در مقاله‌‌ی پیشین از سری مقالات مرتبط با بهینه یابی به شرح و  بررسی «الگوریتم Hill Climbing در روند بهینه یابی» پرداختیم در این مقاله به شرح و بررسی «تابع هدف، چشم بصیرت طراحی استراتژی در بهینه یابی» می‌پردازیم.

در صورت برقراری شرایط معاملات الگوریتمی در بازار هدف برای سنجش بازده استراتژی‌های معاملاتی می‌توانید از سفارش کد پایتون، سفارش کد mql و … برای کد کردن و بهینه یابی استراتژی‌های خود استفاده کنید. و در عین حال سوای امکان سفارش اکسپرت می‌توانید از سفارش اندیکاتور برای دریافت یک نمایش گرافیکی از محاسبات استراتژی خود بهره ببرید.

– – –

الگوریتم تبرید شبیه سازی شده (Simulated Annealing)

بر طبق منابع معتبر آموزش بهینه یابی الگوریتم تبرید شبیه‌سازی شده یکی از انواع کلی و موثر بهینه سازی است و معمولا برای پیدا کردن بهینه‌ی سراسری در حضور تعداد زیادی بهینه‌ی محلی موثر است.

اصطلاح تبرید ریشه در مبحث ترمودینامیک دارد که الی الخصوص به پروسه گداخته و سرد شدن دوباره‌ی آهن اشاره می‌کند. در مباحث معاملاتی تبرید شبیه‌سازی شده، به جای انرژی یک ماده، تابع هدف را مورد استفاده قرار می‌دهیم. استفاده از تبرید شبیه‌سازی شده بسیار آسان است.

به بیان ساده بر طبق آموزش بهینه یابی این الگوریتم یک الگوریتم از خانواده ی “Hill Climbing”  محسوب می‌شود با این تفاوت که به جای انتخاب بهترین حرکت ما شیوه‌ی انتخاب رندوم را اختیار می‌کنیم. در صورتی که حرکت انتخاب شده باعث بهبود معیار مورد نظر شود آن را می‌پذیریم در غیر این صورت الگوریتم به هر شکل حرکت بعدی را با احتمالی کوچک تر از 1 انجام می‌دهد. احتمال به صورت نمایی به تبعیت از میزان نا مطلوب بودن حرکت کاهش می‌یابد. این عدم مطللوبیت معادل دلتا E  می‌باشد.

– – –

در صورت برقراری شرایط معاملات الگوریتمی در بازار هدف، سوای این بحث که می‌توان استراتژی‌های معاملاتی خود را به وسیله‌ی سفارش کد پایتون یا سفارش کد mql و سفارش اکسپرت کد کرد و در پروسه‌ی بک تست اعتبار سنجی نمود. همچنین می‌توان از طریق سفارش اندیکاتور به آن‌ها یک جنبه‌ی نمایشی نمایان‌تری برای تسهیل تحلیل در سابقه‌ی نماد داد.

– – –

در مقاله‌ی بعدی به بررسی «الگوریتم فرگشت» می‌پردازیم.