외환 포트폴리오 최적화

포트폴리오 최적화. 영업 시간 전 시장 뉴스. 플래시 견적 요약 견적 대화 형 차트 기본 설정입니다. 선택을하면 이후의 모든 방문에 적용됩니다. 언제든지 되돌릴 수 있습니다. 기본 설정을 변경하려면 위의 기본 설정을 선택하십시오. 기본 설정을 변경하는 데 질문이 있거나 문제가 발생하면 이메일을 보내주십시오. 선택을 확인하십시오. 견적 검색의 기본 설정을 변경하도록 선택했습니다. 구성을 다시 변경하거나 쿠키를 삭제하지 않는 한 기본 목표 페이지 기본 설정 페이지 설정을 변경 하시겠습니까? 광고 차단기를 비활성화하거나 설정을 업데이트하여 자바 스크립트 및 쿠키가 활성화되어 있는지 확인하십시오. 우리가 기대하는 일류 시장 뉴스와 데이터를 제공합니다. 정의 최적화. 기술 분석 최적화의 맥락에서 tr 이 조정에는 이동 평균에 사용되는 기간 수 변경, 사용 된 지표 수의 변경 또는 단순히 작동하지 않는 사항의 제거 등이 포함됩니다. 예를 들어 투자자가 간단한 거래 시스템 이동 평균의 기간을 변경하여 마감 가격과 이동 평균의 교차로 구성되는 경우 상인은 다른 수익, 위험, 자본 삭감 등을 얻습니다. 따라서 최적화를 통해 거래에 가장 적합한 매개 변수를 선택할 수 있습니다. 파산 최적화. 거래 시스템이 개발되면 구현하기 전에 다음 단계는 다시 테스트 및 최적화입니다. 거래 시스템의 매개 변수에 대한 최상의 설정 조합을 찾는 것은 거래 시스템의 성공을 창출하는 데 중요합니다. 많은 함정과 트레이더가 가끔 우연히 간과하는 함정 과도 최적화 및 너무 크거나 작은 샘플 데이터 기간을 갖는 것은 미묘한 차이에 불과합니다. 실수는 거래 시스템이 실패하게 만듭니다. 거래 시스템은 일관된 이익을 가져 오는 거래의 진입 및 퇴출을 결정하는 일련의 규칙을 정의하는 데 사용됩니다. 시스템에 적용되는 각 규칙에 따라 신호의 수는 순서대로 감소합니다 전체 규칙에 의해 규정 된 집합 기준을 충족시키기 위해 너무 많은 규칙을 적용하여 더 높은 수익을 보여주는 백 테스트 결과를 얻는 것은 곡선 피팅 (curve-fitting)이라고 불리는 결과를 초래할 수 있습니다. 이것은 하나의 백 테스트 결과 기간은 수익성을 나타내지 만 동일한 시스템 및 설정이 다른 기간에 적용될 때 붕괴합니다. 예를 들어 지난 1 년 동안 일일 차트를 사용하는 거래 시스템을 상상해보고 큰 반전이 발생하는 월과 일을 선택합니다 발생했는데 수익성있는 거래를 발생시키는 역 분개의 방향으로 신호를 나타냄. 이 가상이지만 비실용적 인 시스템의 규칙은 다음과 같은 결과를 초래할 수있는 월 및 일 날짜의 목록 일 것입니다. 해당 연도의 가장 높은 순이익 최적화는 모든 반전의 정확한 타이밍으로 향하게되어 완벽한 곡선 적합성을 갖게됩니다. 그러나 시스템이 다른 연도 또는 미래에 적용될 경우 매우 실패 할 수 있습니다. 샘플 데이터 기간 . 거래 시스템의 설정을 최적화하기 위해 백 테스트가 수행되는 데이터 기간은 시스템에 따라 다릅니다. 일부 시스템은 하루에 여러 개의 거래 신호를 생성하고 일부는 한 달에 하나의 신호를 생성합니다. 두 경우 모두, - 최소한, 통계적으로 유의미한 결과를 나타낼 수있는 다수의 무역 신호를 포함해야 함. - 샘플 기간이 상승 추세, 하락 추세 및 범위 거래를 포함한 모든 일반 시장 조건을 포함하도록주의를 기울여야 함. 한 가지 유형의 시장 조건에서만 작동하는 최적화 결과를 방지하는 데 도움이됩니다. 거래 시스템을 최적화하는 방법. 