مقدمة إلى الخوارزمية الجينية لتحسين EA في MT5
المحتوى
- ما هي الخوارزمية الجينية؟
- متى يُستخدم كل نوع؟
- الإعداد في محاكي الاستراتيجية
- اختيار مؤشر التقييم
- تشغيل التحسين بالخوارزمية الجينية
- الأخطاء الشائعة
- تجنب الإفراط في التحسين
- 1. تقسيم الفترة الزمنية
- 2. مقارنة أفضل 10 إلى 20 نتيجة
- 3. اختبار حساسية المعلمات
- 4. الاحتفاظ بمعلمات ثابتة غير محسّنة
- الاستفادة من التحسين المتوازي
- تضييق نطاق معلمات التحسين
- تحميل EA مجاناً
- الوسطاء الموصى بهم
مقدمة إلى الخوارزمية الجينية لتحسين EA في MT5
عند ضبط معلمات EA، يوفر محاكي الاستراتيجية في MT5 نوعين من أوضاع التحسين: "الشامل (تجربة جميع تركيبات المعلمات)" و"الخوارزمية الجينية (GA)".
للبحث في مجموعة ضخمة من التركيبات ضمن وقت معقول، يُعدّ استخدام الخوارزمية الجينية هو الخيار الأمثل. تستعرض هذه المقالة أساسيات التحسين بالخوارزمية الجينية والنقاط العملية الجوهرية.
ما هي الخوارزمية الجينية؟
الخوارزمية الجينية (Genetic Algorithm: GA) هي أسلوب تحسين مستوحى من التطور البيولوجي. وتسير وفق الخطوات التالية:
- توليد مجموعات عشوائية من المعلمات (أفراد)
- تشغيل الاختبار التاريخي لكل فرد وتقييمه باستخدام مؤشرات مثل PF ومعامل الاسترداد
- انتقاء أفضل الأفراد بوصفهم "آباء" وتوليد الجيل التالي عبر التهجين والطفرات
- تكرار هذه العملية حتى تتقارب المعلمات نحو أعلى تقييم جيلاً بعد جيل
خلافاً للتحسين الشامل الذي "يجرب كل التركيبات"، تتميز GA بأنها "تركز البحث في المناطق الواعدة"، مما يقلص وقت الحساب بفارق كبير.
متى يُستخدم كل نوع؟
- عدد المعلمات قليل والتركيبات أقل من بضعة آلاف → التحسين الشامل لاستيعاب جميع الاحتمالات
- عدد المعلمات كبير والتركيبات تتجاوز عشرات الآلاف → الخوارزمية الجينية
على سبيل المثال، إذا كانت لديك 3 معلمات بـ 10 خطوات لكل منها، فذلك يعطي 1,000 تركيبة يمكن معالجتها شاملاً. أما 5 معلمات بـ 20 خطوة فتنتج 3.2 مليون تركيبة، مما يستوجب استخدام الخوارزمية الجينية.
الإعداد في محاكي الاستراتيجية
لتفعيل التحسين، اضبط الإعدادات التالية في شاشة محاكي الاستراتيجية:
- التحسين: اختر "سريع بناءً على الخوارزمية الجينية"
- النتائج: اختر مؤشر التقييم مثل "أقصى نمو مركب" أو "قيمة مخصصة" أو "أقصى معامل استرداد"
- علامة تبويب معلمات الإدخال: ضع علامة على المعلمات المطلوب تحسينها وحدد قيم البداية والنهاية والخطوة
اختيار مؤشر التقييم
يتغير الناتج بحسب ما تعتبره "جيداً". فيما يلي أبرز المؤشرات وخصائصها:
- أقصى نمو مركب (الربح): يُعظّم الربح فقط. عرضة للإفراط في التحسين لأنه يتجاهل المخاطر
- معامل الاسترداد: صافي الربح ÷ أقصى سحب. يُوازن بين الربح والمخاطر
- نسبة شارب: تراعي استقرار العوائد
- قيمة مخصصة: يمكن تعريفها بحرية داخل كود EA (مثال: PF × عدد الصفقات)
استخدام معامل الاسترداد أو نسبة شارب هو الأسلوب الأنسب لاكتشاف معلمات عملية مع تفادي الإفراط في التحسين.
تشغيل التحسين بالخوارزمية الجينية
بمجرد بدء التحسين، تظهر أفضل المعلمات تدريجياً في علامة تبويب "نتائج التحسين" مع تطور الأجيال. تُشغّل خوارزمية MT5 الجينية مئات الأجيال تلقائياً حتى تتقارب نحو أفضل الحلول.
