Jurik.
Média móvel de Jurik.
Sobre este indicador e alguns outros lêem https: // forex-tsd / forum / debates-discussões / 197-laguerre-indicator-description.
Outros indicadores Jurik.
Você poderia fornecer uma explicação sobre JCFBaux? Eu leio o site da Jurik e o próprio CFB não é um indicador. Mas parece que há um indicador incluído nesse pacote. JCFBaux é esse indicador?
Nevermind, eu descobri como usá-lo. Quando eu tiver algum tempo para escrever o código, publicarei uma versão adaptável do JRSX com base no CFB.
Tudo o que sei que eles usaram Jurik para Wealth Lab (em anexo) e alguns indicadores para mt3 (anexado também). E JCFBaux não deve ser anexado ao gráfico.
Eu traduzi esses indicadores mt4 da língua russa (alguns comentários importantes e alarmes). Veja em anexo também.
Eu criei uma boa tendência após a configuração no gráfico de 30 minutos usando os 2 indicadores a seguir.
compre quando jrsx cruza acima da linha zero e o preço está acima dos lucros da gmma, o moe pára interromper uma vez que o jrsx registra um 5. Mesmo para os shorts.
minha única preocupação é que há algo de errado com o te jrsx. há uma 3ª cor no indicador que pode ser visto em dados mais antigos, mas em dados atuais apenas duas cores são vistas. Existe um erro no cálculo?
Eu acho que alguns dos indicadores Jurik podem estar com pequenos erros. Porque todo o indicador aqui publicado foi criado para ser indicadores Jurik. Experimente algum indicador de othet, muitos deles já foram publicados aqui.
Jurik trading system
e sua função JAMA tem sido um suporte principal (com um objetivo específico, não geral) no meu sistema funciona há muito tempo.
Seu principal valor para mim é que ele fica mais rápido e mais preciso que qualquer outra das médias.
Publicou isso em outro lugar - o HULL ma é muitas vezes um pouco mais rápido nas voltas, pode rastrear mais perto em alguns condiíons, mas também pode ter mais invasão do que o JMA.
Na minha experiência limitada, todas as suas coisas, exceto o MA adaptativo, são basicamente inúteis. mas isso é apenas para MINHAS necessidades. outra pessoa pode encontrar usos criativos e lucrativos para eles. A maioria dos "alisadores" é um ato de negação. Aprenda a trabalhar com a borda irregular.
Compartilhar Compartilhe esta publicação no Digg Del. icio. us Technorati Twitter.
Compartilhar Compartilhe esta publicação no Digg Del. icio. us Technorati Twitter.
e sua função JAMA tem sido um suporte principal (com um objetivo específico, não geral) no meu sistema funciona há muito tempo.
Seu principal valor para mim é que ele fica mais rápido e mais preciso que qualquer outra das médias.
Publicou isso em outro lugar - o HULL ma é muitas vezes um pouco mais rápido nas voltas, pode rastrear mais perto em alguns condiíons, mas também pode ter mais invasão do que o JMA.
Na minha experiência limitada, todas as suas coisas, exceto o MA adaptativo, são basicamente inúteis. mas isso é apenas para MINHAS necessidades. outra pessoa pode encontrar usos criativos e lucrativos para eles. A maioria dos "alisadores" é um ato de negação. Aprenda a trabalhar com a borda irregular.
Opinião sobre os indicadores de Jurik.
(Se você já possui uma conta, inicie sessão no topo da página)
Estamos aqui para ajudar. Apenas deixe-nos saber o que você precisa. Trabalhamos extremamente para manter as coisas positivas em nossa comunidade. Não toleramos comportamento grosseiro, trolling ou vendedores publicitários em postagens. Nós acreditamos firmemente e incentivamos a partilha. O santo Graal está dentro de você, podemos ajudá-lo a encontrá-lo. Esperamos que nossos membros participem e se tornem parte da comunidade. Ajude-se ajudando os outros.
Você precisará se registrar para ver o conteúdo dos tópicos e começar a contribuir para a nossa comunidade. É grátis e simples.
Opinião sobre os indicadores de Jurik.
* Você quer dizer os indicadores de Mark Jurik?