참고 이것은 상당히 발전된 주제입니다. 이전 AFL 자습서를 읽으십시오 fi 우선 최적화 아이디어는 간단합니다. 먼저 거래 시스템을 가져야합니다. 예를 들어 간단한 이동 평균 크로스 오버가 될 수 있습니다. 거의 모든 시스템에는 주어진 시스템이 어떻게 동작 하는지를 결정하는 평균 기간으로 몇 가지 매개 변수가 있습니다. 예 : 장기 또는 단기간에 어떻게 휘발성이 높은 주식 등에 반응 하는가? 최적화는 주어진 기호 또는 기호 포트폴리오에 대해 시스템으로부터 최대의 이익을 얻는 매개 변수의 최적 값을 찾는 과정입니다. AmiBroker는 한 번에 여러 기호로 시스템을 최적화 할 수있는 몇 가지 프로그램이 있습니다. 시스템을 최적화하려면 최적화 할 매개 변수를 최대 10 개까지 정의해야합니다. 매개 변수의 최소 및 최대 허용치와이 값을 증가시키는 항목을 결정해야합니다 AmiBroker는 매개 변수 값의 가능한 모든 조합을 사용하여 시스템을 여러 번 백 테스트합니다. 이 프로세스가 완료되면 AmiBroker는 목록을 표시합니다 결과를 순 이익으로 정렬 최상의 결과를주는 최적화 매개 변수의 값을 볼 수 있습니다. Writing AFL 공식. 백 테스터의 최적화는 새로운 함수 인 optimize를 통해 지원됩니다. 이 함수의 구문은 다음과 같습니다. 변수 설명 optimize, default min max step. variable - 최적화 함수에 의해 반환 된 값이 할당되는 일반 AFL 변수입니다. 일반 백 테스트, 스캐닝, 탐색 및 comentary 모드에서 optimize 함수는 기본값을 반환하므로 위 함수 호출은 변수 default와 같습니다. 최적화 mode optimize 함수는 step stepping을 사용하여 최소값에서 최대 값까지 연속적인 값을 반환합니다. 설명 최적화 변수를 식별하는 데 사용되는 문자열이며 최적화 결과 list에 열 이름으로 표시됩니다. default는 함수가 반환하는 최적화 값의 기본값입니다. 탐색, 표시기, 주석, 스캔 및 일반 백 테스트 mode. min은 o가되는 변수의 최소값입니다. ptimized. max는 최적화되는 변수의 최대 값입니다. step은 min에서 max로 값을 증가시키는 데 사용되는 간격입니다. AmiBroker는 최대 64 개의 최적화 함수를 지원하므로 최대 64 개의 최적화 변수를 사용할 수 있습니다. 철저한 최적화를 사용하는 경우 최적화 변수의 수를 단지 몇 개로 제한하는 것이 좋습니다. 각 호출은 최대 - 최대 단계 최적화 루프를 생성하고 최적화를위한 다중 호출은 필요한 실행 횟수를 곱합니다. 예를 들어 10 단계를 사용하여 두 개의 매개 변수를 최적화하려면 10 10 100 각 호출이 새로운 최적화 루프를 생성 할 때 수식의 시작 부분에 변수 당 한 번만 변수를 호출합니다. 다중 기호 최적화는 AmiBroker에서 완전히 지원합니다. 최대 검색 공간은 2 64 10 19 10,000,000,000,000,000,000 조합입니다 .1 단일 변수 최적화. sigavg 신호 평균 최적화 9 2 20 1. 