الأخطاء الشائعة
- تقارب متسارع جداً: قد تكون نطاقات البحث في المعلمات ضيقة للغاية
- عدم التقارب أبداً: مؤشر التقييم غير ملائم، أو البيانات تحتوي على ضوضاء مفرطة
- التقارب نحو قيم غريبة بوضوح: عدم استبعاد الحلول ذات عدد صفقات قليل جداً
يمكن استبعاد الحلول الضعيفة الإحصائية بدمج مرشح في دالة التقييم، كاشتراط ألا يقل عدد الصفقات عن 50.
تجنب الإفراط في التحسين
كلما زاد التحسين، اقتربت من معلمات "مثالية في الماضي لكنها عديمة الفاعلية في المستقبل". فيما يلي قواعد عملية للوقاية من ذلك:
1. تقسيم الفترة الزمنية
إذا كانت لديك بيانات 10 سنوات، حسّن على السبع سنوات الأولى وتحقق خارج العينة على السنوات الثلاث الأخيرة. إذا تدهورت النتائج في النصف الثاني، فهذا يدل على الإفراط في التكيف مع النصف الأول.
2. مقارنة أفضل 10 إلى 20 نتيجة
إن الاعتماد على النتيجة الأولى فقط أمر محفوف بالمخاطر. تحقق مما إذا كانت أفضل الحلول متجمعة في نطاق متقارب؛ فإن كانت كذلك، اختر معلمات من منتصف ذلك النطاق.
3. اختبار حساسية المعلمات
حرّك معلمات المرشح بنسبة ±10 إلى 20% وتحقق من عدم انهيار النتائج بشكل حاد. إذا انهارت، فتلك الحل متكيف مع نقطة ذروة حادة وهو إفراط في التحسين.
4. الاحتفاظ بمعلمات ثابتة غير محسّنة
احرص دائماً على إبقاء "قيم ثابتة طبيعية منطقياً غير خاضعة للتحسين"، للحد من مخاطر الإفراط. على سبيل المثال، حسّن فترة EMA لكن اجعل معامل ATR ثابتاً.
الاستفادة من التحسين المتوازي
يدعم MT5 التحسين المتوازي باستخدام أنوية CPU متعددة. بزيادة عدد العملاء المستخدمين في "الاختبار" → "الإعدادات"، يمكن تقليص وقت الحساب بشكل ملحوظ.
علاوة على ذلك، يتيح استخدام شبكة MQL5 السحابية إجراء تحسينات واسعة النطاق عبر عملاء بعيدين حول العالم، غير أن ذلك يستلزم رسوماً. لذا، من الأكثر كفاءة تضييق نطاقات المعلمات محلياً أولاً قبل اللجوء إلى السحابة.
تضييق نطاق معلمات التحسين
الأساس هو قصر المعلمات المُحسَّنة على عدد قليل يمثل جوهر المنطق، مثل فترات تحديد الدخول وعرض وقف الخسارة.
أما بقية المعلمات فتثبيتها على قيم "طبيعية" يساعد على الحد من الإفراط في التحسين. يمكن رفع PF في الاختبار التاريخي بلا حدود بمزيد من التحسين، لكن ذلك يزيد بالقدر نفسه من احتمال فشلها في الأسواق المستقبلية. "اختيار أرقام معتدلة والاستمرار طويلاً" هو الحل العملي الأمثل في التشغيل الفعلي.
تحميل EA مجاناً
الـ EA المجاني على موقعنا DONCHIAN ENGINE (USDJPY H1) حقق في اختبار خلفي على USDJPY H1 لمدة 9.4 سنوات (2017-2026، تيك Dukascopy الحقيقي) معامل ربح PF 1.50، ونسبة فوز 34.5%، وأقصى DD 10.8%، وعدد صفقات 631.
عرض الـ EA المجاني DONCHIAN ENGINE
الوسطاء الموصى بهم
لضمان أن تعكس نتائج الاختبار التاريخي والتحسين الأداء الفعلي بدقة، نوصي في هذا الموقع بوسطاء يُعطون الأولوية لجودة تنفيذ الأوامر.
ذات صلة
📧 تنبيهات قبل رفع الأسعار + دورة مجانية عبر البريد لمدة 5 أيام
جميع الروبوتات متاحة الآن بسعر الإطلاق وترتفع تدريجياً مع المبيعات. تلقَّ إشعاراً قبل كل زيادة، إضافة إلى رسالة يومية عن أساسيات التداول الآلي وقراءة الاختبارات الخلفية واختيار الوسيط.
* الخصوصية محمية بشكل صارم. يمكنك إلغاء الاشتراك في أي وقت.
هل لديك سؤال عن المستشارين الآليين أو الفوركس؟
يمكنك طرحه في منتدى التداول على Nattzy (التسجيل مجاني). نرحب أيضًا بالأسئلة خارج موضوع هذا المقال، مثل إعدادات المستشار الآلي واختيار الوسيط.
اسأل على Nattzy ↗