Como otimizar o sistema de negociação NOTA: Este é um tópico bastante avançado. Leia primeiro os tutoriais AFL anteriores. A idéia por trás de uma otimização é simples. Primeiro, você precisa ter um sistema comercial, isso pode ser um simples cruzamento médio móvel, por exemplo. Em quase todos os sistemas, existem alguns parâmetros (como período de média) que decidem como o sistema se comporta (ou seja, é adequado para longo prazo ou curto prazo, como é reagir em estoques altamente voláteis, etc.). A otimização é o processo de encontrar valores ótimos desses parâmetros (dando o maior lucro do sistema) para um determinado símbolo (ou um portfólio de símbolos). AmiBroker é um dos poucos programas que permitem otimizar seu sistema em vários símbolos ao mesmo tempo. Para otimizar seu sistema, você precisa definir de um até dez parâmetros para serem otimizados. Você decide o que é um valor mínimo e máximo permitido do parâmetro e em que incrementos este valor deve ser atualizado. AmiBroker, então, executa vários back testes o sistema usando TODAS as possíveis combinações de valores de parâmetros. Quando este processo está concluído, o AmiBroker exibe a lista de resultados ordenados pelo lucro líquido. Você pode ver os valores de parâmetros de otimização que dão o melhor resultado. Escrevendo fórmula AFL A otimização no testador traseiro é suportada por uma nova função chamada otimizar. A sintaxe desta função é a seguinte: variável otimizar (quot Descrição quot, padrão. Min. Etapa máxima) variável - é uma variável AFL normal que recebe o valor retornado pela função otimizada. Com os modos normal de backtesting, digitalização, exploração e comentário, a função de otimização retorna o valor padrão, então a chamada de função acima é equivalente a: variável padrão Na função de otimização de modo otimizado, retorna valores sucessivos de min para max (inclusive) com passo a passo. Quot Descriptionquot é uma string que é usada para identificar a variável de otimização e é exibida como um nome de coluna na lista de resultados de otimização. O padrão é um valor padrão que otimiza os retornos das funções na exploração, no indicador, nos comentários, na varredura e nos modos normais de teste de volta. Min é um valor mínimo da variável a ser otimizado. O valor máximo é o valor máximo da variável otimizada. O passo é um intervalo usado para aumentar a Valor de min para max AmiBroker suporta até 64 chamadas para otimizar a função (portanto, até 64 variáveis de otimização), note que, se você estiver usando otimização exaustiva, então é uma boa idéia limitar o número de variáveis de otimização a apenas alguns. Cada chamada para otimizar gerar loops de otimização de etapas (max - min) e várias chamadas para otimizar multiplique o número de execuções necessárias. Por exemplo, otimizar dois parâmetros usando 10 etapas exigirá 1010 100 loops de otimização. Chamar otimizar a função apenas UMA VEZ por variável no início da sua fórmula à medida que cada chamada gera novos laços de otimização A otimização de vários símbolos é totalmente suportada pelo AmiBroker O espaço de busca máximo é de 2 64 (10 19 10.000.000.000.000.000) combinações 1. Otimização de variável única: sigavg Otimizar (Média do sinal. 9. 2. 20. 1) Cruz de compra (MACD (12. 26), Sinal (12. 26. sigavg)) Vender Cruz (Sinal (12. 26. sigavg), MACD (12. 26)) 2. Otimização de duas variáveis (adequado para gráficos em 3D) por Otimizar (por 2. 2. 5. 50. 1) Nível de otimização (nível 2. 2. 150. 4) Cruzar Compra (CCI (per), Nível) Vender Cross (Level, CCI (per)) 3. Otimização variável múltipla (3): mfast Optimize (MACD Fast. 12. 8. 16. 1) mslow Optimize (MACD Lento 26. 17. 30. 1) sigavg Optimize (Signal Média 9. 2. 20. 