기계 학습 쌍에서의 거래 전략

Computer Generated Trading Strategies Platform. MetaTrader4, NinjaTrader 또는 Tradestation에 전체 소스 코드로 전략을 내보낼 수 있습니다. 거래 규칙을 변경하여 기존 전략을 향상시킬 수 있습니다. Walk-Forward optimization을 사용하여 전략을 최적화하십시오. StrategyQuant에서 거래 규칙을 정의 할 필요가 없습니다. 귀하의 새로운 거래 시스템 그것은 기계 학습 기술을 사용하여 새롭고 독특한 거래 전략을 창출합니다 프로그래밍이나 거래 지식이 필요하지 않습니다 상인이 생각하지 못했던 전략을 수립 할 수 있으며 신속하게이를 수행 할 수 있습니다. 전략을 바로 생성 할 수 있습니다. StrategyQuant는 수백 가지의 새로운 거래 전략을 생성 할 수 있습니다. 각각의 고유 한 전략은 여러 데이터 시간대를 통해 최대한의 견고성을 보장합니다. 결과 전략은 EasyLanguage의 Tradestation 전략, NinjaTrader C 전략 또는 MetaTrader 4 Expert Advisor로 저장 될 수 있습니다. 완전한 소스 코드입니다. Return backtesting and strategy analytics. StrategyQuant는 대부분의 com을 포함합니다. 플렉스 전략 성능 분석 시장에 강력 함을위한 전략을 테스트 할 수있는 몇 가지 강력한 도구가 포함되어 있습니다. Monte Carlo, Walk-Forward 분석 및 3D 차트를 포함한 커브 피팅 및 최적화 이상을 피할 수 있습니다. 지원 플랫폼. StrategyQuant는 선물, 주식, ETF, 상품에 대한 특색있는 거래 플랫폼. 외환 및 CFD를위한 좋아하는 거래 플랫폼. 선물, 주식, ETF, 상품에 대한 특징적인 거래 플랫폼. 정확히 어떻게 작동합니까? EURUSD에 대한 새로운 거래 전략을 창출하십시오. EURUSD 데이터 소스를 선택하고 시간대와 시간 범위를 선택하십시오. 전략이 지표, 가격 데이터, 운영자 등으로 구성되어야하는 블록을 정의하십시오. 결과 전략의 매개 변수가 무엇인지 정의하십시오 - 예를 들어, 총 순이익은 5000보다 커야하고, 인출은 20보다 낮아야하며, 반품 DD 비율은 ​​4보다 커야하며, 300 개 이상의 거래를 생성해야합니다. Start 버튼을 누르면 StrategyQuant가 작업을 수행합니다. 선택한 빌딩 블록을 사용하여 새로운 거래 전략을 무작위로 생성하고, 즉시 테스트하고, 검토를 위해 요구 사항에 맞는 전략을 저장합니다. 그러면 새로 생성 된 전략을 검토하고 추가 테스트를하거나 MetaTrader4 EAs로 내보낼 수 있습니다. 놀라운 소프트웨어 중 하나입니다. 저는 2011 년 12 월에 StrategyQuant를 구입하여 그 이후로 매일 사용 해왔고 간단히 말하면 놀라운 소프트웨어입니다. 지금까지 여러 EA를 만들었습니다 백 테스트에서 매우 잘 수행 할 수 있기 때문에 실제 계정에 추가했습니다. 