मैंने एक्सचेंज पर लाभदायक रणनीतियों को खोजने के लिए एक ऑप्टिमाइज़र परीक्षक कैसे बनाया

परिचय

एल्गोरिथम ट्रेडिंग में, मैकेनिकल ट्रेडिंग सिस्टम (एमटीएस) बनाते समय, ट्रेडिंग एल्गोरिदम के जीवनकाल का सवाल बहुत महत्वपूर्ण है। हां, और सिद्धांत रूप में उन्हें ढूंढना काफी मुश्किल है। कभी-बदलते बाजार में, जल्दी या बाद में एक पल आता है जब यहां तक ​​कि सबसे उन्नत और लाभदायक एल्गोरिथ्म नुकसान उठाना शुरू कर देता है। और यह आवश्यक है, जैसा कि वे कहते हैं, "मोड़" या वर्तमान बाजार की स्थितियों के तहत इसे अनुकूलित करें। सबसे आम व्यापार प्रणालियों (टीएस) में से एक है जो तकनीकी विश्लेषण के लिए विभिन्न प्रकार के संकेतकों के साथ कैंडलस्टिक चार्ट के साथ काम करते हैं।



संकेतकों के आधार पर रणनीति बनाने के लिए, विभिन्न मापदंडों का उपयोग किया जाता है, जैसे टाइमफ्रेम, अवधि, पैरामीटर भार, आदि। और यदि कई अलग-अलग संकेतकों का उपयोग एक ही बार में ट्रेडिंग रणनीति में किया जाता है, तो एक ही रणनीति के लिए इनपुट मापदंडों की संख्या परिमाण के क्रम से बढ़ जाती है और वर्तमान बाजार के लिए सबसे इष्टतम मूल्यों को चुनना काफी मुश्किल हो जाता है।
इन समस्याओं को हल करने के लिए, विभिन्न अनुकूलक परीक्षक हैं।

रणनीति अनुकूलन के तरीके

सबसे स्पष्ट समाधान सभी संभावित रणनीतियों को लेने के लिए लगता है, ऐतिहासिक डेटा पर छंटनी करके उनका परीक्षण करें और सबसे अधिक लाभदायक लोगों का चयन करें। लेकिन जब परिवर्तनीय मापदंडों की संख्या दो, तीन से अधिक हो जाती है, और इन मापदंडों की सीमाओं में संभावित रणनीति विकल्पों की संख्या हजारों और दसियों हजारों में शुरू होती है, तो ऐसे परीक्षण की लंबाई के कारण गणना विधि कभी-कभी असंभव हो जाती है।

वेल्थ-लैब , अमीब्रोकर जैसे अन्य सॉफ्टवेयर उत्पादों में तैयार रणनीति के ऑप्टिमाइज़र हैं। लेकिन वे अपनी स्वयं की स्क्रिप्टिंग भाषाओं का उपयोग करते हैं और, एक नियम के रूप में, कुछ अन्य प्रतिबंध हैं, और रणनीतियों का पूरी तरह से परीक्षण करना संभव नहीं है। अपनी रणनीतियों का उन में अनुवाद कैसे करें? क्या यह परीक्षक हमें चाहिए? क्या परीक्षण वास्तविकता को प्रतिबिंबित करेंगे? और कई अन्य प्रश्न उठते हैं जब आप इस विषय का अधिक विस्तार से अध्ययन करना शुरू करते हैं।

इसके अलावा, ये "ब्लैक बॉक्स" हैं और कोई नहीं जानता कि वे वास्तव में गणना कैसे करते हैं। और जब पैसे की बात आती है, तो किसी भी दुर्घटना और अनिश्चितताओं के लिए कोई जगह नहीं होनी चाहिए। "शब्द पर" मैं इस तरह के सॉफ्टवेयर के रचनाकारों पर विश्वास नहीं करता। कितनी बार मैं सभी प्रकार के ग्लिट्स और बग्स, पत्रों और तकनीकी सहायता कॉल के सबसे गंभीर उत्पादों में आया हूं। इसी समय, हम पूरी तरह से अनावश्यक लोगों पर निर्भर हो जाते हैं। सामान्य तौर पर, मुझे उन पर कोई भरोसा नहीं है। ये सभी समस्याएं एल्गोरिदम के कार्यान्वयन को बहुत धीमा कर देती हैं, और तदनुसार हमारा समय और पैसा लेती हैं।