1) Cruz de Compra (MACD (mfast, mslow). Sinal (mfast, mslow, sigavg)) Sell Cross (Sinal (mfast, mslow, sigavg), MACD (mfast, mslow)) Depois de entrar O f Ormula basta clicar no botão Otimizar na janela QuotAutomatic Analysisquot. AmiBroker começará a testar todas as combinações possíveis de variáveis de otimização e informará os resultados na lista. Após a otimização é feita, a lista de resultados é apresentada ordenada pelo lucro líquido. Como você pode ordenar os resultados por qualquer coluna na lista de resultados, é fácil obter os melhores valores de parâmetros para o menor desconto, o menor número de negócios, o maior fator de lucro, a menor exposição ao mercado e o retorno anual ajustado de maior risco. As últimas colunas da lista de resultados apresentam os valores das variáveis de otimização para teste dado. Quando você decide qual combinação de parâmetros atende às suas necessidades, o melhor que você precisa fazer é substituir os valores padrão em otimizar as chamadas de função com os valores ótimos. Na fase atual você precisa digitá-los manualmente na janela de edição da fórmula (o segundo parâmetro da função otimizada). Exibição de gráficos de otimização animada 3D Para exibir o gráfico de otimização em 3D, você precisa primeiro executar a otimização de duas variáveis. A otimização de duas variáveis precisa de uma fórmula que tenha 2 chamadas de função otimizadas (). Um exemplo de fórmula de otimização de duas variáveis parece assim: por otimizar (per. 2. 5. 50. 1) Nível de otimização (nível 2. 2. 150. 4) Cruzar de compra (CCI (per), Level) Sell Cross (Nível, CCI (per)) Depois de inserir a fórmula, você precisa clicar no botão quotOptimizequot. Uma vez que a otimização esteja completa, você deve clicar na seta suspensa no botão Otimizar e selecionar Exibir gráfico de otimização 3D. Em alguns segundos, um gráfico de superfície tridimensional colorido aparecerá em uma janela do visualizador de gráfico 3D. Um exemplo de gráfico 3D gerado usando a fórmula acima é mostrado abaixo. Por padrão, os gráficos 3D exibem valores de lucro líquido contra variáveis de otimização. No entanto, você pode plotar gráfico de superfície 3D para qualquer coluna na tabela de resultados de otimização. Basta clicar no cabeçalho da coluna para ordená-lo (uma seta azul aparecerá indicando que os resultados de otimização são classificados pela coluna selecionada) e, em seguida, escolha Exibir gráfico de otimização 3D novamente. Ao visualizar como os parâmetros dos seus sistemas afetam o desempenho da negociação, você pode mais facilmente decidir quais os valores dos parâmetros que produzem quotfragilequot e que produzem o desempenho do sistema quotrobustquot. Configurações robustas são regiões no gráfico 3D que mostram mudanças graduais em vez de abruptas no gráfico de superfície. Os gráficos de otimização em 3D são uma ótima ferramenta para evitar ajustes de curvas. O ajuste de curva (ou sobre otimização) ocorre quando o sistema é mais complexo do que precisa ser, e toda essa complexidade foi focada em condições de mercado que talvez nunca mais aconteçam. Mudanças radicais (ou picos) nos gráficos de otimização 3D mostram claramente áreas de otimização excessiva. Você deve escolher uma região de parâmetros que produza um amplo e amplo patamar no gráfico 3D para o seu comércio de vida real. Os conjuntos de parâmetros que produzem picos de lucro não funcionarão de forma confiável na negociação real. Controles do visualizador de gráficos 3D O visualizador de gráficos 3D do AmiBrokers oferece recursos de visualização total com rotação e animação completas do gráfico. Agora você pode visualizar os resultados do sistema de todas as perspectivas possíveis. Você pode controlar a posição e outros parâmetros do gráfico usando o mouse, a barra de ferramentas e os atalhos do teclado, o que você achar mais fácil para você. Abaixo, você encontrará a lista. - para rodar - mantenha pressionado o botão esquerdo do mouse e mova-se nas direções XY - para Zoom-in, zoom-out - mantenha pressionado o botão RIGHT do mouse e mova as direções XY - para Mover (traduzir) - mantenha pressionado o botão esquerdo do mouse e a tecla