Eu tenho alguns deles, principalmente uso do Jurik Jma e Rsx ..
A melhor maneira de usar o Jma é como um "proxy de preço", que significa como um substituto para o preço (substitua por exemplo, por exemplo, em um indicador).
um exemplo seria usar Jma (c, 3,0) no lugar do preço de fechamento em um stochastics, rsi etc, faz um bom trabalho de suavização sem o atraso das médias tradicionais.
O Rsx é uma versão suavizada do Rsi.
Eles não são o "santo Graal", apenas ferramentas para ajudar, quando usado corretamente.
Eu tenho alguns deles, principalmente uso do Jurik Jma e Rsx ..
A melhor maneira de usar o Jma é como um "proxy de preço", que significa como um substituto para o preço (substitua por exemplo, por exemplo, em um indicador).
um exemplo seria usar Jma (c, 3,0) no lugar do preço de fechamento em um stochastics, rsi etc, faz um bom trabalho de suavização sem o atraso das médias tradicionais.
O Rsx é uma versão suavizada do Rsi.
Eles não são o "santo Graal", apenas ferramentas para ajudar, quando usado corretamente.
Obrigado pela sua contribuição.
Tão bom quanto qualquer indicador livre. Preço desproporcional em comparação com a sua utilidade. Não é para qualquer precisão de nível micro / nano. outros prazos muito gerenciáveis com indicadores simples.
Jurik trading system
Building Trading Systems.
CHAVES PARA NEGOCIAÇÃO SUCEDIDA.
Não, as chaves do sucesso não são nossos produtos, nem os outros. Em vez disso, para ser um comerciante de sucesso que você precisa.
um sistema de negociação com expectativa rentável, princípios sólidos de gerenciamento de dinheiro, a força psicológica para negociar de forma consistente e capitalização adequada.
Contrariamente à crença popular, seu sistema comercial básico só precisa ser modestamente lucrativo. Um esquema de gerenciamento de dinheiro adequado projetado para controlar seu "tamanho da aposta" pode expandir esses magros lucros substancialmente. Além disso, uma vez que a natureza humana tende a obter lucros muito cedo e deixar as perdas correrem demais, você precisa estar familiarizado com o mercado e não ser emocionalmente apanhado e, então, ter medo de seguir as recomendações do seu sistema comercial.
Portanto, nós não oferecemos esquemas get-rich-quick. Eles não trabalham. Nem nos insultamos com sugestões de que, se uma empresa de gerenciamento de capital de bilhões de dólares se encaixasse diretamente em Wall Street com uma vasta instalação informática e dezenas de PhDs podem fazer milhões usando o produto X, então você também. Você provavelmente não vai.
Nem podemos prometer que os mercados são tão ineficientes que é fácil aproveitar os lucros. Não é, simplesmente porque você estará competindo com outros jogadores muito inteligentes, que querem o seu dinheiro.
Por outro lado, oferecemos ferramentas poderosas e produtos educacionais para ajudar os investidores individuais, como você, a conseguir um sistema comercial eficaz. As ferramentas Jurik são compatíveis com muitos produtos de software. Nossos clientes satisfeitos concordam!
SISTEMAS DE NEGOCIAÇÃO PRÉ-CONSTRUÍDA.
É um erro assumir que os sistemas comerciais descritos em livros, revistas ou em seu lixo eletrônico diário são lucrativos. Eles precisam ser testados durante um período prolongado de dados históricos (o suficiente para pelo menos 500 negociações). A melhor prova única que você pode aplicar a qualquer estratégia comercial para venda é esta:
mostrando os mais recentes 200 consecutivos.
Trades chamados pela estratégia?
Se o vendedor não está disposto a fazê-lo, vá embora.
Se você for fornecido com a declaração de um corretor, traça a curva de equidade e veja se você pode lidar (financeiramente e emocionalmente) com quaisquer trocas de perdas. Além disso, tente obter um diagrama de dispersão que contenha a excursão adversa máxima de todas as trocas comerciais. Às vezes, um comércio primeiro perde grande antes de se tornar rentável. Você consegue lidar com essas situações corretamente?