과거에는 상용 EA 결과에 실망했고 현재까지 수익성있는 상용 EA가 출시되면 브로커가 신속하게 MT4 브로커 플러그인을 통해 최종화 할 수 있습니다. GB를 통해 전 세계의 브로커 중 누구도 특히 아는 브로커가 사용하지 않거나 사용하고 수익을 얻지 못하는 거래 전략을 자동으로 개발하고 테스트 할 수 있습니다 em 제품 지원은 회원 포럼, 세부 지침 및 새 버전 릴리스에서도 탁월합니다. Mark and Team의 StrategyQuant 팀이이 게임 변경 소프트웨어에 대해 많은 축하를 전합니다. Neil Rickaby. Start Your Own Automated Trading Systems. Start Your Own Automated Trading Systems. 우리는 기계적으로 거래 될 수있는 수익성있는 거래 전략을 찾는 것이 얼마나 어려운지 알고 있습니다. StrategyQuant를 사용하면 자동 거래 시스템을 설계 할 수 있습니다. 다른 사람이 개발 한 EA를 구매하는 대신 자신 만의 EA를 생성 할 수 있습니다. 생성 할 수도 있습니다 StrategyQuant에서 사용 된 접근법은 자동 거래의 미래이며 StrategyQuant는 외환 거래자에게 제공되는 가장 훌륭하고 복잡한 도구입니다. StrategyQuant v 3 8. 향후 모든 업그레이드가 무료 인 영구 라이센스 . 무제한의 거래 전략을 생성 할 수있는 가능성. MT4 EA, NinjaTrader C 또는 Tradestation EasyLanguage. 민간 커뮤니티 포럼. 기계 학습 및 자동화 된 거래. 큰 단락 난 그것을 좋아해요. 수익성있는 백 테스팅과 거래 전략을 눈여겨 보겠습니다. 수익성있는 전략에 대한 정보와 교환하여 비공개 일중 거래 프레임 워크를 제안한 이래로 저는 아주 흥미로운 대화를했습니다. , 나는 이것이 초기에 제한된 전화를 무분별하게 확장하고자하는 이유입니다. 나는 전략 아이디어를 찾고 있지 않다는 것을 기억하십시오. 나는 그것들을 충분히 가지고 있습니다. 도전은 아이디어가 떠오르지 않고 올바른 것을 선택하고 테스트하는데 있습니다. 처음부터 끝까지, 그것이 효과가 있다는 것을 알게되거나, 그렇지 않다는 것을 알게 될 때입니다. 여기서 중요한 요소는 시간입니다. 그래서 본질적으로 거래하는 것은 제가 단단한 일중 거래 프레임 워크 개발에 투자 한 시간입니다. 수익성있는 거래 계급 개발에 투자 한 시간 주식, ETF, 미래 또는 옵션 전략이 될 수 있습니다. 교환 된 모든 토론 및 정보는 공개되지 않습니다. 물론 나는 아이디어에 대해 순수하게 토론 할 수는 있지만 제게 당신을 위해 테스트 해 줄 것을 기대하지 마십시오. 귀하의 승인을 요구하지 않고 구현한다면 불평하지 마십시오. 제안을 위해 전화하십시오. 수익성있는 백 텍으로 거래 전략을 눈여겨보십시오. 6 월 15 일까지 주식, 통화 및 주식 채권 지수에 대한 유망한 트레이딩 전략에 대한 제안을 받아들입니다. 전략은 백 테스트에서 수익성이 있어야하며 연간 샤프 비율이 최소 1 0이어야합니다. 7 월 1 일 가장 유망한 두 전략이 선택되고 저자 다음 옵션 중 하나를 선택할 수 있습니다 .1 2012 년 이후에 개발하여 사용한 R에 기반한 강화 된 비공개 거래 프레임 워크의 완전 무료 사본을 얻으십시오. 작성자는 Interactive Brokers와 전략을 실시간으로 교환 할 수 있습니다. 단순화 된 공개 버전을 여기에서 다운로드 할 수 있습니다. 2 R에서 전략을 구현하고 3 개월 동안 최대로 교역 할 협업 계약을 체결하십시오. ■ 모든 개별 거래가 작성자와 공유됩니다. 