CTRL e Mova-se nas direções XY - para Animar - mantenha pressionado o botão esquerdo do mouse, arraste rapidamente e solte o botão enquanto arrasta o ESPAÇO - anima (gire automaticamente) CHAVE ESQUERDA PARA ESQUERDA - gire o verde. Esquerda CHAVE DE SETA PARA A DIREITA - rotate vert. Direita PARA CIMA SETA PARA CIMA - gire horiz. PARA CIMA PARA BAIXO PARA BAIXO - gire horiz. BAIXO NUMPAD - (MENOS) - Perto (aproximar) NUMPAD - (MENOS) - Longe (diminuir o zoom) NUMPAD 4 - mover para a esquerda NUMPAD 6 - mover para a direita NUMPAD 8 - mover para cima NUMPAD 2 - mover para baixo PAGE UP - subir de água PAGE DOWN - nível de água para baixo Otimização inteligente (não exaustiva) A AmiBroker agora oferece otimização inteligente (não exaustiva) além da busca regular e exaustiva. A pesquisa não exaustiva é útil se o número de todas as combinações de parâmetros de um determinado sistema de negociação for simplesmente muito grande para ser viável para pesquisa exaustiva. A busca exaustiva é perfeitamente adequada desde que seja razoável usá-la. Digamos que você tenha 2 parâmetros cada um variando de 1 a 100 (passo 1). Isso é 10000 combinações - perfeitamente correto para pesquisa exaustiva. Agora, com 3 parâmetros, você obteve 1 milhão de combinações - ainda está OK para pesquisa exaustiva (mas pode ser longa). Com 4 parâmetros você tem 100 milhões de combinações e com 5 parâmetros (1..100) você possui 10 bilhões de combinações. Nesse caso, seria muito demorado verificá-los, e esta é a área onde os métodos de busca inteligente não exaustivos podem resolver o problema que não é solucionável em um tempo razoável usando uma busca exaustiva. Aqui está absolutamente a instrução SIMPLES sobre como usar um novo otimizador não exaustivo (neste caso CMA-ES). 1. Abra sua fórmula no Editor de fórmulas 2. Adicione esta única linha no topo da sua fórmula: OptimizerSetEngine (quotcmaequot), você também pode usar quotspsoquot ou quottribquot aqui 3. (Opcional) Selecione o seu objetivo de otimização em Análise automática, Configurações, QuotWalk - guia Forwardquot, campo de destino de otimização. Se você ignorar este passo, otimizará o CARMDD (retorno anual composto dividido pela redução máxima). Agora, se você executar a otimização usando esta fórmula, ela usará o novo otimizador CMA-ES evolutivo (não exaustivo). Como funciona A otimização é o processo de encontrar o mínimo (ou o máximo) de determinada função. Qualquer sistema comercial pode ser considerado como uma função de certo número de argumentos. As entradas são parâmetros e dados de cotação. O resultado é o seu objetivo de otimização (digamos CARMDD). E você está procurando o máximo de função dada. Alguns algoritmos de otimização inteligente são baseados na natureza (comportamento animal) - algoritmo PSO, ou processo biológico - algoritmos genéticos, e alguns são baseados em conceitos matemáticos derivados de seres humanos - CMA-ES. Estes algoritmos são utilizados em muitas áreas diferentes, incluindo as finanças. Entre quotPSO financequot ou quotCMA-ES financequot no Google e você encontrará muitas informações. Métodos não exaustivos (ou quotsmartquot) encontrarão otimizar global ou local. O objetivo é, obviamente, encontrar um global, mas, se houver um único pico afiado de combinações de parâmetros de zilhões, métodos não exaustivos podem não encontrar este único pico, mas levando-o de comerciantes perspecive, encontrar único pico afiado é inútil para Negociação porque esse resultado seria instável (muito frágil) e não replicável na negociação real. No processo de otimização, estamos em busca de regiões do planalto com parâmetros estáveis e esta é a área onde os métodos inteligentes brilham. Quanto ao algoritmo usado por busca não exaustiva, ele se destaca da seguinte maneira: a) o otimizador gera alguma população inicial (geralmente aleatória) de conjuntos de parâmetros b) o teste de retorno é realizado por AmiBroker para cada