Quando o mercado altera seu comportamento, o desempenho do sistema pode se degradar em um perdedor. Você terá que pagar $ $$ adicionais para atualizações periódicas?
Finalmente, quanto você espera aprender sobre a negociação de um sistema que você não pode analisar nem modificar?
Acreditamos que você é melhor fazer seu próprio sistema comercial do que comprar um. Seu sistema será projetado em torno de seus recursos financeiros e zona de conforto psicológico. E você poderá modificá-lo de acordo com as mudanças nas condições do mercado. Por último, mas não menos importante, você saberá exatamente o quão bem pode ser esperado para executar.
do System Building.
Considere obter software de gráficos de mercado compatível com as ferramentas Jurik.
O próximo passo é adquirir nosso JMAadd-in. A JMA tem o maior número de usos, preços de suavização e outros indicadores técnicos com muito pouco atraso. Os usuários encontraram novas aplicações ao explorar as linhas ultra-suaves da JMA.
Nossas outras ferramentas de negociação avançadas, CFB, VEL e RSX, aprimoram ainda mais o design do sistema de negociação, oferecendo novas maneiras de medir o comportamento de ação de preço. CFB mede a duração da tendência do mercado (nenhum indicador clássico faz isso). A VEL oferece uma medida ultra-suave do impulso do mercado, sem mais atraso do que o indicador de momentum clássico. RSX é a versão Jurik do RSI clássico, exceto que RSX também é ultra-suave. Quando você vê RSX, você nunca vai querer usar o RSI novamente!
Uma vez que você se sinta confortável com a construção de sistemas de negociação usando indicadores concorrentes (preço) e atrasados (clássicos), agora você deseja expandir suas capacidades adicionando indicadores LEADING. Claro, todos os indicadores líderes populares são inúteis, já que o mercado já descontou as informações que eles oferecem. Em vez disso, você precisará criar seus próprios indicadores de liderança.
Um indicador avançado deve prever algum aspecto do comportamento do mercado. Atualmente, são necessários procedimentos de modelagem não-lineares sofisticados (como redes neurais). Para começar, recomendamos que você adote e se familiarize com o aplicativo de planilha Excel, pela Microsoft. Em seguida, adquira um complemento de rede neural ao Excel. Existem vários no mercado.
Depois de se familiarizar com o desenvolvimento da rede neural, obtenha experiência criando indicadores avançados e usando nossas ferramentas de pré-processamento para o MS Excel.
Quatro qualidades de grandes indicadores técnicos.
Quase todos os indicadores técnicos envolvem tomar alguma forma de uma média de valores históricos para reduzir o ruído do mercado, que aparece como jitter de alta velocidade. Os analistas normalmente ignoram o jitter do ruído porque não tem tendência nem padrões repetitivos. Consequentemente, a maioria das médias móveis tem um "comprimento" parâmetro que efetivamente controla a suavidade aparente do indicador e, de maneira inversa, sua precisão. Ou seja, quanto mais suave um filtro se torna, menos reflete com precisão a ação do mercado local.
Isso faz sentido, uma vez que o usuário pode definir jitter para qualquer ação que tenha menos de N barras. Portanto, vemos o jogador do mercado tentando aplicar apenas a suavidade suficiente para filtrar o ruído sem remover a estrutura importante que é relevante em seu período de tempo desejado. Em resumo, .
faz uma compensação entre suavidade e precisão.
A precisão pode ser medida de várias maneiras: robustez, superação, pontualidade e proximidade. Estas medidas serão descritas no contexto de um hipotético filtro de média móvel.
Simplificando, você quer um filtro (por exemplo, média móvel) para produzir uma versão livre de ruído do sinal original, pelo que a curva geral não é maior nem menor do que a série original. Um resultado semelhante ao que você produziria quando fosse dada uma caneta e manualmente "rastreada através de & quot; a importante ação do mercado.
Todos os indicadores técnicos que examinam rigorosamente os valores de dados passados (ou seja, não olhe para o futuro) são chamados de "causal". Estes são os únicos disponíveis para você ao negociar o mercado em tempo real. Todos os filtros causais têm um problema fundamental: eles ficam atrás da série temporal original. Lag em seus indicadores técnicos apenas serve para atrasar o que você precisa ver agora. Este é um problema crítico porque o atraso excessivo e os negócios tardios podem reduzir significativamente os lucros.