또한 거래 프레임 워크의 코드가 아닌 전략에 고유 한 R 코드가 전략 작성자에게 전달됩니다. 제출할 항목 전략에 대한 서술 설명 백 테스트에 사용 된 가격의 전체 데이터 세트와 함께 백 테스트 리턴 타임리스트를 직접 계산하는 백 테스트 또는 실행 가능한 R 옥타브 파이썬 코드의 반환 시간 목록과 함께 거래 목록을 추가합니다. 연락처 섹션에서 사용할 수있는 이메일에 제출하십시오. 마지막으로 프레임 워크는 IB TWS GW 버전 9493 이상의 최신 유닉스 버전으로 실행됩니다. 이 자체는 큰 부분에서 몇 가지 기능을 부분적으로 다시 작성해야했습니다. 하지만 이제 약간 구식 인 IBrokers R 패키지 Jeff Ryan 또한 EURUSD 거래에 대한 기본 구성이 업데이트되어 이제 예제 더미 전략 Ju를 실행하는 케이크 조각이되었습니다. st clone git repo를 로컬 컴퓨터에 복제하고 README를 따르십시오. 하드웨어에 관한 것입니다. 저는 여전히 내 소유의 소유주입니다. 구성 가능한 컴퓨터 이미지를 클라우드에 사용하는 것이 일반적입니다. 자신의 하드웨어를 관리해야하는 번거 로움은 있지만 수십만 명의 사용자가 최소한의 비용으로 행복하게 보관해야하는 큰 조직에서는 문제가되지 않습니다. 따라서 클라우드는 관리해야하는 사람들의 문제에 대한 해결책 일뿐만 아니라 규모이지만, 동시에 그 솔루션을 개인 조에 팔려고 할 때 얼굴을 내밀어 진정으로 필요로하는 어쨌든, 내가 말했듯이, 나는 내 자신의 금속을 소유하는 팬이다. 적절한 하드웨어 구성을 위해 시간이 오래 걸리면 선반 하드웨어가 먼 길을 찾아 갈 수 있습니다. 하나 또는 두 개의 GPU가있는 16-64Gb RAM 데스크톱은 필요한 모든 작업을 수행합니다. 백 테스팅 전략은 실제보다 더 많은 컴퓨팅 리소스를 사용합니다 살아있는 거래. 백 데이팅 및 리서치에 대해 위에서 설명한 RAM CPU GPU 몬스터 나 자신의 작은 슈퍼 컴퓨팅 클러스터를 원할 때까지 안심하고 랩톱에서 일일 전략을 설정하고 실행할 수 있습니다. R Intraday trading framwork 전체 다운로드가 가능합니다. 다운로드 및 다운로드가 가능합니다. 통계적 재정 거래에 사용할 수있는 자산 간의 관계를 발견했습니다. 기계 학습 방법으로 파생 된 비선형 모델로 가격 방향 및 가격 변동성을 예측하는 대신, 같은 등급의 자산 들간에 악용 가능한 가격 관계를 발견하고 잘못된 가격 결정이 일어 났을 때 거래에 반응하도록하라. 즉, 통계적 재정 거래를하라. 이것은 가격 예측을 시도하는 것보다 쉽다. 적어도 두 개의 자산으로 구성된 그룹간에 상대적으로 안정적인 선형 또는 비선형 관계를 찾아 내고, 그 관계가 미래로 얼마 동안 지속될 것임을 가정합니다. 이 가정 하에서의 거래는 모델링 된 관계로부터 상당히 다른 가격 변동에 의해 촉발되는 매우 반응적인 과정입니다. 전통적인 쌍 거래 및 VECM 벡터 오류 수정 모델 관계는 선형 모델을 사용하는 statarb의 좋은 예입니다. 따라서 간단한 단일 레이어 신경망 또는 RBM을 사용하여 두 개의 비 공적 자산 사이의 비선형 가격 관계를 발견하고이 검색 프로세스가 성공적 일 경우 고전적인 쌍과 비슷한 방식으로 거래합니다. 