conjunto de parâmetros da população c) os resultados dos testes de retorno são Avaliado de acordo com a lógica do algoritmo e a nova população é gerada com base na evolução dos resultados, d) se for encontrada a melhor opção - salve-a e vá para a etapa b) até que os critérios de parada sejam atendidos. Os critérios de parada de exemplo podem incluir: a) alcançar especificado Iterações máximas b) pare se a gama de melhores valores objetivos das últimas gerações X for zero c) pare se a adição de 0,1 vetor de desvio padrão em qualquer direção do eixo principal não altere o valor do valor objetivo d) outros Para usar qualquer dispositivo inteligente (não - Exaustivo) no AmiBroker, você precisa especificar o mecanismo otimizador que deseja usar na fórmula AFL usando a função OptimizerSetEngine. A função seleciona o mecanismo de otimização externo definido pelo nome. AmiBroker atualmente é fornecido com 3 motores: Otimizador padrão de enxertia de partículas (quotspsoquot), Tribes (quottribquot) e CMA-ES (quotcmaequot) - os nomes nas chaves devem ser usados em chamadas OptimizerSetEngine. Além de selecionar o mecanismo do otimizador, você pode definir alguns dos seus parâmetros internos. Para isso use a função OptimizerSetOption. Função OptimizerSetOption (quotname, value) A função define parâmetros adicionais para o mecanismo de otimização externa. Os parâmetros são dependentes do motor. Todos os três otimizadores fornecidos com AmiBroker (SPSO, Trib, CMAE) suportam dois parâmetros: quotRunsquot (número de execuções) e quotMaxEvalquot (avaliações máximas (testes) por execução única). O comportamento de cada parâmetro é dependente do motor, de modo que os mesmos valores podem e geralmente renderão resultados diferentes com diferentes motores usados. A diferença entre Runs e MaxEval é a seguinte. A avaliação (ou teste) é single-backout único (ou avaliação do valor da função objetivo). RUN é uma execução completa do algoritmo (encontrando o melhor valor) - geralmente envolvendo muitos testes (avaliações). Cada execução simplesmente RESTAURA todo o processo de otimização a partir do novo começo (nova população aleatória inicial). Portanto, cada execução pode levar a encontrar o maxmin local diferente (se não encontrar um global). O parâmetro Run Runes define o número de algoritmos subsequentes executados. MaxEval é o número máximo de avaliações (bactests) em qualquer execução única. Se o problema for relativamente simples e 1000 testes forem suficientes para encontrar o máximo global, 5x1000 é mais provável que encontre o máximo global porque há menos chances de ficar preso no max local, pois as corridas subseqüentes começam a partir de diferentes aleatórios aleatórios. Escolher valores dos parâmetros podem Seja complicado. Depende do problema em teste, da sua complexidade, etc., etc. Qualquer método estocástico não exaustivo não lhe dá garantia de encontrar maxmin global, independentemente do número de testes, se for menor do que exaustivo. A resposta mais fácil é a. Especifique como um grande número de testes como é razoável para você em termos de tempo necessário para concluir. Outro conselho simples é multiplicar por 10 o número de testes com a adição de nova dimensão. Isso pode levar a superestimar o número de testes necessários, mas é bastante seguro. Os motores enviados são projetados para ser simples de usar, portanto, os valores padrão são usados, pois a otimização geralmente pode ser executada sem especificar nada (aceitando padrões). É importante entender que todos os métodos inteligentes de otimização funcionam melhor em espaços de parâmetros contínuos e funções objetivas relativamente simples. Se o espaço do parâmetro é discreto, os algoritmos evolutivos podem ter problemas para encontrar o melhor valor. É especialmente verdade para parâmetros binários (onoff) - eles não são adequados para qualquer método de pesquisa que use gradiente de mudança de função