Idealmente, você gostaria que um sinal filtrado fosse liso e livre de atraso. No entanto, para todos os filtros causais, maior suavidade produz maior atraso e não há "livre de penalidade" maneira de contorná-lo. Alcançar a suavidade sem adicionar atraso significativo ou outras idiossincrasias indesejadas surpreendeu os analistas financeiros, bem como pessoas de processamento de sinais há anos. Nós, na Jurik Research, compreendemos muito bem a natureza do atraso e empregamos fórmulas proprietárias que abordam essa questão fundamental.
Uma abordagem comum para reduzir o atraso é adicionar alguma "inércia" na fórmula, permitindo que um filtro siga as tendências mais de perto sem sacrificar a suavidade. No entanto, a penalidade paga é quando um mercado inverte rapidamente a direção. A inércia do filtro impede que ele mude rapidamente de direção, e continua a superar por algum tempo antes de inverter a direção. Quanto mais inércia você aplicar, maior será o excesso. . E isso pode criar um problema real.
Alguns negócios são desencadeados quando uma média móvel do preço atravessa um limite especificado pelo usuário. Por exemplo, suponha tendências de preços em direção a um limite, mas inverte a direção apenas a tempo de não quebrar o limite. Um filtro com muita inércia ultrapassará e reduzirá o limiar, mesmo que o preço não acontecesse. Este falso gatilho pode produzir um comércio indesejável.
Para remover o ruído em uma série temporal, filtros comuns usam técnicas matemáticas que existem há anos. A teoria subjacente em quase todos os casos pressupõe que as mudanças nos preços de mercado tenham uma distribuição normal (gaussiana). Isso pode ser verdade para o ruído em seu gravador de cassetes ou gravador de cassetes, mas não para o mercado. As lacunas nos preços de mercado ocorrem com mais freqüência, por ordens de grandeza, do que a curva Gaussiana sugere. Conseqüentemente, os filtros comuns respondem muito aos choques de preços.
Os jogadores precisam de um filtro que seja robusto contra choques de preços. Isso exige um tipo especial de processamento de sinal chamado "não-linear" filtragem. Nossa ferramenta principal, JMA, é um filtro e pode lidar com choques de preços melhor do que qualquer outra média móvel disponível no mercado hoje. Na verdade, quanto maior a diferença, a superioridade da JMA mais óbvia torna-se evidente.
Jurik Research alcançou esses resultados pelo primeiro desenvolvimento e teste de algoritmos no MATLAB, a escolha do engenheiro para simulação de software. Tentamos evitar fazer quaisquer suposições sobre o sinal que está sendo processado, além de ser uma caminhada aleatória de mudanças de preços acumuladas Cauchy (não Gaussian!). Desta forma, os algoritmos não podem ser enganados pela ação atípica do mercado. Em seguida, deixamos os testadores beta qualificados procurarem problemas. Finalmente, depois de disponibilizar cada produto.
pessoa que é a primeira a denunciar qualquer específico.
erro em nosso software ou documentação.
Na Jurik Research, não há substituto para a excelência.
Sequência para construção avançada de sistemas.
Se alguns humanos podem negociar consistentemente bem, então por que não pode um computador? Por que não pode ser seu computador? Sombras de inteligência artificial, não ouvimos essas perguntas antes? A Inteligência Artificial, independentemente da sua definição formal (se alguma vez teve alguma), se traduz em trabalhos difíceis, e muitas vezes infrutíferos. Persistência paga, no entanto. A metodologia estruturada e a experimentação sistemática são o modus operandi recomendado.
Nós definimos um sistema avançado como aquele que inclui algum aspecto de um indicador líder, o que implica que a previsão está envolvida. Os indicadores principais podem ser projetados para quase qualquer coisa, mas preferimos usá-lo para prever uma faixa de preço superior e inferior, bem como futuros valores de MACD. O desenvolvimento adequado de indicadores líderes exige o pré-processamento com WAV e DDR e a modelagem com um programa de rede neural. Por fim, tudo isso precisa ser realizado de forma sistemática.