두 가지 자산 이상을 가진 그룹을 고려할 때 상황이 훨씬 더 흥미로워집니다. 그러면 VECM의 비선형 동등 물입니다. 특성 선택 폭과 깊이. 우리는 유형이 회귀 또는 분류 일 수있는 일 변량 timeseries 예측 대상, 그리고 우리는 어떤 입력 특징을 선택해야하는지 결정해야합니다. 우리는 입력 자료로 사용할 수있는 많은 우주 박물관을 보유하고 있으며, 얼마나 많은 사람들이 폭을 선택해야하는지, 그리고 시간의 경과에 따라 각각의 깊이를 찾고자하는지를 알고 싶습니다. 선택의 2 차원 공간이 있습니다 우리는 총 N 개의 시리즈를 가지고 있고 최대로 되돌아 볼 수있다. K 타임 스텝 1은 하나의 시리즈만을 선택하고 룩백은 하나의 타임 스텝, 2는 하나의 시리즈만을 선택하고 룩백 K는 다음의 네 가지 극단의 경우로 구분된다. timesteps, 3 개의 N 시리즈와 lookback 하나의 timestep, 4 개의 N 개의 시리즈 선택과 lookback K timesteps 최적의 선택은 1과 2가 예측 정보를 충분히 포함하지 않을 수 있고 3과 특히 4가 실행 가능하지 않기 때문에 컴퓨팅 contstraints 또는 너무 많은 무작위 노이즈로 인해 접근이 제안 된 방법은 1에서 작게 시작하고, 당신이 얻을 때까지 어떤 성능을보고 입력 공간의 크기를 넓이 또는 심도로 증가시키는 것입니다 만족스러운 y 예측 성능을 향상 시키거나 컴퓨팅 리소스를 모두 소진하고 전체 접근 방식을 포기하거나 새로운 데스크톱 팜을 구입해야합니다. 2014 년 2 월 12 일 R. February12, Stacked Autoencoders 및 Restricted Boltmann Machines 사용. 자동 인코딩 장치 SA 및 제한된 볼츠만 컴퓨터 RBM은 감독되지 않은 학습을위한 매우 강력한 모델입니다. 불행히도, 작성 당시에는 직접 R 구현이없는 것처럼 보였습니다. 두 모델 유형이 잠시 동안 있었기 때문에 놀랍습니다. R은 다른 많은 기계 학습 모델에 대한 구현을 가지고 있습니다. 유형 해결 방법으로, SA는 R의 여러 신경 네트워크 패키지 중 하나를 사용하여 구현 될 수 있습니다. 즉, nnet, AMORE 및 RBM은 꽤 좋은 R 구현을 작성해야합니다. 그러나 두 모델 유형을 모두 교육하려면 전산 자원, 우리는 또한 GPU를 사용할 수있는 구현을 원합니다. 그래서 지금 우리가 가진 가장 간단한 해결책은 사용하는 것입니다 Theano 그것은 GPU를 사용할 수 있으며 누적 노이즈 제거 자동 코드 작성기와 RBM의 구현을 제공합니다. 또한 여러 다른 이국적인 Boltzmann Machine 변형을위한 Python Theano 코드가 네트워크 주변에 떠 다니고 있습니다. rPython을 사용하여 R에서 이러한 Python 함수를 호출 할 수 있습니다. 데이터 rPython이 너무 느리게 구현하는 ascii serialization을 사용하지 않고 R과 Python간에 큰 데이터 세트 가져 오기 Torch7 프레임 워크 데모를 통해 GPU 사용을 지원하는 자동 인코딩 프로그램을 적어도 똑같이 강력하게 구현할 수 있습니다. 그러나 Torch7 함수는 다음과 같습니다. 