zitat Zusammenfassung Abstrakt Zusammenfassung ABSTRAKT: Strukturelles Testen ist die wichtigste und anspruchsvollste Prüfmethode für Code-basierte Kriterien beim Software-Testen. Bei der Strukturprüfung ist die Pfadtesttechnik die nützlichste Technik. Bei der Pfadprüfung ist die Erzeugung aller unabhängigen Pfade (nicht redundant) komplex. Das Ziel dieser Arbeit ist es, einen einfachen und effizienten Algorithmus zu präsentieren, der automatisch alle möglichen Pfade in einem Control Flow Graph für die Pfadprüfung generieren kann. Das Kuckuckverhalten wird in diesem Algorithmus zum Extrahieren optimaler Pfade verwendet. Dieser Kuckucksuchalgorithmus erzeugt Pfade, die gleich der zyklomatischen Komplexität sind. Es kann gezeigt werden, dass der vorgeschlagene Ansatz eine vollständige Pfadabdeckung garantiert. Artikel Mar 2012 Schwarm und evolutionäre Berechnung P R Srivastava M Chis S Deb X S Yang