objetivo (como a maioria dos métodos inteligentes o fazem). Se o seu sistema comercial contiver muitos parâmetros binários, você não deve usar o otimizador inteligente diretamente neles. Em vez disso, tente otimizar apenas os parâmetros contínuos usando otimizador inteligente e altere os parâmetros binários manualmente ou através de um script externo. SPSO - Otimizador de enxame de partículas padrão O otimizador de enxame de partículas padrão é baseado no código SPSO2007 que é suposto produzir bons resultados, desde que os parâmetros corretos (ou seja, Runs, MaxEval) sejam fornecidos para um problema específico. Escolher as opções corretas para o otimizador de PSO pode ser complicado, portanto, os resultados podem variar significativamente caso a caso. O SPSO. dll vem com códigos-fonte completos dentro da subpasta quotADKquot. Código de exemplo para Otimizador de enxame de partículas padrão: (encontrando o valor ideal em 1000 testes dentro do espaço de busca de 10000 combinações) OptimizerSetEngine (quotspsoquot) OptimizerSetOption (quotRunsquot, 1) OptimizerSetOption (quotMaxEvalquot, 1000) sl Otimizar (quotsquot, 26, 1, 100, 1 ) Fa Optimize (quotfquot, 12, 1, 100, 1) Buy Cross (MACD (fa, sl), 0) Sell Cross (0, MACD (fa, sl)) TRIBES - Adaptive Parameter-less Partcher Swiner Optimizer Tribes é adaptável , Versão sem parâmetros do PSO (otimização de enxame de partículas) otimizador não-exaustivo. Para um conhecimento científico, veja: particlewarm. infoTribes2006Cooren. pdf Em teoria, ele deve ter um desempenho melhor do que o PSO normal, pois pode ajustar automaticamente o tamanho dos enxames e a estratégia do algoritmo para o problema a ser resolvido. A prática mostra que seu desempenho é bastante semelhante ao PSO. O plugin Tribes. DLL implementa quotTribes-D (ou seja, adimensional) variante. Baseado em clerc. maurice. free. frpsoTribesTRIBES-D. zip por Maurice Clerc. Códigos de origem originais usados com permissão do autor Tribes. DLL vem com o código fonte completo (dentro de uma pasta do DKquot) Parâmetros suportados: quotMaxEvalquot - número máximo de avaliações (backtests) por execução (padrão 1000). Você deve aumentar o número de avaliações com número crescente de dimensões (número de params de otimização). O padrão 1000 é bom para 2 ou máximo 3 dimensões. QuotRunsquot - número de execuções (reinicia). (Padrão 5) Você pode deixar o número de execuções no valor padrão de 5. Por padrão, o número de execuções (ou reinicia) é definido como 5. Para usar o otimizador Tribes, você só precisa adicionar uma linha ao seu código: OptimizerSetOption (quotMaxEvalquot , 5000) 5000 avaliações max CMA-ES - Covariance Matrix Adaptation O otimizador de estratégia evolutiva CMA-ES (Covariance Matrix Adaptation Strategy) é otimizador avançado não-exaustivo. Para conhecimentos científicos, veja: bionik. tu-berlin. deusernikocmaesintro. html De acordo com benchmarks científicos, supera as nove outras estratégias evolutivas mais populares (como PSO, evolução genética e diferencial). Bionik. tu-berlin. deusernikocec2005.html O complemento CMAE. DLL implementa quotGlobalquot variante de pesquisa com vários reinícios com o aumento do tamanho da população CMAE. DLL vem com o código fonte completo (dentro de uma pasta DKquot) Por padrão, o número de execuções (ou reinícios) está configurado Para 5. É aconselhável deixar o número padrão de reinícios. Você pode alterá-lo usando a chamada OptimizerSetOption (quotRunsquot, N), onde N deve estar no intervalo 1..10. Não é recomendável especificar mais de 10 corridas, embora possivel. Observe que cada execução usa TWICE o tamanho da população da corrida anterior para que ela cresça exponencialmente. Portanto, com 10 execuções, você acaba com a população 210 maior (1024 vezes) do que a primeira corrida. Há outro parâmetro quotMaxEvalquot. O valor padrão é ZERO, o que significa que o plugin irá calcular automaticamente o MaxEval necessário. É