Para realizar isso, projetei este diagrama de fluxo para ver o quadro geral. Subdivide o esforço de desenvolvimento do sistema comercial em várias etapas. Aqui está uma revisão em vários estágios do nosso processo avançado de construção de sistemas. Você pode alterar qualquer aspecto dele para atender às suas necessidades específicas.
Aqui está uma descrição de como eu construo meus próprios sistemas de negociação. O fluxograma mostra seis etapas do desenvolvimento do sistema de negociação:
Selecionar dados explicativos (etapa de coleta) Criar indicadores de baixo atraso (etapa de pré-processamento) Criar indicadores avançados (estágio de modelagem) Construir seu sistema comercial (etapa estratégica) Voltar seu sistema comercial (etapa de verificação 1) Negociar com um corretor simulado (etapa de verificação 2) ESTÁGIO 1.
Isso envolve a tarefa irrelevante de coletar e verificar dados financeiros. Isso não ajuda a auto-imagem do seu sistema para dar-lhe preços históricos salpicados de espaços em branco e zero. Eyeball para todos os problemas.
A pesquisa mostrou que se você converter dados de preço para o LOG (logaritmo) de dados de preços, as estratégias funcionarão melhor durante um período mais longo. Isso ocorre porque os dados de preços agora são expressos em uma relação multiplicativa um com o outro, em vez de serem aditivos, e isso tende a ser preservado à medida que os preços mudam a escala ao longo do tempo.
Esta etapa envolve o pré-processamento de dados. Resumidamente, é aqui que extraímos indicadores significativos de dados financeiros brutos. O bom pré-processamento faz a próxima etapa (modelagem) funcionar sem problemas. Os modeladores profissionais percebem a importância deste passo e concentram a maior parte de sua energia aqui. No entanto, para o amador tem o mesmo apelo que lavar a roupa.
Determine o "horizonte de previsão" ideal para as séries temporais a serem previstas. Por exemplo, a distância ótima para prever no futuro ao usar barras diárias de T-Bonds de 30 anos é de 5,5 dias. Esse valor varia de mercado para mercado e o método para o cálculo é explicado no meu livro Financial Forecasting and Neural Networks.
Determine a quantidade de dados históricos necessários para fazer uma previsão ÚNICA. Eu me refiro a essa quantidade de tempo histórico como o "horizonte de lookback" e seu tamanho é tipicamente 4 vezes o horizonte de previsão. Por exemplo, se minha previsão for para prever 5.5 barras para o futuro, meu horizonte de lookback (L) para cada previsão terá que ser de 22 barras. (L = 22) Todos os indicadores precisam considerar a atividade de pelo menos as barras L mais recentes.
Selecione os dados explicativos apropriados, como altos, baixos, volume, etc. Eu encorajo você a investigar os dados de preço de pré-suavização primeiro com o JMA, criando assim "proxies" pelo preço bruto. Em seguida, crie indicadores relevantes (RSX, VEL, CFB, canais, JMA-MACD, etc.) aplicando-os aos proxies JMA, em vez dos dados de preço bruto. Defina o & quot; length & quot; parâmetro de seus indicadores para que o número de barras consideradas por cada fórmula seja aproximadamente o horizonte de lookback (L).
Certifique-se de que cada coluna de valores de indicador se assemelhe a um oscilador de média zero, padronizado (ou seja, série Z-score), e não é uma caminhada aleatória (por exemplo, preços brutos do mercado). Isso ocorre porque uma caminhada aleatória finalmente entrará em um intervalo que o modelo não viu durante o desenvolvimento, induzindo falha.
Aplique WAV aos indicadores acima, para comprimir os valores L mais recentes de cada indicador em um número muito menor de valores. Por exemplo, o WAV pode comprimir os 73 valores mais recentes de um indicador em apenas 13, uma compressão de 82%! Ao construir modelos de previsão, é importante reduzir o número de variáveis de entrada tanto quanto possível, de preferência sem perder informações valiosas no processo.
