Génétique


Grâce à ce type d'optimisation, il est possible de trouver les paramètres optimaux dans les différentes périodes in-sample par un mécanisme de reproduction qui est très semblable à ce qui se produit dans la nature.

On utilise cette simple représentation graphique pour explique mieux le concept:



Comme vous pouvez voir, les deux meilleures combinaisons de chaque cycle d'optimisation (1 et 2) sont croisés les uns avec les autres en générant une combinaison d'hybrides qui est le fruit des paramètres des deux combinaisons en amont (élément 3 dans l'exemple). Cette combinaison aura une partie des paramètres de l'élément 1 et une partie de l'élément 2.

De plus, dans le cadre du mécanisme d'optimisation génétique nous ne nous arrêtons pas à l'adoption de cette nouvelle combinaison de paramètres hybrides, mais on fait une étape supplémentaire (ou la mise en service des tests de résistance, comme on dit); entre l'élément 3 et l'élément 4, il est en effet prévu pour l'insertion d'une mutation aléatoire dans un ou plusieurs paramètres afin de simuler ce qui se passe réellement dans la nature et dans la biologie en général. Une telle mutation aléatoire peut apparemment réduire les performances du système lors de l'application out-of-simple (puisque c'est un élément perturbateur et déformant), d'autre part celle-ci renforce considérablement la fiabilité du test et du même equity line qui en résulte, en particulier si elle parvient à produire de bons résultats stables malgré cette interférence aléatoire.

Privacy Policy