Thread: MA Cross Optimization EA (erg cool)

Zou iemand mijn vragen beantwoorden in post 117?

Originally Posted by ;

Voor MA_Optimizer behaalde ik vergelijkbare resultaten als Tdion met behulp van dagelijkse grafieken. Als ik echter een lager tijdsbestek probeer dan dagelijks, zijn de optimalisatieresultaten niet goed. Toen ik voor het eerst de optimalisatie probeerde, waren er geen resultaten en ik keek in het dagboek en er was een bericht, er werden 81 passen gemaakt en 81 werden als onbeduidend genegeerd. Ik heb vervolgens het vinkje weggehaald om nutteloze resultaten over te slaan. Ik kon dan resultaten behalen - voor 1m gbpusd varieerde de geoptimaliseerde winst van 0 tot -10K van 7/08 tot 8/08. Is iemand in staat geweest om goede optimalisatieresultaten te behalen in grafieken minder dan dagelijks? Zo ja, zou u in deze thread posten? Heb je enig idee wat ik verkeerd doe? Ik heb geschiedenisrecords gedownload binnen mijn platform (FxPro): # records zijn: 1M = 3000K, 5M = 703K, 15M = 237K, 30M = 119K, 1HR = 60K, 4HR = 15K, Daily = 3K.

Probeer de aplari-geschiedenisdatabase te gebruiken.

Dat klopt rabid ... je inschatting is correct, en ik neem alleen verlangens wanneer de RSI 96 onder de 50 is en shorts wanneer 96 boven de 50 (op het uur) staat ... de resultaten spreken voor zich. Wat betreft de uitgangen .... Ik optimaliseerde die nadat ik de optimale RSI-periode en drempels had gevonden ...

Originally Posted by ;

Zo lang ween RSI boven X? Je bent aan het optimaliseren voor X en de RSI-periode? Welke uitgang?

Ik ben een beetje teleurgesteld over de backtest-optimizer. Hoewel het niet tegen je zal liegen (de gevonden resultaten zijn waar op basis van de parameters die het vindt) heb ik gevallen gevonden waarbij sommige permutaties genegeerd werden die eigenlijk winstgevend waren ... in sommige gevallen zelfs de meest winstgevende. Dus hoewel er waarde is in deze benadering, is het niet perfect. MACDoug - ondersteuning en weerstand zijn geen onderdeel van de vergelijking ... en ik denk niet dat er ooit een garantie is dat een winstgevend algor zal doorgaan, gebaseerd op onze speculatieve aard (en geen kennis van welke onderliggende factoren in beweging zijn de prijs) maar als ik ga gokken, doe ik het liever zo.

1 Bijlage (n) Het resultaat van het combineren van de 18/16 yen cross (wsl tp) met de EURUSD maandelijkse egie (wtrailing stop) .... 30.000 pitten in 20 jaar .... bottom graph show maximum drawdowns .... als ik een paar meer hoge tijdframe-egie�n kan vinden die de laatste 20 jaar mooi en soepel zijn (zeg, het totaal oplopend tot 100.000 pitten), dan denk ik dat ik misschien iets waard is om te handelen.

Bent u bekend met de wiskunde voor foutenmarge? Aangezien u te maken hebt met gegevens over retourseries, moet deze in de buurt van een normale distributie zijn. Linky:
http://en.wikipedia.org/wiki/Margin_of_errorDus laten we zeggen dat je een 99% zekerheid wilt hebben: foutmarge = 1,29sqrt (n) Laten we zeggen dat we een foutmarge van niet meer dan 5% willen, gewoon inpluggen en oplossen voor n. Eindigt iets minder dan 700 transacties. Natuurlijk minder als u minder vertrouwen of een hogere foutmarge wilt. Nog, vertelt u hoe nauwkeurig uw rendement zou moeten zijn.

Hallo Rabid Ik heb het gevoel dat we het systeem een ??????beetje kunnen bedriegen met dat soort statistische analyse .... (maar misschien niet) Laat het me uitleggen. Door meerdere paren te nemen en verschillende algorn te verhandelen, zullen we verschillende kleine populatiegroottes hebben in plaats van ��n grote .... daarom kan de analyse niet samen op alle transacties worden toegepast. Daarom, zelfs als ik 2000 transacties heb in 20 jaar, heb ik feitelijk 4 tot 500 transacties in isolatie die afzonderlijk moeten worden beoordeeld.