Reúna os valores de tempo comprimidos de cada indicador (ou seja, a saída do WAV) em uma matriz (uma coluna por indicador) e aplique DDR. Este procedimento reduz o número de colunas na matriz extraindo toda a redundância entre as colunas. O resultado é uma matriz com muito menos colunas, todas as colunas são mutuamente não correlacionadas (cada coluna está carregando informações diferentes) e pouca ou nenhuma informação foi perdida no processo.
Neste ponto, seus dados são temporariamente e espacialmente compactados. Se seu modelo tiver que receber os 73 valores mais recentes de cada um dos 10 indicadores sem compressão espaço-temporal, seu modelo de previsão examinaria uma matriz de entrada de 730 valores para cada previsão. No entanto, após a compressão espaço-temporal, a nova matriz provavelmente seria 13 valores para cada uma de apenas 4 colunas, apenas 52 valores totais. Isso representa uma compressão final de 93% !!
O Stage 3 é onde você consegue brincar e aprender sobre ferramentas de modelagem sexy, como ARIMA, sistemas especializados, algoritmos genéticos e redes neurais. Normalmente, o novato esquecerá completamente o estágio 2 e passará meses tentando fazer tudo acontecer no estágio 3. Isso leva a queixas de que a rede neural [expletiva excluída] é cérebro-morta.
Escolha o que deseja que o modelo preveja. Mantenha-o simples, como estimar o MACD cinco barras, ou estimar resistência e suporte (em relação ao preço médio atual) 10 barras. Evite as tentativas de previsão dos preços do mercado bruto (a menos que você seja realmente bom para prever variáveis pseudo-aleatórias). Certifique-se de que a sua coluna de valores-alvo de previsão se assemelhe a um oscilador padronizado médio zero (ou seja, série Z-score), e não é uma caminhada aleatória (por exemplo, preços do mercado bruto). Isso ocorre porque uma caminhada aleatória finalmente entrará em um intervalo que o modelo não viu durante o desenvolvimento, induzindo falha.
Alimentar a matriz comprimida que você criou no estágio 2 e os dados de destino para o seu modelo. Verifique todos os modelos com dados que não foram usados durante o desenvolvimento. Como regra geral, para cada variável de entrada (independente) alimentada em seu modelo, você precisará de treinamento e dados de verificação suficientes para suportar pelo menos 100 previsões. Assim, se o seu modelo receber 54 variáveis de entrada por previsão, você precisa de dados suficientes para suportar 100 * 54 ou 5.400 previsões durante a criação e verificação do modelo.
Alimentar a matriz comprimida que você criou no estágio 2 e os dados de destino para o seu modelo. Verifique todos os modelos com dados que não foram usados durante o desenvolvimento. Como regra geral, para cada variável de entrada (independente) alimentada em seu modelo, você precisará de treinamento e dados de verificação suficientes para suportar pelo menos 100 previsões. Assim, se o seu modelo receber 54 variáveis de entrada por previsão, você precisa de dados suficientes para suportar 100 * 54 ou 5.400 previsões durante a criação e verificação do modelo.
A informação sobre diferentes paradigmas para modelagem de indicadores avançados é fornecida mais abaixo nesta página. (Continue lendo, você chegará lá).
Esta etapa é para o desenvolvimento da lógica de negociação. É a mais "diversão" parte do sistema de construção, desde que você saiba o que está fazendo. Existem muitos livros sobre esse tema. Com relação ao uso de modelos de previsão, aqui estão algumas dicas:
Crie regras para gerenciamento de risco e dinheiro. Existem livros para ajudá-lo com esse assunto.
Uma técnica inteligente de gerenciamento de riscos é criar vários modelos treinados de forma robusta (por exemplo, redes neurais) para fazer a mesma previsão. Quando todos os modelos estão em forte concordância, aumente seu risco. Quando eles estão em forte desacordo, abaixe seu risco.
Durante o teste de atraso, examine as estatísticas, como o retorno da conta (considerando a redução máxima), gráficos de excursão adversos máximos, simulações de Monte Carlo da meia-vida fiscal esperada, etc. Ao fazer isso, procure os maus negócios do sistema e evite modificações de design.