और मैंने खुद से पूछा: “क्यों न आप भी अपना ऑप्टिमाइज़र लिखें? क्या यह वास्तव में इतना कठिन है? ”जैसा कि यह मुश्किल है, लेकिन काफी वास्तविक है। इसके अलावा, सेटिंग्स और उन्नयन और कार्यक्रम के संशोधनों में परिणाम और स्वतंत्रता में विश्वास है। दरअसल इन विचारों से मुझे काम मिला।

स्टोकेस्टिक अनुकूलन के आधार पर। स्टोचस्टिक ऑप्टिमाइज़ेशन ऑप्टिमाइज़ेशन एल्गोरिदम का एक वर्ग है जो इष्टतम खोजने की प्रक्रिया में यादृच्छिकता का उपयोग करता है। स्टोचस्टिक ऑप्टिमाइज़ेशन एल्गोरिदम का उपयोग किया जाता है यदि उद्देश्य फ़ंक्शन जटिल है, मल्टी-एक्सट्रीम है, डिसकंटिनिटी, नॉइज़ आदि के साथ। इसके अलावा, वे एक को रणनीति विकल्पों की सीमा के केवल भाग का अध्ययन करने की अनुमति देते हैं और, प्राप्त आंकड़ों के आधार पर, एक पूरे के रूप में अंतरिक्ष का एक विचार बनाते हैं।

मुझे मुख्य रूप से लागू स्टोकेस्टिक अनुकूलन विधियों - जेनेटिक्स, मोंटे कार्लो, कणों का एक झुंड, उनकी किस्मों और अन्य तरीकों से परिचित कराया गया। सामान्य तौर पर, स्टोकेस्टिक विधियों की कई किस्में होती हैं। उदाहरण के लिए, "कणों का झुंड" विधि या इतना लोकप्रिय "जेनेटिक एल्गोरिदम" । "सिलेक्टेड एनीलिंग" एल्गोरिथम (दाईं ओर एक सुंदर जीआईएफ, मैं आपको देखने की सलाह देता हूं) जैसे सुरुचिपूर्ण समाधान भी हैं।

बाद की विधि, उदाहरण के लिए, एक उच्च डिग्री के साथ एक वैश्विक चरम सीमा की गारंटी देता है। इस पद्धति के बाद से वह समय-समय पर पथ से भटक जाता है और इसके अलावा पड़ोसी क्षेत्रों का अध्ययन करता है। लेकिन शोध की गति उच्चतम नहीं है। विधियों का सार समान है - हम यादृच्छिक मूल्यों का चयन करते हैं और किसी तरह उनका विश्लेषण करते हैं। विधि से विधि में केवल दो पैरामीटर बदलते हैं - अध्ययन की गति और सटीकता। और विपरीत आनुपातिक। परीक्षण की गति जितनी अधिक होगी, परिणामों की गुणवत्ता उतनी ही खराब होगी और इसके विपरीत। एक विधि का चयन करते समय, हर कोई अपने लिए निर्णय लेता है कि वह क्या बलिदान करना चाहता है।

चरम की खोज करें

उदाहरण के लिए, "नकली एनालिंग" विधि आपको एक वैश्विक चरम सीमा खोजने की अनुमति देती है। हालांकि, अगर आप इसके बारे में सोचते हैं, तो वैश्विक अतिवाद हमारे लिए बेकार है अगर इसके लिए कोई अभिसरण नहीं है। यही है, यदि चरम सीमा के आसपास के पड़ोसी सशर्त रूप से समान रूप से कम नहीं होते हैं, तो यह बहुत संभावना है कि यह वैश्विक चरम सीमा यादृच्छिक है और हम इससे लाभान्वित नहीं होंगे, क्योंकि यह अपर्याप्त है, और यह हमारी गणना को बर्बाद कर देगा। इसलिए, चरम सीमा के आसपास के मापदंडों का अध्ययन करना बहुत महत्वपूर्ण है। यदि अभिसरण है, तो एक प्रणाली है और इस रणनीति का आगे अध्ययन किया जा सकता है।