Originally Posted by ;

Bent u bekend met de wiskunde voor foutenmarge? Aangezien u te maken hebt met gegevens over retourseries, moet deze in de buurt van een normale distributie zijn. Linky:
http://en.wikipedia.org/wiki/Margin_of_errorDus laten we zeggen dat je een 99% zekerheid wilt hebben: foutmarge = 1,29sqrt (n) Laten we zeggen dat we een foutmarge van niet meer dan 5% willen, gewoon inpluggen en oplossen voor n. Eindigt iets minder dan 700 transacties. Natuurlijk minder als u minder vertrouwen of een hogere foutmarge wilt. Nog, vertelt u hoe nauwkeurig uw rendement zou moeten zijn.

Originally Posted by ;

Bent u bekend met de wiskunde voor foutenmarge? Aangezien u te maken hebt met gegevens over retourseries, moet deze in de buurt van een normale distributie zijn. Linky:
http://en.wikipedia.org/wiki/Margin_of_errorDus laten we zeggen dat je een 99% zekerheid wilt hebben: foutmarge = 1,29sqrt (n) Laten we zeggen dat we een foutmarge van niet meer dan 5% willen, gewoon inpluggen en oplossen voor n. Eindigt iets minder dan 700 transacties. Natuurlijk minder als u minder vertrouwen of een hogere foutmarge wilt. Nog, vertelt u hoe nauwkeurig uw rendement zou moeten zijn.

Originally Posted by ;

Laat het me uitleggen. Door meerdere paren te nemen en verschillende algorn te verhandelen, zullen we verschillende kleine populatiegroottes hebben in plaats van ��n grote .... daarom kan de analyse niet samen op alle transacties worden toegepast.

Hrm, dat is een goede vraag. Als u dezelfde instellingen voor alle paren gebruikt, zou het waarschijnlijk niet van belang zijn, maar als u specifiek voor elk paar optimaliseert ... Toch kunnen 500 afzonderlijke trades u een betrouwbaarheidsniveau en een foutenmarge geven. Als zodanig zou je waarschijnlijk kunnen bepalen wanneer een reeks transacties buiten je grenzen gaat en je erop attent maken dat er dingen zijn veranderd. Daarmee zou je waarschijnlijk een maximaal toelaatbaar verlies kunnen bepalen en bepalen of het systeem winstgevend is, zelfs onder veranderende omstandigheden.

En hoe gaat een statisticus (zoals jijzelf) om met het veranderen van de marktomstandigheden, waardoor een kenmerk dat al 20 jaar aanwezig was negatief be�nvloed werd?

Originally Posted by ;

Toch kunnen 500 afzonderlijke trades een betrouwbaarheidsniveau en een foutmarge bieden. Als zodanig zou je waarschijnlijk kunnen bepalen wanneer een reeks transacties buiten je grenzen gaat en je erop attent maken dat er dingen zijn veranderd.

Originally Posted by ;

Toch kunnen 500 afzonderlijke trades een betrouwbaarheidsniveau en een foutmarge bieden. Als zodanig zou je waarschijnlijk kunnen bepalen wanneer een reeks transacties buiten je grenzen gaat en je erop attent maken dat er dingen zijn veranderd.

Wel, ik zeg alleen dat als de dingen buiten je ingestelde grenzen gaan, je jezelf zou kunnen waarschuwen om andere tests uit te voeren.

Originally Posted by ;

En hoe gaat een statisticus (zoals jijzelf) om met het veranderen van de marktomstandigheden, waardoor een kenmerk dat al 20 jaar aanwezig was negatief be�nvloed werd?

Tdion, zoals gewoonlijk, beschouw mijn post niet als kritiek - ik ben gewoon voedsel aan het verstrekken voor gedachten, als je geen honger hebt of niet van dat eten houdt, gooi het dan gewoon weg.
Backtesting is goede nuttige oefening, maar ... Zoals ze zeggen, is de uitvoering uit het verleden nooit een goed idee van de toekomst. Je hebt goede ontdekkingen gedaan met je backtesting, nu is het tijd om een ??????versnelling hoger te schakelen. Ik geloof dat je in Bagovinogaren bent geweest. Kijk eens naar Strada - hij bracht een jaar (!!) VOORWAARTS door - testen van de systemen (vergelijkbare MA-kruisen), vond zijn goede plek in termen van de regels en (dit is het belangrijkste deel) zet die regels in de praktijk. Hij maakt nu routinematig 100 pitten per dag. Dat ben ik helemaal niet (helemaal niet!
provocerend zijn, maar hoeveel pitten per dag maak je op een consistente basis? .. Bagovino-regels die Strada gebruikt zijn ZEER eenvoudig. De kunst is om ... ze 100% te volgen. Als je de regels zelfs een beetje gaat buigen, kan geen enkele backtesting je redden. Prettig weekend!