루아를 사용하여 R에서 호출하고 대신 R에서 호출하려면 C 레벨에서 약간의 작업이 필요합니다 결론 GPU 지원 모델을 사용하여 Theano Python 또는 Torch7 lua를 사용하고 숙련 된 모델을 파일로 작성 R에서 파일에서 훈련 된 모델을 가져 와서 2014 년 4 월 25 일 업데이트 다음의 멋진 솔루션 R에서 Rcpp를 통한 파이썬 호출은 우리에게 한 발 더 가까이 다가 가야합니다. 2014 년 1 월 13 일에 R. Theano에서 직접 Theano를 사용하십시오. 소매 상인으로 거래 할 수있는 악용 가능한 시장 패턴을 찾으려고 할 때, 첫 번째 질문 중 하나는 매주 매주 매일 또는 매일 어디서나 볼 수있는 거래 빈도입니다 5 초에서 1 시간 사이 이러한 모든 시간 규모에서 연구를 수행하는 데 제한된 시간이 소요됨에 따라 이는 대답 I에 중요한 질문이되고 다른 사람들은 거래 빈도와이를 찾기 위해 필요한 노력의 양 사이에 단순한 관계가있는 것으로 관찰했습니다 순수한 양적이며 수용 가능한 위험이있는 수익성있는 전략 짧게 당신이 거래하고자하는 주파수가 낮을수록 더 유익한 전략이 필요합니다. 예를 들어, 스펙트럼의 매우 높은 주파수 끝 부분을 볼 수 있습니다. 정말 간단한 수학에 기초한 전략은 시장 센터와 충분히 가까워 질 경우 매우 수익성이 있습니다. 일일 빈도 영역으로 뛰어 오르면, 보다 단순한 수학에 기초하여 수익성있는 정량적 전략을 찾는 것이 훨씬 더 어려워지고 있습니다. 주간 및 월간 간격으로 거래하고, 간단한 정량 방법이나 기술 지표를 사용하면 재앙에 대한 매우 좋은 처방입니다. 이 관계가 실제로 참이라고 가정하고 거래 전략에서 정교한 기계 학습 기술을 사용할 수 있다는 것을 고려하면 주간 빈도 창에서 시작하여 고주파로 나아갈 수 있습니다 주간 거래에는 웹 기반 중개 인터페이스에서 수행 할 수 있습니다. 우리는 선호하는 학습 알고리즘과 함께 공개적으로 사용 가능한 과거 데이터를 사용하여 거래 가능한 시장 패턴을 찾고 수동으로 전략을 실행할 수있는 전략 모음을 개발할 수있었습니다. 이 규모에서 , 모든 노력은 양적 전략을 찾고 미세 조정해야한다. 르는 생각을 무역에 투입해야한다. 무역 자동화 노력 0 전략적 스마트 성이 요구된다. 하루의 고정 부분을 시장 감시와 거래 실행에 바칠 수 없다면, 매일 매일의 거래가 자동화되어야한다. 자동화 된 일일 거래와 기계 학습 알고리즘을 통합하는 것은 간단한 작업은 아니지만 수행 할 수 있습니다. 무역 자동화 노력 20, 전략적 지능 필요 80 분과 초에서 초 단위까지의 일별 시간대에서는 거래를 자동화하기 위해 수행해야하는 노력이 범위 내 어디에서나있을 수 있습니다 20에서 90 사이 다행스럽게도 시간 척도가 작아지면 전략은 바뀔 수 있지만 바보는 물론 상대적인 개념입니다. 무역 자동화 노력 80, 전략적 지능 필요 20. 손으로 만들어진 기능과 사용 된 기능 2013 년 12 월 10 일 기계 학습 시스템 설계의 한 가지 점에서 피할 수없는 것은 모델에 어떤 기능을 넣을 지 스스로에게 물어보십시오. 적어도 두 가지 옵션 첫 번째는 손으로 만들어진 기능을 사용하는 것입니다. 이 옵션은 일반적으로 좋은 결과를 얻은 경우 잘 디자인 된 것으로 부르기 때문에 물론 동어 반복 기능 인 기능이 잘 설계된 경우 좋은 결과를 제공합니다. 손으로 만들어진 기능 디자인 학습 시스템이 적용될 분야, 즉 오디오 분류, 이미지 인식 또는 우리의 경우 거래에 대한 전문 지식이 필요합니다. 