구매 MACD 12 26, 신호 12 26 신호 교차 신호 판매 12 26 sigavg, MAC D 12 26.2 3D 차트 작성에 적합한 두 변수 최적화. 2 당 최적화 5 50 1 레벨 최적화 레벨 2 2 150 4.Buy 교차 CCI, 교차 레벨 판매, CCI per.3 다중 변수 3 최적화. MACD 최적화 Fast 12 8 16 1 mslow 최적화 MACD Slow 26 17 30 1 신호 최적화 신호 평균 9 2 20 1. Crossing MACD mfast, mslow 신호 mfast, mslow, sigavg 교차 신호 mfast, mslow, sigavg, MACD mfast, mslow. After 입력 자동 분석 창에서 Optimize 버튼을 클릭하기 만하면됩니다. AmiBroker는 최적화 변수의 가능한 모든 조합을 테스트하고 목록에 결과를보고하기 시작할 것입니다. 최적화가 완료되면 결과 목록이 순이익별로 정렬되어 표시됩니다. 결과 목록의 모든 열은 최저 손익, 최저 거래 횟수, 최대 이익 요인, 가장 낮은 시장 노출 및 가장 높은 위험 조정 연간 수익에 대한 매개 변수의 최적 값을 쉽게 얻습니다. 결과 li의 마지막 열 주어진 테스트에 대한 최적화 변수의 값을 표시합니다. 필요한 매개 변수 조합을 결정할 때 최적의 함수 호출의 기본값을 최적의 값으로 바꿔야합니다. 현재 단계에서 입력해야합니다 수식 편집 창에서 수작업으로 함수 호출 최적화 함수의 두 번째 매개 변수를 표시합니다. 3D 애니메이션 최적화 차트를 표시합니다. 3D 최적화 차트를 표시하려면 먼저 두 변수 최적화를 실행해야합니다. 두 변수 최적화에는 두 가지 최적화 함수 호출이 필요합니다. 두 변수 최적화 공식은 다음과 같습니다. 최적화 2 5 50 1 레벨 최적화 레벨 2 2 150 4. 교차 CCI, 레벨 간 교차 판매, CCI 당. 공식을 입력 한 후 최적화 버튼을 클릭해야합니다. 최적화가 완료되면 최적화 버튼의 드롭 다운 화살표를 클릭하고 3D 최적화 그래프보기를 선택합니다. 몇 초 만에 다채로운 3 차원 표면 플롯이 3D 차트 뷰어 창 위의 수식을 사용하여 생성 된 3D 차트의 예가 아래에 나와 있습니다. 기본적으로 3D 차트에는 최적화 변수에 대한 순이익 값이 표시됩니다. 그러나 최적화 결과 테이블의 모든 열에 3D 표면 형 차트를 그릴 수 있습니다. 정렬하려면 파란색 화살표가 나타나 최적화 결과가 선택된 열로 정렬 된 다음 다시 3D 최적화 그래프보기를 선택합니다. 시스템의 매개 변수가 거래 실적에 미치는 영향을 시각적으로 보여줌으로써 어느 매개 변수 값이 취약하고 어느 것이 강건하게 생성되는지 쉽게 판단 할 수 있습니다 시스템 성능 견고한 설정은 표면 그래프의 점진적인 변화보다는 점진적인 변화를 보여주는 3D 그래프의 영역입니다. 3D 최적화 차트는 커브 피팅을 방지하는 훌륭한 도구입니다. 시스템이 필요할 때보 다 복잡한 경우 커브 피팅 또는 과도 최적화가 발생합니다 모든 복잡성은 결코 다시는 일어나지 않을 수있는 시장 상황에 초점을 두었습니다. 급진적 인 변화 또는 스파이크 3D 최적화 차트에서 명확하게 과다 최적화 영역을 보여줍니다. 실제 거래를 위해 3D 차트에서 넓고 넓은 고원을 생성하는 매개 변수 영역을 선택해야합니다. 이익 거래를 생성하는 매개 변수 세트는 실제 거래에서 안정적으로 작동하지 않습니다 .3D 차트 뷰어 컨트롤. AmiBroker의 3D 차트 뷰어는 전체 그래프 회전 및 애니메이션으로 전체보기 기능을 제공합니다. 이제는 생각할 수있는 모든 관점에서 시스템 결과를 볼 수 있습니다. 마우스, 툴바 및 키보드 단축키를 사용하여 더 쉽게 찾을 수있는 차트의 위치 및 기타 매개 변수를 제어 할 수 있습니다 당신을 위해 아래 목록을 찾을 수 있습니다 .