ปี 2022 การปรับให้เหมาะสมด้วย MT5 เป็นที่นิยมใช่ไหม

ปี 2023 ดูเหมือนว่าการปรับให้เหมาะสมมากเกินไปนั้นเป็นอุปสรรคและบูมเรื่องการปรับให้เหมาะสมก็ดูเหมือนจะสิ้นสุดลง

ฉันก็เป็นหนึ่งในคนที่ล้มเหลวจากกำแพงการปรับให้เหมาะสมเช่นกัน

ฉันคิดว่า EA มีทั้งส่วนตรรกะและส่วนระบบ

ส่วนตรรกะห้ามปรับให้เหมาะสมอย่างเด็ดขาด ส่วนระบบสามารถปรับให้เหมาะสมได้

ส่วนระบบไม่ได้หมายถึงกฎการเพิ่มตำแหน่งหรือตัวคูณมาร์ชเทนหรือตำแหน่งเข้า-ออก

ก็จริงๆ แล้ว… มันเกิดการฟิตกราฟจนแม่นยำไม่ได้ใช่ไหม ฮ่าๆ

พูดถึงการปรับให้เหมาะสมก่อนเถอะ,

ตอนนี้ฉันให้ความสำคัญกับการเรียนรู้มากขึ้น

ภาพรวมของกราฟการเรียนรู้

การปรับให้เหมาะสมและการเรียนรู้ดูคล้ายกันในบางมุม แต่มีความแตกต่างอย่างมาก

ภาพด้านล่างแสดงกราฟความเสียหาย(ซ้าย) และกราฟความแม่นยำ(ขวา)

กราฟความเสียหายมีเส้นการฝึก (สีน้ำทะเล) กับการตรวจสอบ (ส้ม)

แกนแนวตั้งคือความเสียหาย (เหมือนคะแนนลดลงในการทดสอบ) และแกนแนวนอนคือจำนวนครั้งการเรียนรู้ (จำนวนครั้งการสอน)

เมื่อฝึกมากขึ้น ความเสียหายจะลดลง แต่การตรวจสอบจะไม่ลดลงในระหว่างทาง

เหมือนเวลาคลาสเรียนหลายครั้งแต่ไม่ได้คะแนนเต็มในการสอบ

สำหรับ EA เหมือนการปรับให้เหมาะสมเป็นการฝึก และการเดินหน้าเป็นการตรวจสอบ

กราฟความแม่นยำมีเส้นการฝึก (สีน้ำเงิน) และการตรวจสอบ (ส้ม) เช่นกัน

ความเสียหายเป็นตัวเลข ส่วนความแม่นยำคือโอกาสผ่าน

ความเสียหายเป็นส่วนเชิงปริมาณ ความแม่นยำเป็นเชิงคุณภาพ

ส่วนที่คล้ายคลึงระหว่างการปรับให้เหมาะสมกับการเรียนรู้

ยิ่งเรียนรู้มากขึ้น ความเสียหายอาจเพิ่มขึ้นได้ในบางกรณี

เรียกสิ่งนี้ว่า overfitting หรือการเรียนรู้เกินพอดี

การปรับให้เหมาะสมเช่นกันหากกำหนดค่าพารามิเตอร์ละเอียดเกินไป อาจไม่สามารถตอบสนองข้อมูลในอนาคตได้

เพราะฉะนั้นจึงมีส่วนของการทดสอบฟอร์เวิร์ดแยกออกมา

ถ้าคุณทำให้ส่วนฟอร์เวิร์ดเทสต์ดีขึ้น ตอนนี้จะเริ่มฟิตเข้ากับส่วนฟอร์เวิร์ดเทสต์

ภาพรวมของการปรับให้เหมาะสมเกินพอดีและการเรียนรู้เกินพอดีมีดังนี้

กราฟภูมิภาคมีข้อผิดพลาด นี่คือเสียงรบกวนของตลาด

เสียงรบกวนคือการเคลื่อนไหวที่ไม่สามารถทำซ้ำได้

การรับเสียงรบกวนนี้จะทำให้เราเบี่ยงเบนจากกราฟที่เหมาะสมขึ้นเรื่อยๆ

ลดจำนวนการ plotting เพื่อสร้างกราฟหรือตัวเลือกที่เหมาะสม

ความแตกต่างระหว่างการปรับให้เหมาะสมกับการเรียนรู้

ดังที่กล่าวมาข้างต้น การปรับให้เหมาะสมอาจทำให้ตำแหน่งของกราฟจริงไม่ชัดเจน และการประเมินผลการปรับให้เหมาะสมยาก แต่

การเรียนรู้สามารถวาดกราฟความเสียหายได้ และหยุดในจำนวนครั้งที่เหมาะสมได้

สามารถลดการรับเสียงรบกวนแล้วทำให้ผลลัพธ์ดีกว่าสำหรับข้อมูลที่ไม่เคยเห็นมาก่อน

ความสามารถที่ทำให้รับมือกับข้อมูลที่ไม่เคยเห็นนี้เรียกว่า ความสามารถในการทั่วไปหรือ generalization

มักมีคำว่า “สิ้นอายุ EA” แต่ถ้าเราประเมินความสามารถในการทั่วไปได้

สามารถรักษาอายุการใช้งานของ EA ให้ยาวนานขึ้นได้

ยิ่งมีรายการปรับให้เหมาะสมมากเท่าไร จะทำให้เกิดการฟิตกราฟได้มากขึ้น แต่

ในการเรียนรู้ หากมีรายการ (ฟีเจอร์) มากเท่าไร ก็สามารถเรียนรู้สภาวะตลาดที่ละเอียดได้มากขึ้น

ตัวอย่างการเรียนรู้ที่ชัดเจน

ในการสร้าง EA ทั่วไป อินดิเคเตอร์อาจมีถึงประมาณ 10 ชนิด

รวมถึง Shift ที่ 1, 2, 3 ก็น่าจะมากที่สุด

อินดิเคเตอร์ 10 ชนิด x 3 ชิฟต์ = 30 ชิ้น

มากที่สุดก็ประมาณนี้ หากปรับทุกอย่างเป็นเป้าหมายการปรับให้เหมาะสมจะเกิดขึ้นโดยรวดเร็วเกินไป

ตอนนี้ฉันมีคุณลักษณะเป็นอินดิเคเตอร์ถึง 300 ชนิด และชิฟต์ 1–200 ดังนั้น…

กำลังใช้ข้อมูลถึง 60,000 รายการเพื่อทำนายสภาวะตลาด

การรวบรวมข้อมูลค่อนข้างลำบาก

ฉันตั้งเป้าหมายแก้ปัญหาการปรับให้เหมาะสมด้วยการเรียนรู้ด้วยแมชชีนและสร้าง EA ที่แข็งแรง