aconselhável NÃO definir o MaxEval sozinho, pois o padrão funciona bem. O algoritmo é inteligente o suficiente para minimizar o número de avaliações necessárias e converge muito rápido para o ponto de solução, muitas vezes encontra soluções mais rápidas do que outras estratégias. É normal que o plugin ignore algumas etapas de avaliação, se detectar que a solução foi encontrada, portanto, você não deve se surpreender que a barra de progresso de otimização possa se mover muito rápido em alguns pontos. O plugin também possui capacidade para aumentar o número de etapas sobre o valor inicialmente estimado se for necessário encontrar a solução. Devido à sua natureza adaptativa, o tempo quotado no momento e o número de etapas selecionadas pelo diálogo de progresso é apenas o melhor adivinhar ao timequot e pode variar durante o curso de otimização. Para usar o otimizador CMA-ES, você só precisa adicionar uma linha ao seu código: Isso executará a otimização com configurações padrão que são boas para a maioria dos casos. Deve-se notar, como é o caso de muitos algoritmos de pesquisa de espaço contínuo, que o parâmetro quotstepquot decrescente em chamadas de função Optimize () não afeta significativamente os tempos de otimização. O único que importa é o problema quotdimensionquot, ou seja, o número de parâmetros diferentes (número de otimização de chamadas de função). O número de quotestepsquot por parâmetro pode ser definido sem afetar o tempo de otimização, então use a melhor resolução desejada. Em teoria, o algoritmo deve ser capaz de encontrar solução em no máximo 900 (N3) (N3) backtests onde quotNquot é a dimensão. Na prática, converge muito mais rápido. Por exemplo, a solução em espaço de parâmetros dimensionais 3 (N3) (digamos 100100100 1 milhão de etapas exaustivas) pode ser encontrada em apenas 500 a 900 passos CMA-ES. Otimização individual multi-threaded Começando a partir do AmiBroker 5.70, além do multithreading de múltiplos símbolos. Você pode executar otimização de um único símbolo multi-threaded. Para acessar esta funcionalidade, clique na seta suspensa ao lado do botão quotOptimizequot na janela New Analysis e selecione Quot Individual Optimize quot. O Optimizequot individual usará todos os núcleos de processador disponíveis para realizar otimização de um único símbolo, tornando-o muito mais rápido que a otimização regular. No modo de simbolo atual, ele realizará otimização em um símbolo. Em quot. Todos os símbolos e quantos modos de Filtragem, ele processará todos os símbolos seqüencialmente, ou seja, a primeira otimização completa para o primeiro símbolo e, em seguida, a otimização no segundo símbolo, etc. Limitações: 1. O backtester personalizado NÃO é suportado (ainda) 2. Os motores inteligentes de otimização NÃO são suportados - Apenas otimizações EXAUSTIVAS funcionam. Eventualmente, podemos nos livrar da limitação (1) - quando o AmiBroker é alterado, então o backtester personalizado não usa o OLE mais. Mas (2) está provavelmente aqui para ficar por muito tempo. Os sistemas de negociação mecânica de testes de teste envolvem uma ótima otimização: testando e executando um sistema em uma infinidade de parâmetros para escolher o (s) que produzem os melhores resultados. Mas o que é 8220best8221 Como você mede os melhores resultados, embora a taxa de crescimento anual composto (CAGR) seja uma das primeiras métricas que vem à mente (é a mais simples e direta). No entanto, considere isso: o Sistema A produz um CAGR maior 8211 ao custo de uma variabilidade muito maior nos resultados. Eu não sei sobre você, mas, para um ponto 8221, eu prefiro obter uma curva de equidade suave e um CAGR ligeiramente pior (ou seja, escolher o Sistema B). Apresentando a função YOUR Bliss Em resumo, há muitas maneiras de quantificar o quão bom é um sistema. Um dos primeiros passos no processo de otimização é decidir sobre a função objetivo 8211 que será usada para medir e comparar o desempenho