- 회전하려면 - 왼쪽 마우스 버튼을 누른 채로 XY 방향으로 이동 - 확대, 축소 - 오른쪽 마우스 버튼을 누른 상태에서 XY 방향으로 이동 - 이동 번역으로 이동 - 누르기 LEFT 마우스 버튼과 CTRL 키를 누른 상태에서 XY 방향으로 이동 - Animate로 이동 - 왼쪽 마우스 버튼을 누른 상태에서 빠르게 드래그하고 드래그하는 동안 버튼을 놓습니다. SPACE - 자동 회전 LEFT W 키 - 왼쪽으로 회전 RIGHT ARROW KEY - 오른쪽으로 회전 ARROW KEY - 위쪽으로 회전 아래쪽 화살표 키 - 아래로 회전 NUMPAD PLUS - NUMPAD에서 확대 / 축소 - MINUS - 멀리에서 축소 NUMPAD 4 - 왼쪽으로 이동 NUMPAD 6 - 오른쪽으로 이동 NUMPAD 8 - NUMPAD 2 위로 이동 - PAGE UP - 수위를 PAGE DOWN - 수위를 아래로 내림. 철저한 비 철저 최적화. AmiBroker는 이제 정규적이고 철저한 검색 외에 스마트하지 않는 철저한 최적화를 제공합니다. 주어진 거래 시스템의 모든 매개 변수 조합의 개수가 너무 많아서 철저한 검색이 가능하지 않은 경우. 철저한 검색은 사용하기에 합당한 한 완벽합니다. 1에서 100 단계까지 각각 2 개의 매개 변수가 있다고 가정합시다. 10000 가지 조합 - 철저한 검색을 위해 완벽하게 이제 3 가지 매개 변수를 사용하면 1 백만 가지 조합을 얻을 수 있습니다 - 철저한 검색은 가능하지만 길다 수 있습니다 4 가지 매개 변수를 사용하면 1 억 가지 조합과 5 가지 매개 변수가 있습니다 1 100 y ou는 100 억 가지 조합을가집니다. 이 경우 모두를 확인하는 데 너무 많은 시간이 걸릴 수 있습니다. 이것은 비 철저한 스마트 검색 방법으로 철저한 검색을 사용하여 합리적인 시간에 해결할 수없는 문제를 해결할 수있는 영역입니다. 여기 있습니다 절대적으로 SIMPLEST 명령이 경우 CMA-ES.1에서 새로운 비 철저한 최적화 도구를 사용하는 방법 수식 편집기에서 수식을 엽니 다 .2 수식의 맨 위에이 한 줄을 추가하십시오. OptimizerSetEngine cmae 또한 spso 또는 trib를 사용할 수 있습니다. .3 옵션 자동 분석, 설정, 워크 포워드 탭, 최적화 대상 필드에서 최적화 대상을 선택하십시오. 이 단계를 건너 뛰면 최대 MDD 화합물 연간 ​​수익을 최대 drawdown으로 나눈 값에 최적화됩니다. 이제이 공식을 사용하여 최적화를 실행하면 새로운 진화론 적 비 포괄적 인 CMA-ES 최적화 도구를 사용할 것입니다. 어떻게 작동합니까? 최적화는 주어진 함수의 최소 또는 최대 값을 찾는 프로세스입니다. 모든 거래 시스템은 특정 수의 함수로 간주 될 수 있습니다 인수는 매개 변수 및 인용 데이터입니다. 출력은 최적화 대상입니다. CAR MDD 그리고 주어진 함수의 최대를 찾고 있습니다. 스마트 최적화 알고리즘 중 일부는 자연 동물 행동 - PSO 알고리즘 또는 생물학적 프로세스를 기반으로합니다. - 유전 알고리즘, 일부는 인간이 파생 한 수학 개념 (CMA-ES)을 기반으로합니다. 이러한 알고리즘은 금융 분야를 비롯하여 다양한 분야에서 사용됩니다. Google에서 PSO 금융 또는 CMA-ES 금융을 입력하면 많은 정보를 얻을 수 있습니다. 비 철저하거나 스마트 한 방법 글로벌 또는 로컬 최적을 찾을 것입니다. 목표는 물론 글로벌 하나를 찾는 것입니다. 그러나 zillions 매개 변수 조합 중 하나의 예리한 피크가있는 경우, 비 한정적인 방법은이 단일 피크를 찾지 못하고 trader의 perspecive를 취합니다. 