بهینه یابی

منطق جهان مادی ما به گونه ای ساختار یافته که برای حل هر مشکل یا چالشی با محدودیت هایی روبرو هستیم، این محدودیت ها شامل

الگوریتم تبرید شبیه‌سازی شده (Simulated Annealing) الگوریتم تبرید شبیه‌سازی شده یکی از انواع کلی و موثر بهینه سازی است و معمولا برای پیدا کردن بهینه‌ی

در این مقاله به توضیح یک الگوریتم بهینه‌یابی با نام Hill Climbing خواهیم پرداخت. این الگوریتم یک روش جستجوی محلی است . این به چه

پس از بررسی مباحث اولیه درمورد پروسه ی بهینه‌یابی در جایگاهی قرار داریم که می‌توانیم پژوهش خود را پیرامون الگوریتم های کاوشگر آغاز کنیم. همانطور

در پروسه‌ی بهینه‌یابی نخستین کار ما جستجو و کاوش فضای پارامتر هاست ( منظورم تنظیمات اندیکاتورها و..).پس از آن باید به سنجش آن ها بپردازیم.

بهینه‌یابی‌ و بک‌تست ، یک روح در دو بدن در مقالات گذشته اشاره هایی به نزدیکی بک‌تست و بهینه‌یابی داشتیم حقیقت امر آن است که

همانطور که در مقاله ی قبلی بیان کردیم برازش ناخواسته در طی چرخه‌ی طراحی و توسعه‌ی یک استراتژی برای معاملات الگوریتمی یکی از بزرگترین مخاطراتی

در این مقاله نخست به این سوال خواهیم پرداخت که برازش یا overfitting چیست در مقالات قبلی اشاره های جزئی به این اصطلاح داشتیم که

شاید یکی از مهم ترین نکاتی که باید درمورد بهینه‌یابی در ذهن داشته باشیم آن است که بهینه‌یابی نه یک استراتژی ساز بلکه یک استراتژی

امروز خیلی کوتاه با معادله ای حاصل کار یکی از تحسین برانگیز ترین نوابغ جهان آشنا خواهیم : تصویری که مشاهده می‌کنید از دست نوشته