de cada sistema testado na execução de otimização (a relação Sharpe é uma função objetiva, amplamente utilizada para comparar fundos Gerentes). Ed Seykota inventou o termo Bliss Function. O que se adequa muito: o sistema que melhor se adapta ao seu conjunto de critérios lhe dará os resultados mais felizes (aumento de riqueza, paz de espírito). Agora, considere isso: MAR CAGR MaxDD (redução máxima do MaxDD) O sistema A é muito consistente, mas seu retorno é muito pouco excitante. Pode haver um limite onde você esteja disposto a aceitar mais variância de risco para obter mais recompensas (ou seja, optar por trocar o sistema B apesar do seu menor valor de retorno para variabilidade, como o MAR escolhido aqui). E este é o principal ponto de construção de uma função de animação objetiva: a função de felicidade deve ser sua própria medida de bem-estar 82201 de um sistema de negociação, usando sua própria fórmula e critérios. Escolha uma fórmula que produza os melhores resultados para obter os melhores sistemas para você. E você começa a ser tão original quanto quiser. Para o caso acima, você pode decidir complicar a fórmula da função Bliss adicionando uma função de multiplicação de ajuste arbitrário AM para penalizar sistemas de baixa devolução, tais como: Bliss AM (CAGR) x MAR Com: AM (x (ignore qualquer sistema que produza menos de 10) AM (10 (penalizando sistemas de baixa devolução) AM (20 (valor padrão) AM (x60) 1,5 (recompensando sistemas de retorno elevado) Uma função contínua com o mesmo impacto Seria a função logarítmica. Risco de variância O atalho tomado por muitos é equiparar a variação de retorno com o risco. Se esse for o caso, qualquer uma de suas proporções preferenciais acima seria uma maneira elegante de medir os retornos ajustados pelo risco. No entanto, risco e variância São dois animais diferentes completos (o LTCM teve uma relação Sharpe notável até que explodiram) Então, como você pode quantificar o risco oculto. O retorno do desempenho bruto não permite que você o identifique. Isso realmente depende do que você considera como risco. Risco ocultos Pode ser contido em tudo isso como Uma estratégia que o expõe a situações de risco (pense Black Swans) mesmo que não se materializem. O tempo no mercado pode ser relevante aqui: todas as coisas sendo iguais, você pode preferir uma estratégia no mercado 30 do tempo em vez de 75 - menor chance de ser atingido por este evento de 6 sigma). O efeito de alavanca tem uma influência direta no impacto quantitativo de tal evento. Você pode querer introduzir medidas como a taxa média de margem-equidade (ME) na sua fórmula Bliss. Adicionando os 2 componentes com coeficientes arbitrários, a fórmula se tornaria: Bliss ln (CAGR 1) x MAR - 0,5 x ME - 0.1 x TimeInMkt parâmetros adicionais Até agora, cobrimos métricas bastante padrão para sistemas de negociação. Mas você pode querer adicionar seus próprios critérios específicos. Um desses critérios, que poderia ser interessante de adicionar, é alguma forma de medida de robustez. Este será o assunto de um post de acompanhamento. No encerramento Vindo com sua própria função de felicidade, é basicamente misturar as diversas métricas do seu sistema comercial (desempenho absoluto, variância, risco e possivelmente outros fatores, como a robustez) que são importantes para você. Esta publicação tenta destacar o conceito e o processo de pensamento ao invés de uma função Bliss completa ou exata. Para expandir o conceito de função bliss, conceitos como o teste walk-forward podem aproveitar a função bliss e usá-la como a função objetiveselectiva. Pode-se argumentar que existem tantas funções de bem-aventurança quanto os comerciantes. A dificuldade consiste em encontrar e formular sua fórmula. 