단일 날카로운 피크를 찾는 것은 그 결과가 너무 불안정하고 실제 거래에서 복제 할 수 없기 때문에 거래에는 쓸모가 없다. 최적화 과정에서 우리는 오히려 st 이것은 지능형 메서드가 빛나는 영역입니다. 비 - 포괄적 인 검색에서 사용되는 알고리즘과 마찬가지로 다음과 같습니다. 옵티마이 저는 매개 변수 집합의 일반적으로 임의의 시작 인구를 생성합니다. b 백 테스트는 AmiBroker에서 각 매개 변수 집합에 대해 수행합니다. 모집단 c 알고리즘의 논리에 따라 백 테스트의 결과가 평가되고 새로운 모집단이 결과의 진화에 기초하여 생성되며, 새로운 베스트가 발견되면 d가 생성됩니다 - 저장하고 중지 기준이 충족 될 때까지 단계 b로 이동하십시오. 도달 한 지정된 최대 반복을 포함합니다. 마지막 X 세대의 최상의 목표 값 범위가 0이면 중지합니다. 0을 추가하면 중지합니다. 주축 방향으로 1 표준 편차 벡터는 목표 값 d의 값을 변경하지 않습니다. 다른 스마트 AmiBroker의 비 포괄적 인 최적화 프로그램을 사용하면 OptimizerSetEngine 함수를 사용하여 AFL 수식에 사용할 최적화 엔진을 지정해야합니다. 이 함수는 외부 op를 선택합니다 Timing Engine은 AmiBroker라는 이름으로 정의되어 있으며 현재 Standard Particle Swarm Optimizer spso, Tribes trib 및 CMA-ES cmae와 함께 제공됩니다. 중괄호 안에있는 이름은 OptimizerSetEngine 호출에 사용됩니다. 최적화 엔진을 선택하는 것 외에 일부 내부 최적화 매개 변수를 사용하려면 OptimizerSetOption 함수를 사용하십시오. OptimizerSetOption 이름, 값 함수. 함수는 외부 최적화 엔진에 대한 추가 매개 변수를 설정합니다. 매개 변수는 엔진에 따라 다릅니다. AmiBroker SPSO, Trib, CMAE와 함께 제공되는 세 가지 최적화 도구는 두 개의 매개 변수를 지원합니다. MaxEval 및 MaxEval 단일 평가 당 최대 평가 테스트 각 매개 변수의 동작은 엔진에 따라 다르므로 동일한 값이 사용되는 엔진마다 다른 결과를 나타낼 수 있습니다. Run 및 MaxEval의 차이는 다음과 같습니다. 평가 또는 테스트는 단일 백 테스트 또는 평가입니다 목적 함수 값 RUN의 알고리즘은 최적 값을 찾는 알고리즘의 하나의 실행입니다 - 일반적으로 invo 각 테스트는 새로운 시작부터 새로운 최적화 된 초기 무작위 인구를 모아서 최적화 과정을 반복합니다. 따라서 각 실행은 글로벌 하나를 찾지 못하면 다른 지역 최대 최소값을 찾게됩니다. 그래서 Runs 매개 변수는 후속 알고리즘 실행 횟수를 정의합니다 MaxEval is is 문제가 상대적으로 간단하고 1000 개의 테스트만으로도 글로벌 최대 값을 찾으면 5x1000은 로컬 최대치에 걸릴 확률이 더 적기 때문에 글로벌 최대 값을 찾을 가능성이 높습니다. 다른 초기 무작위 인구에서 시작합니다. 매개 변수 값을 선택하는 것은 까다로울 수 있습니다. 테스트중인 문제, 복잡성 등에 달려 있습니다. 확률 적 비 - 철저한 방법은 테스트의 수에 관계없이 전역 최대 최소값을 찾는 것을 보장하지 않습니다. 가장 단순한 대답은 완료하는 데 필요한 시간면에서 합리적인만큼 많은 수의 테스트를 지정하는 것입니다 또 다른 간단한 조언은 새로운 차원을 추가하면서 테스트 횟수를 늘리는 것입니다. 