共同原則

在很多交易平臺中都解決了機器人優(yōu)化的問題，包括 赫茲量化交易軟件。嵌入的測試器提供了各種工具、高級算法、分布式計算和細(xì)粒度統(tǒng)計評估。然而，從用戶的角度來看，在優(yōu)化過程中，總是有一個更為關(guān)鍵的最后階段，即在分析程序生成的大量信息的基礎(chǔ)上，選擇最終工作參數(shù)的階段。在之前處理 Kohonen 圖并在本網(wǎng)站上發(fā)布的文章中，提供了可視化分析優(yōu)化結(jié)果的示例。但是，這意味著用戶要自己執(zhí)行專家分析。理想情況下，我們希望從神經(jīng)網(wǎng)絡(luò)得到更具體的建議?？傊惴ń灰资峭ㄟ^程序進(jìn)行交易，而不涉及用戶。

完成優(yōu)化后，我們通常會收到一份包含許多選項的長測試報告。根據(jù)要排序的列，我們從其深度提取絕對不同的設(shè)置，這意味著在相關(guān)標(biāo)準(zhǔn)上的最佳性，如利潤、夏普比率等。即使我們已經(jīng)確定了我們最信任的標(biāo)準(zhǔn)，系統(tǒng)通常也會提供幾個具有相同結(jié)果的設(shè)置。如何選擇呢?

有些交易者采用自己的綜合標(biāo)準(zhǔn)，將幾個標(biāo)準(zhǔn)指數(shù)納入計算中——使用這種方法，在報告中獲得相同序列的可能性實際上更小。然而，事實上，他們將問題轉(zhuǎn)化為上述標(biāo)準(zhǔn)的元優(yōu)化領(lǐng)域（如何正確選擇其公式？），而這是一個單獨的主題。因此，我們將返回到分析標(biāo)準(zhǔn)優(yōu)化結(jié)果。

在我看來，選擇最佳的EA參數(shù)集必須基于搜索目標(biāo)函數(shù)值范圍內(nèi)最長持續(xù)的“高原”，而不是基于搜索此類函數(shù)的最大值。在交易環(huán)境中，“高原”的水平可與平均盈利能力進(jìn)行比較，而其長度可與可靠性進(jìn)行比較，即系統(tǒng)的穩(wěn)健性和穩(wěn)定性。

在我們有目的地考慮了第一部分中的一些數(shù)據(jù)分析技術(shù)之后，我們建議可以使用聚類來搜索這樣的“高原”。

不幸的是，沒有統(tǒng)一或通用的方法來獲得具有所需特征的集群。特別是，如果集群的數(shù)量“太大”，它們就會變小，并顯示出重新學(xué)習(xí)的所有癥狀——它們很難概括信息。如果有“太少”的集群，那么它們是相當(dāng)少的訓(xùn)練，所以他們接收到自己的樣本是根本不同的?！疤边@個詞沒有任何明確的定義，因為每個任務(wù)、數(shù)據(jù)數(shù)量和數(shù)據(jù)結(jié)構(gòu)都有一個特定的閾值。所以，通常建議進(jìn)行幾次實驗。

集群的數(shù)量在邏輯上與圖的大小和應(yīng)用的任務(wù)相關(guān)。在我們的例子中，前一個因素只在一個方向上起作用，因為我們以前決定通過公式（7）設(shè)置大小。因此，知道了這個大小，我們就得到了集群數(shù)量的上限——它們中的任何一個都不能超過一側(cè)的大小。另一方面，根據(jù)應(yīng)用的任務(wù)，只有一對集群可能適合我們：“好”和“壞”設(shè)置。這是可以進(jìn)行實驗的范圍。所有這些都只適用于基于清楚指示集群數(shù)量的算法，如 K-Means。我們的替代算法沒有這樣的設(shè)置，但是，由于按質(zhì)量排列集群，我們可以從我們的考慮中排除數(shù)字高于給定集群的所有集群，