सभी स्टोकेस्टिक अनुकूलन विधियों में एक सामान्य दोष है - वे कुछ स्थानीय चरम सीमा में भाग सकते हैं, और बहुत इष्टतम एक को याद कर सकते हैं। इससे बचने के लिए, नमूनों के क्षेत्रों और पुनरावृत्तियों की संख्या को अधिकतम करना आवश्यक है। लेकिन गणना की गति इससे ग्रस्त है। इसलिए आपको हमेशा बीच के मैदान की तलाश करनी चाहिए।
गणनाओं की जटिलता और गैर-स्पष्टता के कारण, मैंने "सिमुलेटेड एनीलिंग" और अन्य "स्वार्म्स ऑफ पार्टिकल्स" के तरीकों को अलग रखा। नतीजतन, मैं इस निष्कर्ष पर पहुंचा कि मेरे मामले में सबसे सस्ती और सुविधाजनक तरीका मोंटे कार्लो विधि का उपयोग करके अनुकूलन है।

परीक्षक-अनुकूलक "मोंटे कार्लो" का पहला संस्करण

क्लासिक अधिकतम खोज

मैंने अपने पहले ऑप्टिमाइज़र परीक्षक के लिए आधार के रूप में सेंट पीटर्सबर्ग स्टेट यूनिवर्सिटी के संग्रह से लेख "मोंटे कार्लो विधि द्वारा नॉनलेयर स्टोचस्टिक अनुकूलन" से तर्क लेने का फैसला किया। इस दिशा में कौन रुचि रखता है, मैं आपको उनके संग्रह पढ़ने की सलाह देता हूं। विभिन्न क्षेत्रों में अनुकूलन के बारे में बहुत सारे दिलचस्प बहुमुखी लेख। जहां ये स्टोकेस्टिक तरीके सिर्फ लागू नहीं होते हैं!

तो यहाँ है। विधि का सार यह है कि हम एक बहुआयामी मैट्रिक्स बनाते हैं जिसमें विभिन्न मापदंडों के साथ रणनीतियों की किस्में होती हैं। हम इस मैट्रिक्स से यादृच्छिक रूप से रणनीतियों का चयन करते हैं, उनका परीक्षण करते हैं और सबसे लाभदायक रणनीति निर्धारित करते हैं। लाभप्रदता की कसौटी के लिए, अब तक मैंने अपेक्षा की है। और इसलिए आप एक जटिल पैरामीटर बना सकते हैं। हम मैट्रिक्स में इस रणनीति से एक बिंदु को उपरिकेंद्र के रूप में लेते हैं और मैट्रिक्स के किनारों को उपरिकेंद्र से यथासंभव गहराई तक काटते हैं जो हम निर्धारित करते हैं। इस प्रकार, हम नमूना क्षेत्र को कम करते हैं और परिणामी रूप से कम हुए क्षेत्र से यादृच्छिक रणनीतियों का परीक्षण करते हैं, पुनरावृत्ति दोहराते हैं। इसलिए तब तक जारी रखें जब तक हम चरम पर नहीं पहुंच जाते।

नमूना क्षेत्र में कमी के परिमाण को निर्धारित करने के कई तरीके हैं। सांख्यिकीय, जहां वे उद्देश्य समारोह या अनुभवजन्य की ढाल में परिवर्तन का अध्ययन करते हैं, जहां वे देखते हैं कि अतिवृद्धि खुद से पुनरावृत्ति में परिवर्तित होती है। और इन आंकड़ों के आधार पर, वे तय करते हैं कि जांच को आगे जारी रखना है या पुनरावृत्ति को रोकना है, और स्वीकार करना है कि हमने पहले से ही दी गई त्रुटि के साथ अधिकतम पाया है। तथाकथित रुकने की कसौटी।

