优化类型
在测试器里拥有两种优化类别。您可以在策略测试器的 设置 选卡上选择适宜的一种。
慢速完整算法
在此模式下, 优化过程将根据 相应选卡 里选择的输入变量, 执行所有可能的组合。
这种方法是最精确的。不过, 智能交易系统运行所有可能的组合需要较长的时间。
快速遗传算法
这类优化基于搜索输入参数最佳值的遗传算法。这种类型比第一种快得多, 且品质几乎相同。慢速完整优化需要执行几年时间, 而用遗传算法只需执行几个小时。
每一个体都有一组特殊的遗传集合与它们的参数集合相对应。遗传优化机遇持续选择最 "适合的" 参数 (给出最佳结果的数值)。在一般形式里, 算法可用如下方式表达:
- 从参数所有可能组合的总数里, 通过随机抽样选取两个种群 (集合);
- 两组集合经过测试, 其中结果最佳的一组 (根据 优化准则) 被留下;
- 集合成员彼此随机交叉, 经历随机突变和参数反转;
- 后代根据最佳结果排序, 并交叉反复;
- 只要结果有改善 (后代中的最佳结果比父辈中最佳的那个更好), 重复排序和交叉操作。如果 优化准则 值在若干次交叉中没有改进 (后代), 优化过程完毕。
测试运行次数
在遗传优化期间, 测试运行的数量要低很多, 提供更爽捷的优化。遗传优化启动之后, 测试运行的评估数量显示在 设置 选卡上。它按照以下公式计算:
种群大小 * (绝对后代数量 + 收敛评估的后代数量)
此处:
- 种群大小 基于优化参数可能的组合数量计算, 可能的范围从 64 到 256;
- 绝对后代数量 可能的范围从 15 到 31。它由存在的改进优化准则来定义。在所有优化里测试 15 代。如果在范围 15 和 31 之间的一代没有任何优化准则的改进, 下一代会启动收敛评估的额外测试。
- 收敛评估的后代数量 以绝对后代数量的三分之一计算。如果绝对后代数量为 18 (第 17 代显示为最佳结果, 且 18 代未显示任何改进) 则测试另外 5 代: 第 18 代未显示任何改进, 那么对于收敛评估, 我们需要 18/3 = 6 代无任何改进的优化准则。如果指定数量的后代没有显示出任何改进, 优化停止。
|
优化准则 #
一个优化准则是确定因子, 其值定义一组测试组参数的质量。优化准则的数值越高, 给定参数集合的测试结果越佳。这些因子可在 设置 选卡里 "优化" 右侧的字段里选择。
优化准则只有遗传算法需要。 |
以下优化准则可用:
- 最大余额 ― 余额数值最高。
- 最大盈利因子 ― 利润因子的最大值。
- 最大期望收益 ― 期望收益的最大值。
- 最低回撤 ― 在这种情况下，考虑了 以百分比表示的结余 相对减少。
- 最大采收率 ― 采收率的最大值。
- 最大夏普比率 ― 夏普比率的最大值。
- 自定义最大 ― 此处的优化准则是智能交易系统里 OnTester() 函数的数值。此参数允许使用任意自定义值对智能交易系统进行优化。
另一个选项就是使用“最大复杂标准”。这是测试通过质量的完整且复杂的衡量标准。它会衡量多个参数：
- 成交数
- 盈亏
- 采收率
- 期望收益
- 夏普比率
通过使用这个标准，您可以看到就复杂分析而言，参数的最大值（例如盈利）并不总是最佳选择。复杂标准逐渐选择最优通过：首先根据成交数，然后根据期望收益、采收率等。新选项可以根据所有参数接收最佳优化通过。此外，您可以根据所需参数（例如最高盈利）选择最佳通过。
在市场观察里选择的所有品种
不像上述优化类型, 这种允许智能交易系统以相同的 输入参数进行测试, 但品种不同。只有 主要测试品种 才会在每次递进时改变, 即, EA 加载所在图表的品种。
优化的执行只针对当前在 市场观察 里选择的品种。所以, 您可以通过调整选定品种的集合来管理优化。