테스트 횟수를 너무 많이 늘릴 수는 있지만 매우 안전합니다. 배송 된 엔진은 사용하기 쉽도록 설계되었으므로 합당한 기본 자동 값이 사용되므로 최적화가 이루어집니다. 일반적으로 모든 스마트 최적화 방법은 연속 매개 변수 공간과 상대적으로 부드러운 목적 함수에서 작동 함을 이해하는 것이 중요합니다. 매개 변수 공간이 분리 된 경우 진화 알고리즘은 최적 값을 찾는 데 어려움이있을 수 있습니다. 특히 이진 on off 매개 변수 - 대부분의 스마트 메소드처럼 객관적인 함수 변경 그라디언트를 사용하는 검색 방법에는 적합하지 않습니다. 거래 시스템에 많은 바이너리 매개 변수가 포함되어 있으면 직접 스마트 옵티 마이저를 사용하면 안됩니다. 대신 연속 매개 변수를 사용하여 최적화하십시오 스마트 옵티 마이저 및 바이너리 매개 변수를 수동 또는 외부로 전환 l script. SPSO - Standard Particle Swarm Optimizer. Standard Particle Swarm Optimizer는 올바른 매개 변수, 즉 Runs, MaxEval이 특정 문제에 대해 제공되면 좋은 결과를 산출해야하는 SPSO2007 코드를 기반으로합니다. PSO 최적화 도구의 올바른 옵션을 선택하는 것은 까다로운 작업 일 수 있습니다. 결과는 사례별로 크게 다를 수 있습니다. ADK 하위 폴더 내에 전체 소스 코드가 포함되어 있습니다. 표준 입자 군단 최적화 도구의 예제 코드는 10000 개의 조합 검색 공간에서 1000 개의 테스트에서 최적의 값을 찾습니다. OptimizerSetEngine spso OptimizerSetOption Runs, 1 OptimizerSetOption MaxEval, 1000.sl s, 26, 1, 100, 1 fa 최적화, 12, 1, 100, 1.Buy 교차 MACD fa, sl, 0 Cross 0, MACD fa, sl. TRIBES - 적응 형 매개 변수가없는 Particle Swarm Optimizer. Tribes는 PSO의 적응 형 매개 변수없는 버전입니다. 입자 득시기 최적화 비 - 철저한 옵티 마이저 과학적 배경을 볼 때 이론적으로 일반 PSO보다 성능이 우수해야합니다. 문제의 해결을 위해 자동으로 웜 크기와 알고리즘 전략을 조정할 수 있기 때문입니다. 실제 성능은 PSO와 매우 유사하다는 것을 보여줍니다. 플러그인은 Tribes-D 즉 무 차원 변형을 구현합니다. Maurice Clerc이 작성한 원본 소스 코드는 저자의 허가를 받아 사용합니다. ADK 폴더 안에 전체 소스 코드가 함께 제공됩니다. 지원되는 매개 변수 MaxEval - 실행 당 기본 백 테스트의 최대 수 1000. 차원 수가 증가함에 따라 평가 수를 늘려야합니다. 최적화 매개 변수의 수 기본값 1000은 2 또는 최대 3 차원에 적합합니다. Runs - 실행 횟수를 기본값으로 다시 설정합니다. 5 실행 횟수를 기본값 인 5로 둘 수 있습니다. 기본 실행 횟수 또는 재시작 횟수는 5로 설정됩니다. 부족 최적화 도구를 사용하려면 코드에 한 줄을 추가하면됩니다. OptimizerSetOption MaxEval, 5000 5000 평가 최대. CMA-ES - 공분산 매트릭스 적응 진화 전략 최적화 프로그램. CMA-ES 공분산 매트릭스 적응 진화 전략은 고급 비 한정적인 최적화입니다. 