लेकिन जैसा कि मैंने पहले ही ऊपर उल्लेख किया है, चरम सीमा के आसपास के क्षेत्र का अध्ययन करना महत्वपूर्ण है, और इसलिए, मैंने अंत तक अभिसरण करने का निर्णय लिया, और अंतिम पुनरावृत्ति पर सभी पड़ोसी रणनीतियों की पूरी तरह से जांच करें। मैं ग्रेडियंट्स के साथ स्मार्ट नहीं हुआ और प्रारंभिक नमूने के प्रतिशत के रूप में अभिसरण को स्थिर बना दिया। यही है, प्रत्येक पुनरावृत्ति के बाद बहुआयामी मैट्रिक्स को 1% या 20% से कितना कम करना है, हम बहुत शुरुआत में तय करते हैं। इसके अलावा, तुरंत, हमारी समय क्षमताओं को ध्यान में रखते हुए, हम तय करते हैं कि हम परीक्षण के लिए प्रत्येक पुनरावृत्ति पर मैट्रिक्स से कितनी रणनीति लेंगे। इस प्रकार, मैट्रिक्स का आकार हमारे लिए महत्वपूर्ण नहीं है, हम जानते हैं कि वास्तव में कितने पुनरावृत्तियों और किस मात्रा में हम बाहर ले जाएंगे! यह स्टोकेस्टिक विधियों की सुंदरता है।
पूर्वगामी के आधार पर, मैंने रणनीतियों के सर्वोत्तम मापदंडों की खोज करने के लिए एक कार्यक्रम लिखा।
अनुकूलन के लिए प्रारंभिक डेटा:

• व्यापार उपकरण का परीक्षण करें
• इतिहास की सीमा
• कैंडलस्टिक टाइमफ्रेम (कम से कम सब कुछ, 5 सेकंड से लेकर कई घंटों तक),
• विचार रणनीति मापदंडों की श्रेणी,
• इन श्रेणियों में कदम,
• पुनरावृत्ति के बाद नमूना क्षेत्र में प्रतिशत में कमी,
• नमूने में तत्वों की संख्या,
• परीक्षण के लिए भेजे गए रणनीतियों की संख्या।

कंसोल परीक्षक (मेरे पास उनमें से कई हैं, पूरी तरह से प्रोसेसर को लोड करते हैं) इनपुट के रूप में रणनीतियों के मापदंडों को प्राप्त करते हैं, उनका परीक्षण करते हैं और अंत में बाइनरी फ़ाइलों में परिणाम सहेजते हैं। यह एक त्रुटि के मामले में परीक्षण डेटा के मध्यवर्ती भंडारण के लिए किया जाता है, साथ ही मेमोरी लीक और अन्य ग्लिट्स के खिलाफ सुरक्षा भी। और सामान्य तौर पर, किसी चीज की विफलता के जोखिम का विविधीकरण। कार्यक्रम स्वयं सभी डेटा को स्थानांतरित करता है, लोड साझा करता है ताकि परीक्षक एक ही समय में पूरी शक्ति से काम करें और एक के अंत में, दूसरा तुरंत शुरू हो। मैंने लंबे समय तक सामना किया कि कैसे सब कुछ सिंक्रनाइज़ किया जाए, लेकिन सब कुछ स्वायत्तता से, जल्दी और आसानी से निकला!
इस मामले में, मोंटे कार्लो कार्यक्रम की मुख्य विंडो पर सभी पैरामीटर और परिणाम प्रदर्शित किए जाते हैं। इसलिए, वहां होने वाली हर चीज दिखाई और समझ में आती है। परीक्षण के परिणामों के साथ एक लॉगिंग विंडो और एक खिड़की है। प्रत्येक पुनरावृत्ति के बाद, प्रोग्राम क्रमबद्ध फ़ाइलों को खोलता है, उन पर आँकड़ों की गणना करता है, स्क्रीन पर सॉर्ट और प्रदर्शित करता है।

मोंटे कार्लो ऑप्टिमाइज़र परीक्षक इंटरफ़ेस:



काम में:



परीक्षण का अंत। सबसे अच्छा परिणाम 88% की उम्मीद के साथ था। इसके अलावा, 6060 विकल्पों में से, केवल 778 का परीक्षण किया गया था, जिनमें से 116 को दोहराया गया था।