52 meses, 1 semana atrás. Uma sugestão que Howard Bandy faz é 1. executar uma série de testes avançados que são otimizados em diferentes funções objetivas, como a relação de Calmar, a relação k, o Índice de Úlcera, etc. 2. imprima as curvas de equidade E coloque-os em uma mesa e 3. selecione a função objetivo com base na curva de equidade que você mais gosta. Em certo sentido, esta é uma maneira elegante de executar visualmente o cálculo de sua própria função de felicidade. Sucesso Comentário adicionado. Rsaquo Atualize a página para ver seu comentário. (Se o seu comentário precisar de moderação, será adicionado em breve.) Projeto de função objetiva em um sistema de negociação gramatical evolutivo. A função objetiva de um problema de otimização define o objetivo a ser maximizado ou minimizado no espaço de busca e no domínio das variáveis de projeto 19,26. Uma função objetiva bem formulada ajudará o processo de busca, enquanto uma função objetiva mal formulada pode levar a soluções inadequadas ou erradas. Quot Mostrar resumo Ocultar resumo RESUMO: o teste de software é uma parte importante, mas complexa, do ciclo de vida do desenvolvimento de software. A otimização do processo de teste de software é um grande desafio, e a geração dos caminhos de teste independentes permanece insatisfatória. Neste artigo, apresentamos uma abordagem baseada no algoritmo de firefly metaheurístico para gerar caminhos de teste ótimos. Para otimizar os caminhos do caso de teste, usamos um algoritmo de vaga-lume modificado definindo a função objetiva apropriada e introduzindo a matriz de orientação ao atravessar o gráfico. Nossas simulações e comparações mostram que os caminhos de teste gerados são caminhos críticos e ótimos. Artigo Feb 2017 Praveen Ranjan Srivatsava B. Mallikarjun Xin-She Yang A função objetivo de um problema de otimização define o objetivo a ser maximizado ou minimizado no espaço de busca e no domínio das variáveis de projeto 19,26. Uma função objetiva bem formulada ajudará o processo de busca, enquanto uma função objetiva mal formulada pode levar a soluções inadequadas ou erradas. Quot Mostrar resumo Ocultar resumo RESUMO: o teste de software é uma parte importante, mas complexa, do ciclo de vida do desenvolvimento de software. A otimização do processo de teste de software é um grande desafio, e a geração dos caminhos de teste independentes permanece insatisfatória. Neste artigo, apresentamos uma abordagem baseada no algoritmo de firefly metaheurístico para gerar caminhos de teste ótimos. Para otimizar os caminhos do caso de teste, usamos um algoritmo de vaga-lume modificado definindo a função objetiva apropriada e introduzindo a matriz de orientação ao atravessar o gráfico. Nossas simulações e comparações mostram que os caminhos de teste gerados são caminhos críticos e ótimos. Texto completo Artigo Feb 2017 Swarm e computação evolutiva praveen ranjan srivastava et al quotA função objetiva de um problema de otimização define o objetivo a ser maximizado ou minimizado no espaço de busca e no domínio das variáveis de projeto 19,26. Uma função objetiva bem formulada ajudará o processo de busca, enquanto uma função objetiva mal formulada pode levar a soluções inadequadas ou erradas. Quot Mostrar resumo Ocultar resumo RESUMO: O teste estrutural é a técnica de teste de demanda mais importante e de alta demanda para critérios baseados em código em testes de software. No teste estrutural, a técnica de teste do caminho é a técnica mais útil. No teste de caminho, a geração de todos os caminhos independentes (não redundante) é complexa. O objetivo deste trabalho é apresentar um algoritmo simples e eficiente que possa gerar automaticamente todos os caminhos possíveis em um teste de controle de fluxo de controle para o caminho. O comportamento do cuco é usado neste algoritmo para extrair caminhos ótimos. Este algoritmo de busca cuco gera caminhos iguais à complexidade ciclomática. Pode-se mostrar que a abordagem proposta garante a cobertura do caminho completo. Artigo Mar 2017 Swarm and Evolutionary Computation P R Srivastava M Chis S Deb X S Yang
No comments:
Post a Comment