여기에서의 문제는 당신이 그 전문 지식을 아직 가지고 있지 않을 수 있으며, 오는 것이 매우 어렵다는 것입니다 또는 시간이 많이 걸리거나 가능성이 가장 높습니다. 대안은 데이터에서 기능을 배우는 것입니다. 즉, 감독되지 않은 학습을 사용하여 얻을 수 있습니다. 하나의 요구 사항은 실제로 많은 양의 데이터가 필요하다는 것입니다. 수작업으로 만들어진 기능이 필요하지만 다시 레이블링을하지 않아도되지만 이점은 분명합니다. 특정 분야에서 전문가가되어야합니다. 예를 들어 거래 및 f inance 그래서 학습 된 기능의 하위 집합이 학습 시스템에 가장 적합한 지 알아 내야하는 동안 손으로 제작 한 기능으로 수행해야 할 작업이기도합니다. 제안 내 손으로 직접 제작 한 일부 기능을 디자인 해보십시오 If If 그들은 수행하지 않으며 당신이 얻는 것보다 더 나은 결과를내는 것이 가능하다고 믿을만한 이유가 있습니다. 감독되지 않은 학습 방법을 사용하여 특징을 학습하십시오. 설계되고 학습 된 기능을 함께 사용하는 하이브리드 시스템을 만들 수도 있습니다. 왜 내가 거래 응용 프로그램 구축을위한 오픈 소스 도구를 사용하십시오. 2013 년 11 월 19 일. 처음에는 자동 거래를 처음 보았을 때 도구를 사용하기 위해 3 가지 요구 사항이있었습니다. 가능한 한 적은 비용이 들었습니다. 나에게 많은 프로그래밍과 커스터마이제이션을해야한다는 의미 일지라도 2 시간을 들여야한다. 같은 도구를 사용하여 같은 생각을 가진 사람들이 커뮤니티에 있어야한다. milar purpose 3이 도구를 사용하면 필요한 시점에 시스템의 창고로 깊숙이 들어가야합니다. 처음에는 2 년이 걸린 상황에서 내 자신을 찾지 않으려는 기본 사항을 발견하는 것이 더 많았지 만 라인 내가 다른 도구 세트로 전환해야 할 것입니다. 왜냐하면 내가 시작한 제품이 폐쇄 소스 및 제한적인 라이센스 문제로 인해 내가 원하는 것을 할 수 없기 때문입니다. 결과적으로 R을 my 거래 중개 시스템 개발을 위해 선택하는 언어와 중개 시스템과의 인터페이스를위한 API를 제공하기 때문에 Interactive Brokers를 사용하기 시작했습니다. IB Trader Workstation에 연결하는 많은 훌륭한 거래 도구가 있고 자동화 된 거래를 위해 사용할 수있는 도구가 많이 있지만, R 프로젝트가 가지고있는 것과 동일한 힘, 유연성 및 커뮤니티 지원을 제공합니다. 또한 R은 무료이고 매우 유용한 통계 및 기계 학습 패키지의 놀라운 저장소를 가지고 있습니다. 당신이 거래 알고리즘을 만들고 싶다면 필수적입니다. Copyright Censix 2013 - 2015. 통계적 재정 거래 통계라는 용어는 일반적으로 두 개 이상의 유가 증권 사이의 통계적 평형 관계를 이용하는 것을 목표로하는 다양한 투자 전략을 포함합니다. 일반적인 원칙은 모든 분기 균형은 균형 효과로 되돌아가는 과정에 놓여 야한다. stat-arb 쌍의 거래 유형 전략의 주된 경고는 균형으로부터의 차이가 커지면서 무역이 더 바람직하다는 것이다. 발산이 너무 커져 평형 관계가 더 이상 존재하지 않는다는 것을 인정해야한다. 자연적으로 이러한 관계를 결정하고 관측 된 평형의 기간을 측정하는 데 사용되는 통계적 도구의 힘을 추정하는 것이 바람직하다. 