परीक्षण से पहले की गई रणनीतियों को देखने के लिए जाँच की जाती है कि क्या उनका परीक्षण पहले किया गया है, क्योंकि चरम की ओर, घनत्व बढ़ जाता है और अंत में अधिकतम के आसपास का क्षेत्र पूरी तरह से कवर हो जाता है। और हम फिर से उसी चीज का परीक्षण नहीं करेंगे। विश्लेषक रणनीतियों के विज़ुअलाइज़ेशन के लिए सभी परीक्षा परिणाम कार्यक्रम द्वारा समस्याओं के बिना संसाधित किए जाते हैं। आप आरंभिक जमा (गारंटी सुरक्षा), मैन्युअल रूप से सही कर सकते हैं या प्रारंभिक जमा को बदल सकते हैं:



परीक्षण के परिणामों की खिड़की में, परीक्षण और अनुकूलन के सभी परिणामों के लिए एक बड़ी सांख्यिकीय तालिका प्रदर्शित की जाती है। किसी भी पैरामीटर को कॉलम द्वारा हल किया जा सकता है। जब आप किसी भी लाइन पर डबल-क्लिक करते हैं, तो सभी पैरामीटर विज़ुअलाइज़ेशन विंडो पर जाते हैं, इसलिए आपको कोशिकाओं में कुछ भी हथौड़ा करने की ज़रूरत नहीं है (मैं खुद को बहुत अधिक प्रभावित नहीं हूं)!

परीक्षा परिणाम विंडो:



सभी एक साथ:



हालांकि, पहले मोंटे कार्लो अनुकूलक परीक्षक को लागू करने और इसके काम की जांच करने के बाद, मैं इस निष्कर्ष पर पहुंचा कि वह अपने कार्य को पूरा कर रहा था, लेकिन उस गुणवत्ता में नहीं जिसे मैं चाहता था। शास्त्रीय अनुकूलन के तरीकों में, प्रत्येक नए पुनरावृत्ति में, सबसे अच्छा मूल्य मांगा जाता है और इसके चारों ओर पहले से ही शोध किया जा रहा है। मेरे मामले में, मैंने इसके बारे में रणनीति विकल्पों के मैट्रिक्स को काट दिया।

मोंटे कार्लो विधि द्वारा स्टोकेस्टिक अधिकतम खोज एल्गोरिथ्म की सशर्त योजना:

उन्नत एल्गोरिथ्म

पहले पुनरावृत्ति के बाद, जब हमने अंतरिक्ष की सबसे पहली खोज की, तो हमें किसी भी तरह अगले नमूने के लिए अनुसंधान के क्षेत्र को कम करना चाहिए। लेकिन अभी तक हम इस अंतरिक्ष के बारे में लगभग कुछ भी नहीं जानते हैं और यह मुझे लगता है, यह अज्ञात क्षेत्रों को काटने के लिए लापरवाह है। सामान्य तौर पर, एल्गोरिथ्म को एक वैश्विक अधिकतम के लिए खोज करने के लिए डिज़ाइन किया गया है, और हम सभी स्थानीय और वैश्विक अधिकतम में रुचि रखते हैं।

हमें उन सभी मापदंडों को जानना होगा जहां एक रणनीति लाभदायक हो सकती है। शायद कुछ मापदंडों के साथ रणनीति अच्छा लाभ लाती है, लेकिन अधिक जोखिम भरा होता है, और अन्य मापदंडों के साथ यह थोड़ा कम लाभ कमाता है, लेकिन यह अधिक स्थिर और कम जोखिम वाला होता है, और यदि हम अपने एल्गोरिथ्म का पालन करते हैं, तो हम इसकी दृष्टि खो सकते हैं। उसी समय, हम अंतरिक्ष के बारे में बहुत विस्तार से जाँच नहीं कर सकते हैं, और पूरी खोज करना काफी महंगा है।

इस मामले में क्या करना है? मैंने शास्त्रीय योजना से दूर जाने और ट्रेडिंग में कार्य करने का निर्णय लिया: "आप अपने लाभ को नियंत्रित नहीं कर सकते, आप केवल अपने जोखिमों को नियंत्रित कर सकते हैं।" इसलिए, मैंने जोखिम लेने और उपाय नहीं करने का फैसला किया ताकि अनजाने में अध्ययन से एक अच्छी रणनीति न निकले।