然后我們將嘗試使用Kohonen網(wǎng)絡(luò)執(zhí)行集群化。然而，在我們開始練習(xí)之前，我們必須討論一個更好的觀點。

許多機器人在很大的參數(shù)空間內(nèi)進(jìn)行了優(yōu)化，因此，采用遺傳算法進(jìn)行優(yōu)化，它節(jié)省了時間和資源。然而，它有一個特殊的特點，即“陷入”盈利領(lǐng)域。原則上，這就是目的。然而，就 Kohonen 圖而言，它不是很好。問題是，Kohonen映射對輸入空間中的數(shù)據(jù)分布很敏感，并實際反映在生成的拓?fù)渲?。由于早期遺傳算法排除了參數(shù)的錯誤版本，因此它們發(fā)生的幾率比遺傳的好版本要小得多。因此，Kohonen網(wǎng)絡(luò)可能忽略了在所發(fā)現(xiàn)的良好版本附近的目標(biāo)函數(shù)的危險谷。由于市場特征總是波動的，因此避免此類參數(shù)是至關(guān)重要的，在這些參數(shù)中，左或右的步驟會導(dǎo)致?lián)p失。

以下是解決問題的方法：

1. 放棄遺傳優(yōu)化而偏向于全優(yōu)化，由于不可能完全實現(xiàn)，可以采用層次化的方法，即先大步進(jìn)行遺傳優(yōu)化，對感興趣的區(qū)域進(jìn)行局部化，然后在其中進(jìn)行全優(yōu)化（然后使用Kohonen網(wǎng)絡(luò)進(jìn)行分析），這也是一種想法，要優(yōu)化的參數(shù)列表的過度擴展為系統(tǒng)提供了自由度，這是因為它變得不穩(wěn)定；第二，優(yōu)化轉(zhuǎn)化為擬合；因此，建議根據(jù)物理平均值為較大部分的參數(shù)選擇永久值。例如，在基礎(chǔ)分析上（如根據(jù)策略類型選擇時間段：日內(nèi)策略一天，中期策略一周等），可以減少優(yōu)化空間，放棄遺傳；

2. 要多次重復(fù)遺傳算法優(yōu)化，使用最大值和最小值以及目標(biāo)函數(shù)的零作為標(biāo)準(zhǔn)；例如，可以執(zhí)行三次優(yōu)化：然后，整合所有優(yōu)化的結(jié)果，并將其作為一個統(tǒng)一的整體進(jìn)行分析；

• 根據(jù)獲利因子 (PF), 與通常一樣;

• 根據(jù)反向質(zhì)量，即 1/PF;

• 根據(jù)公式 (min(PF, 1/PF) / max(PF, 1/PF)) ，它會收集1附近的統(tǒng)計數(shù)據(jù);

3. 這是一個值得研究的半度量：用一個不包括優(yōu)化指標(biāo)的度量來構(gòu)造Kohonen圖（實際上，所有的經(jīng)濟指標(biāo)都不是EA參數(shù)）；換句話說，在網(wǎng)絡(luò)教學(xué)中，神經(jīng)元權(quán)重和輸入之間的相似性的度量必須由選擇的組件來計算。與EA參數(shù)相關(guān)；逆向度量也很有趣，因為接近度量僅由經(jīng)濟指標(biāo)計算，我們可能會看到參數(shù)平面中的拓?fù)浞稚?，這提供了系統(tǒng)不穩(wěn)定的證據(jù)；在這兩種情況下，神經(jīng)元的權(quán)重都是以一種完全的方式進(jìn)行擬合的 - 根據(jù)所有組件。

最后一個版本 N3 意味著網(wǎng)絡(luò)拓?fù)鋵⒅环从矱A參數(shù)的分布（或經(jīng)濟指標(biāo)，取決于方向）。事實上，當(dāng)我們在優(yōu)化表的整行上訓(xùn)練網(wǎng)絡(luò)時，諸如利潤、提取和交易數(shù)量等列構(gòu)成了神經(jīng)元的總分布，其程度不小于EA參數(shù)的分布。這有助于對視覺分析問題有一個全面的了解，并得出哪些參數(shù)對哪些指標(biāo)影響最大的結(jié)論。但這不利于分析我們的參數(shù)，因為它們的實際分布會被經(jīng)濟指標(biāo)所改變。

原則上，在分析優(yōu)化結(jié)果的情況下，將輸入向量分為兩個邏輯上分離的組件：EA輸入及其索引（輸出）。在全矢量的基礎(chǔ)上訓(xùn)練一個Kohonen網(wǎng)絡(luò)，我們試圖確定“輸入”和“輸出”（雙向無條件關(guān)系）的依賴性。當(dāng)網(wǎng)絡(luò)只在一部分功能上學(xué)習(xí)時，我們可以嘗試看到有向關(guān)系：如何根據(jù)“輸入”對“輸出”進(jìn)行聚集，反之亦然，如何根據(jù)“輸出”對“輸入”進(jìn)行聚集。我們將考慮這兩個選項。