이 게시물은 페어 트레이딩과 관련하여 통계 테스트의 힘을 조사 할 것입니다. ADF, BVR, HURST, PP, PGFF, JO-T 및 JO-E의 통계적 검정에 대해 다음과 같은 통계적 검정을 구한다. 일반 원칙은 두 주식에 대한 것이고 고정식이며, 정의에 따라 다음 방정식이 성립한다면 쌍을 되 돌리는 것을 의미한다. 그 사이에 그리고 나서 함께 통합되는 경우 평균 회귀 계수는 통계적 테스트가 단위 루트 테스트로 알려져 있는지 확인하기 위해 수행되어야합니다. 시리즈에 단위 루트가 포함되어 있으면 쌍 거래에 적합하지 않습니다. 잔차 과정에 대해 다른 테스트를 실행하는 다중 단위 근태 테스트 다. AR 1 잔차 모델을 추정하고 표준 t - 비율을 계산하는 재래식 선형 회귀 방법을 사용하여 검사하지만 유감스럽게도 Dicky and Fuller 1979 t - 비율이 t - 분포를 따르지 않기 때문에 단위근 테스트로 알려진 비표준 테스트가 필요합니다. 모든 모델 에서처럼 트레이닝 창 크기를 결정할 때 트레이드 오프가 있고 너무 긴 창과 모델이 경쟁 관련없는 데이터 및 최근 이벤트에 적응하는 속도가 느리거나, 창이 너무 짧으며 모델은 최근 이벤트에만 반응하고 과거 이벤트에 대해서는 빨리 잊어 버립니다. 이 통합은 공동 통합 테스트에서 문제가되며 2014 년 1 월 Clegg에서 시연되었습니다. 한 쌍의 거래에서 공적분의 지속성에 대한 고정 창 크기의 경우, 대부분의 단위근 테스트의 힘은 아래에서 1만큼 감소하며, 공동 통합 테스트를 통해 250 개의 데이터 포인트가 공동 통합을 25 개 미만으로 감지합니다 직관적으로 이것은 의미가 있습니다. 프로세스가 느리게 진행될수록 복귀하는 데 더 많은 데이터 요소가 필요합니다. 그러나 단위 루트 테스트의 성능은 기본 프로세스의 속성에 따라 달라지기는 다소 바람직하지 않습니다. 성공적인 쌍 거래에서 모든 공동 통합 쌍이 식별되는 것은 필수적이지 않다. 단위 근음 테스트의 다양한 힘 속성은 대체로 부적합하다. 더 흥미로운 것은 거짓 긍정 e 비율, 그래서 그들이 아닌 경우 되돌릴 평균으로 식별 된 쌍, 그리고 결과가 얼마나 지속됩니다. 1000 공동 통합 시계열과 집합에서 균일하게 분포를 생성하고, Clegg에 따라 집합에서 이것은 유형과 유사합니다 재고 쌍이 현실에서 만난다. 서로 다른 p 값에 대한 다양한 테스트를 사용하여 시계열의 길이가 다른 경우에 대해이를 반복하고 여러 시계열이 정확하게 co-integrated mean reverting으로 분류되는지 확인합니다. 대부분의 테스트에서 PP와 PGFF는 다른 방법보다 월등합니다. PP, PGFF, JO-E 및 JO-T가 p 값 0 01에서 시간의 75 분의 1을 되 돌리는 co-integrated 평균으로 프로세스를 정확하게 식별했다는 것을 테스트가 0 85보다 더 강하게 되 돌렸다. 일부 약한 반전 쌍 0보다 큰 경우 통계 테스트의 성능은 단지 250 데이터 포인트로 비참합니다. 250 데이터 포인트는 대략 일년 내 거래일 수이며, 아마도 ind 거짓 거래 (Positive Test). 정확도 테스트에서 설명한 것과 동일한 절차를 거치지 만 집합에서 선택되지 않은 시간 계열을 생성하도록 선택했습니다. 