과학적 배경에 대한 참조 과학적 벤치 마크에 따르면 9 가지의 다른 인기있는 진화 전략 PSO, Genetic 및 Differential evolution. Plugin은 팝업이 증가하면서 몇 가지 재시작으로 전역 검색을 구현합니다. ulation 크기는 ADK 폴더 안에 전체 소스 코드와 함께 제공됩니다. 기본 실행 횟수 또는 재시작 횟수는 5로 설정됩니다. 재시작 횟수를 기본값으로 두는 것이 좋습니다. OptimizerSetOption Runs, N call (N은 범위 내에 있어야 함)을 사용하여 다를 수 있습니다. 1 10 10 회 이상의 실행 지정은 권장되지 않습니다. 각 실행마다 이전 실행 인구의 크기가 2 배가되도록 기하 급수적으로 증가합니다. 따라서 10 회 실행하면 인구 2로 끝나고 첫 번째 실행보다 10 배 더 커집니다. 또 다른 매개 변수입니다 MaxEval 기본값은 ZERO입니다. 즉, 플러그인이 자동으로 MaxEval을 계산합니다. 기본적으로 잘 작동하므로 MaxEval을 직접 정의하지 않는 것이 좋습니다. 알고리즘은 필요한 평가 횟수를 최소화 할 수있을만큼 스마트하고 매우 빠르게 수렴합니다 솔루션 포인트로, 너무 자주 다른 전략보다 솔루션을 찾습니다. 그것은 플러그인이 일부 평가 단계를 건너 뛰고, 솔루션이 발견되면이를 건너 뛰는 것이 일반적입니다. e 당신은 최적화 진행률 표시 줄이 어떤 지점에서 매우 빠르게 움직일 수 있다는 것에 놀랄 필요가 없습니다. 플러그인은 적응력으로 인해 솔루션을 찾을 필요가있을 때 초기 예상 값보다 단계 수를 늘릴 수 있습니다. 또는 진행률 대화 상자에 표시되는 단계 수는 그 당시의 추측 일 뿐이며 최적화 과정 중에 다를 수 있습니다. CMA-ES 최적화 도구를 사용하려면 코드에 한 줄을 추가하면됩니다. 이 기본 설정으로 최적화가 실행됩니다. 대부분의 경우 괜찮습니다. 많은 continouos-space 검색 알고리즘의 경우와 마찬가지로 최적화 함수 호출에서 단계 매개 변수를 줄이면 최적화 시간에 큰 영향을 미치지 않습니다. 유일한 문제는 문제 차원입니다. 다른 매개 변수 수 최적화 함수 호출 수 매개 변수 당 단계 수는 최적화 시간에 영향을주지 않고 설정 될 수 있으므로 원하는 최상의 해상도를 사용하십시오 알고리즘은 최대 900 개의 N 3 N 3 백 테스트에서 솔루션을 찾을 수 있어야합니다. N은 차원입니다. 실제로는 훨씬 빠르게 수렴합니다. 예를 들어 3 N 차원 매개 변수 공간의 솔루션은 100 100 100 1 백만 개의 포괄적 인 단계가 있습니다. 500-900 CMA-ES 단계에서 발견 할 수 있습니다. 다중 스레드 개별 최적화. 다중 기호 다중 스레딩 외에 AmiBroker 5 70에서 시작하여 다중 스레드 단일 기호 최적화를 수행 할 수 있습니다. 이 기능에 액세스하려면 드롭 아래쪽 화살표를 클릭하고 개별 최적화를 선택합니다. 개별 최적화는 사용 가능한 모든 프로세서 코어를 사용하여 단일 기호 최적화를 수행하여 일반 최적화보다 훨씬 빠르게 만듭니다. 현재 기호 모드에서는 하나의 기호에 대해 최적화를 수행합니다 모든 심볼 및 필터 모드에서 모든 심볼을 순차적으로 처리합니다. 즉, 첫 번째 심볼에 대한 첫 번째 최적화, 두 번째 심볼에 대한 최적화 등입니다. 제한 1 Custo m backtester는 아직 지원되지 않습니다. 2 스마트 최적화 엔진은 지원되지 않습니다. EXHAUSTIVE 최적화 만 작동합니다. 결과적으로 AmiBroker가 변경되어서 사용자 정의 백 테스터가 OLE를 더 이상 사용하지 않을 때 제한을 없앨 수 있습니다. 그러나 2는 아마 오래 머물러 있습니다.