फिर मैट्रिक्स की फसल कैसे करें? हम केवल उन क्षेत्रों में कटौती करेंगे जिनकी जांच की गई है! यही है, हम सबसे खराब जांच की गई रणनीतियों के आसपास के सूक्ष्म क्षेत्रों को हटा देंगे। एल्गोरिथ्म का सार यह है कि हम रणनीतियों के अच्छे क्षेत्रों का पता नहीं लगाते हैं, हम बुरे का पता नहीं लगाते हैं। और हम अनुकूलन के अंत में सर्वोत्तम रणनीतियों पर शोध कर सकते हैं।

इस तरह के एक एल्गोरिथ्म के संचालन को यहां दिखाया गया है:



वास्तव में, मैट्रिक्स बहुआयामी है (मेरे मामले में, अधिकतम 9 आयाम), लेकिन ऑपरेशन के सिद्धांत की व्याख्या करने के लिए, हम अपने तीनों पसंदीदा आयामों का उपयोग करेंगे:

• एक्स अक्ष - "लंबी" चलती औसत के पैरामीटर
• वाई अक्ष - "लघु" चलती औसत के पैरामीटर
• Z अक्ष "शॉर्ट" और "लॉन्ग" मूविंग एवरेज को भेदने की रणनीति के परीक्षण का परिणाम है, इस मामले में मैंने उम्मीद की चटाई ली

इस स्थान के अंक पहले से ही "लंबे" और "लघु" चलती के विभिन्न मूल्यों के साथ रणनीतियों के पहले से ही परीक्षण किए गए संस्करण हैं। बिंदु जितना हल्का होगा, उसकी अपेक्षा उतनी ही बेहतर होगी।

सिद्धांत रूप में, इसे दो निर्देशांकों में दर्शाया जा सकता है:



लेकिन तीन निर्देशांक में मुझे यह अधिक पसंद है - अधिक स्पष्ट रूप से।
तो, अंतरिक्ष में काले बिंदु परीक्षण परिणामों के अनुसार सबसे खराब रणनीति हैं। एल्गोरिदम के पथ को बिंदु से बिंदु तक जोड़ने वाली उनकी रेखाएँ। विमान में ग्रे डॉट्स वे रणनीतियाँ हैं जिन्हें हम अध्ययन क्षेत्र से हटाते हैं। उनके बीच की रेखाएं मैट्रिक्स से रणनीतियों को हटाने के लिए एल्गोरिथ्म का मार्ग हैं। काले डॉट्स और ग्रे के बीच की रेखाएं एक विमान पर सबसे खराब रणनीति का प्रक्षेपण हैं। एक विमान पर एकल ग्रे डॉट्स पहले से ही एक विमान पर परीक्षण की रणनीतियों का अनुमान है।

यहां आप देख सकते हैं कि एल्गोरिथ्म एक सबसे खराब रणनीति से दूसरे तक कैसे जाता है, सबसे खराब शुरुआत के साथ:

एल्गोरिथ्म के लाभ:

हम जानबूझकर सबसे खराब रणनीतियों को अनुसंधान स्थान से हटा देते हैं। इस प्रकार, अगले पुनरावृत्तियों में, हम अधिक लाभदायक रणनीतियों वाले क्षेत्रों का पता लगाते हैं और उन क्षेत्रों का अध्ययन करने में मूल्यवान परीक्षण समय बर्बाद नहीं करते हैं जिनकी हमें आवश्यकता नहीं है। अंततः, हमारे अनुसंधान का क्षेत्र अंतरिक्ष के सभी मैक्सिमा में परिवर्तित हो जाता है।

परिणामस्वरूप, हमें कुछ ऐसा मिलता है:



पेंच प्रक्षेप अभी तक सफल नहीं हुआ है, इसलिए कोई सतह नहीं है, मैं बिंदुओं से संतुष्ट हूं।
एक बहुआयामी मैट्रिक्स में, आप माप के लिए क्रॉस सेक्शन देख सकते हैं:

"लंबी उम्मीद है"



"लघु-अपेक्षा"



शोधकर्ता परीक्षक-आशावादी की उपस्थिति:



सभी एप्लिकेशन पूरी तरह से C # में लिखे गए थे। अनुकूलन शुरू करने से पहले, हम निम्नलिखित मापदंडों को कॉन्फ़िगर करते हैं:

• रणनीति मापदंडों की श्रेणी, साथ ही इन मापदंडों का चरण,
• हम किस समय सीमा पर जांच करेंगे (आप एक बार में कई का चयन कर सकते हैं),
• इतिहास की सीमा
• उपकरण,
• अनुकूलन परिणामों को बचाने का तरीका,
• कमीशन गणना पैरामीटर, आदि।
• प्रारंभिक मैट्रिक्स आकार के प्रतिशत के रूप में परीक्षण रोक मापदंड,
• प्रत्येक पुनरावृत्ति के बाद हम कितने% नमूना क्षेत्र को कम कर देंगे। पुनरावृत्तियों की कुल संख्या और अनुकूलन की सटीकता इस पर निर्भर करती है।
• हम प्रत्येक पुनरावृत्ति पर नमूना क्षेत्र से कितनी यादृच्छिक रणनीतियों का पता लगाएंगे,
• हम परीक्षकों को कितनी रणनीति भेजेंगे (कई दौरे संभव हैं)। पीसी की शक्ति, रैम की मात्रा, ऐतिहासिक डेटा की गहराई पर निर्भर करता है।
• लगभग कितनी खराब रणनीतियाँ हम स्थानीय क्षेत्रों को दूर करेंगे,
• हम अभिसरण के लिए कितनी सर्वोत्तम रणनीतियों की जाँच करेंगे,
• सर्वोत्तम रणनीतियों के आसपास स्थानीय क्षेत्र का आकार जो हम आगे का पता लगाएंगे।

अनुकूलन के बजाय, आप "यादृच्छिक बस्ट" चला सकते हैं। यहां, रणनीतियों का परीक्षण ग्रिड पर नहीं, बल्कि एक यादृच्छिक क्रम में किया जाता है। यही है, हम किसी भी समय अध्ययन को रोक सकते हैं और परिणाम का मूल्यांकन कर सकते हैं। बेशक, हम जितनी अधिक रणनीतियों का परीक्षण करते हैं, उतनी ही स्पष्टता से हमें अंतरिक्ष का विचार मिलता है।



मान लीजिए कि हमने अंतरिक्ष की खोज की और लगभग कल्पना की कि कितने मैक्सिमा हैं। और यह हमें क्या देता है? अब तक, लगभग कुछ भी नहीं ...
हमें इन मैक्सिमा की जांच करने की जरूरत है, ताकि यह समझा जा सके कि वे यादृच्छिक या प्रणालीगत हैं। ऐसा करने के लिए, परीक्षक-ऑप्टिमाइज़र ने सर्वोत्तम रणनीतियों को चुनने का अवसर प्रदान किया और इसके अलावा, अधिक विस्तार से उनके आसपास के क्षेत्रों का पता लगाएं। अनुकूलन के दौरान हमने जिन रणनीतियों को याद किया, उनका अन्वेषण करें। अब हम अंतरिक्ष की विलुप्ति के बारे में लगभग सब कुछ जानते हैं! प्राप्त डेटा को क्लस्टरिंग, री-ऑप्टिमाइज़ेशन, और अधिक के लिए और अधिक जांच की जा सकती है। लेकिन यह एक और कहानी है!

PS अपने बारे में बहुत कुछ नहीं। मैं लगभग एक साल पहले ट्रेडिंग में मिला था, पहले मैंने मैन्युअल रूप से कारोबार किया था, तब मुझे एहसास हुआ कि यह मेरा नहीं था। मैं इस निष्कर्ष पर पहुंचा कि स्पष्ट नियमों और स्वचालित के अनुसार व्यापार करना बेहतर है। पहला एल्गोरिथ्म क्विक टर्मिनल की स्क्रिप्टिंग भाषा में लिखा गया था, लेकिन यह भाषा (क्यूपाइल) अविश्वसनीय रूप से दयनीय थी। फिर उसने C # से परिचित होना शुरू किया और उस पर अपना पहला ट्रेडिंग रोबोट लिखा। फिलहाल मैं एल्गोरिदमिक ट्रेडिंग के लिए एक बहुक्रियाशील मंच बना रहा हूं।

सभी को शुभकामनाएँ! साभार, एलेक्सी