경로의 몇 퍼센트가 잘못 표시되는지 확인하십시오 나는이 도표를 교과서에서 본 적이 없으며 그 결과에 놀랐다. HURST와 BVR 모두가 증가함에 따라 오판률을 더 많이보고할수록 프로세스가 폭발할수록 테스트 결과가 false로 표시 될 확률이 더 높았다. 고맙게도 다른 테스트는 오탐 (false positive)이 적은 합리적인 방식으로 행동합니다. NEAT 알고리즘 사용에 대한 자습서의이 부분은 게놈이 어떻게 토폴로지 정보를 유지하는 의미있는 방법으로 교차되고 종으로의 종 분화 그룹 게놈이 체중 공간이 최적화되기 전에 유전자 풀에서 조기에 제거되는 새로운 위상 정보로 약한 게놈을 보호하십시오. 이 개인 교사의 첫 번째 부분 ial은 여기서 찾을 수 있습니다. 혁신 번호를 통해 유전자 역사를 추적합니다. 부분 1은 두 개의 돌연변이, 돌 연변이 및 노드 돌연변이를 보여주었습니다. 둘 다 새로운 유전자를 게놈에 추가했습니다. 토폴로지 혁신을 통해 새로운 유전자가 생성 될 때마다 글로벌 혁신 번호가 증가하고 글로벌 혁신 번호는 각 유전자의 역사적 기원을 추적합니다. 두 혁신적인 번호를 가진 유전자가 동일한 혁신적인 번호를 가진 경우, 무게는 다를 수 있지만 동일한 토폴로지를 나타내야합니다. 이것은 유전자 크로스 오버 동안 이용됩니다. Genome Crossover Mating. 게놈 크로스 오버는 2 개의 부모 게놈을 취하여 A와 B라고 부르며 새로운 게놈을 생성하여 A와 B의 가장 강한 유전자를 가져 와서 위상 구조를 복사합니다. 두 게놈의 교차 유전자를 그들의 혁신 수 각 혁신 수에 대해 가장 적합한 부모로부터의 유전자가 선택되어 아동 게놈에 삽입된다. 양쪽 부모 게놈이 같은 적응력을 가진다면, 유전자는 무작위로 동일한 확률을 갖는 부모로부터 선택된다. 혁신 수는 한 부모에만 존재한다면 이것은 분리 된 또는 초과 된 유전자로 알려지고 위상 학적 혁신을 나타내며, 그것은 또한 어린이에게 삽입된다. 아래의 이미지는 동일한 체력의 두 게놈에 대한 교차 과정을 보여줍니다. 지정은 주어진 게놈 풀의 모든 게놈을 가져 와서 종으로 알려진 구분 그룹으로 분리하려고 시도합니다. 각 종의 게놈은 유사한 특성을 갖습니다. 두 게놈 간의 유사성은 동일한 게놈에서 유래 한 두 게놈이 필요한 경우 필요합니다. 사용할 자연스러운 측정법은 위상 차이를 나타내는 분리 된 초과 유전자의 수와 일치하는 유전자 간의 가중치의 가중치 합계입니다. 가중치 합 게놈이 어떤 임계 값보다 낮 으면 게놈은 같은 종에 속합니다. 게놈을 종으로 나누는 이점은 유전 적 진화 단계 - 체력이 낮은 게놈은 전체 게놈 풀에서 모든 게놈과 싸우지 않고 전체 게놈 풀에서 완전히 제거합니다. 전체 게놈 풀에서 모든 게놈과 싸웁니다. 우리는 그것을 위해 싸울 수 있습니다. 같은 종의 게놈과 비교합니다. 최적화 된 가중치가 없어서 높은 체력을 갖지 못하는 새로운 토폴로지 혁신으로 형성되는 양방향 종은 전체 프로세스의 중요성을 알 수 있습니다. 무작위 게놈으로 게놈 풀을 만듭니다. 각 게놈을 만들어 문제 시뮬레이션을하고 게놈 적합성을 계산합니다. 각 게놈을 한 종에 할당합니다. 각 종마다 게놈을 제거하여 약한 게놈을 제거합니다. 각 종은 무작위로 종의 게놈을 크로스 오버 또는 돌연변이로 선택합니다. 위의 모든 내용을 반복하십시오. 항해.