Algorithme d'optimisation génétique

Cher Mark.

 

Lorsque je choisis la méthode d'optimisation dans l'onglet Paramètres de l'optimisation, je peux choisir l'optimisation par force brute et l'optimisation génétique.

Tout d'abord, j'ai remarqué qu'il y a quelque temps, peut-être un mois ou plus, l'optimisation génétique fonctionnait différemment, pas aussi bien qu'aujourd'hui.

Auparavant, le nombre de simulations était légèrement décroissant, alors qu'aujourd'hui, il est généralement fixé à 15 000 tests (à moins qu'il n'y ait très peu de tests).

 

Je pense qu'il y a deux façons de le faire sur place. La première consiste à choisir une combinaison aléatoire de paramètres, une sorte d'échantillonnage de Monte Carlo.

La deuxième consiste à faire une optimisation un peu intelligente - optimiser 1 à 3 paramètres, puis les suivants, et ainsi de suite. Et ce, plusieurs fois par cycle,

afin que le point converge vers le point optimal.

 

Pourriez-vous nous donner une idée générale du type de méthode que vous utilisez pour l'optimisation génétique ? Peut-être quelque chose de similaire à ce que j'ai décrit, ou quelque chose de différent ?

 

Une dernière question. Quelle est la différence entre le type Walk-Forward Exact et Simulé ?

Ah, c'est vrai, c'est la même chose que Brute Force vs. Genetic Optimization. Même question concernant l'algorithme pour celui-ci.

L'optimisation génétique est réalisée à l'aide d'algorithmes génétiques. 

 

Ils fonctionnent de manière à créer une population aléatoire de différentes combinaisons de paramètres et à la faire évoluer au cours des générations suivantes pour trouver le "meilleur" ensemble de paramètres.

L'optimisation génétique devrait être utilisée lorsqu'il y a trop de combinaisons et que la méthode de la force brute ne peut pas être utilisée.

 

Mais il s'agit de quelque chose d'autre que la marche en avant exacte et simulée. L'optimisation génétique simulée est un mode plus rapide qui n'exécute pas l'analyse complète de la marche en avant pour chaque combinaison de la marche en avant, mais qui n'exécute l'optimisation génétique qu'une seule fois et "simule" ensuite les résultats pour différentes combinaisons de la marche en avant.

 

Elle est beaucoup plus rapide mais suffisamment précise pour être utilisée normalement à la place de la méthode exacte.