Considere quantas variáveis, constantes e linhas de código que você está ajustando (otimizando). Cada um é um grau de liberdade com o qual você está brincando. Quando fazer backtest, use dados de mercado suficientes para que o sistema crie 100 trocas por cada grau de liberdade. Assim, se você estiver otimizando 5 constantes e ajustando 4 linhas de código, as chamadas de verificação para cada execução para produzir pelo menos 100 * (4 + 5) ou 900 negociações.
Esteja atento sobre otimizar os sistemas de negociação. O conjuramento não disciplinado e excessivo de código pode levar à lógica de espaguete sobre otimizada, um pesadelo para manter. Além disso, muita otimização renderá um ótimo desempenho em seu conjunto de dados atual, mas um desempenho miserável em dados futuros. Nosso livro Financial Forecasting and Neural Networks e a banda de áudio Space, Time, Cycles e Phase oferecem uma explicação desse fenômeno.
para uma explicação desse fenômeno. Um sistema que comercializa bem dados históricos e dados futuros é mais desejável.
Durante a troca de papel ao vivo, mantenha-se atento para a rapidez com que o sistema se degrada. Isso sugere a frequência com que os modelos precisam ser atualizados. Também pode sugerir fraca lógica de negociação.
Um exemplo de um sistema de comércio aprimorado de redes neurais que funcionou bem, sem reconversão, durante muitos meses após o seu desenvolvimento, é descrito na edição de dezembro de 1996 da revista Futures. Embora o procedimento de teste e verificação utilizado pelo autor não tenha sido o melhor, o resultado provou ser lucrativo no entanto.
Você realmente não precisa otimizar o descarte de seu sistema comercial, desde que você empregue um bom gerenciamento de riscos. Ele aborda a questão: quanto você está colocando em risco em um comércio versus o lucro esperado para assumir esse risco? Como um jogador de poker especialista, com um bom gerenciamento de dinheiro você avalia o quanto investir e quanto você está disposto a perder em cada jogo. Portanto, o princípio básico da gestão do dinheiro é o gerenciamento de riscos. Abertura de posições com risco coberto é fundamental para negociação bem-sucedida. Em outras palavras, gerencie o risco primeiro e os lucros seguirão quando sua aposta for correta. É incrível o quanto essa disciplina pode melhorar a rentabilidade geral do seu sistema. Durante um período de anos, esta técnica pode melhorar os lucros comerciais mais do que dez vezes!
Alguns livros sobre gerenciamento de dinheiro estão listados AQUI.
Principais indicadores e modelagem.
Por que os principais indicadores são difíceis de fazer.
são difíceis de fazer.
O "Compósito dos Principais Indicadores Econômicos" é avaliado pelo Federal Reserve e investidores de longo prazo pelo seu potencial de previsão. Em contrapartida, os investidores especulativos preferem usar indicadores técnicos e fundamentais com potencial de previsão de curto prazo. O problema é que quase todos os indicadores comumente usados (MACD, ADX, CCI, RSI, etc.) ficam atrás e resumem o que ocorreu, e não o que ocorrerá.
A raridade de bons indicadores de curto prazo nos diz que eles são difíceis de produzir, e mais importante, porque poucos investidores os exploram, esses indicadores podem gerar uma vantagem comercial significativa. Mas por que eles são tão raros? O que é tão difícil de criar um indicador avançado de curto prazo?
"Se todos os economistas fossem colocados de ponta a ponta,
eles ainda apontariam em todas as direções. & quot;
- Arthur H. Motley.
O motivo da sua raridade deve-se, em parte, à natureza dos mercados. No passado, quando a negociação não era dominada por computadores, a maioria dos analistas financeiros usava a teoria macro e microeconômica, bem como a clássica "linear" técnicas de modelagem. Os modelos de mercado tradicionais, baseados em teoria e técnicas lineares e seus pressupostos simplificadores, tornam as previsões cada vez mais imprecisas a cada ano. Os analistas de Wall Street perderam consistentemente todos os principais pontos de viragem do mercado nos últimos 30 anos. Por exemplo, seis meses antes da recessão de 1990, 34 dos 40 economistas concordaram que "a economia provavelmente evitará uma recessão". Além disso, apenas duas semanas antes do enorme mercado de touro em 1991, o consenso desses 40 economistas era: "a economia diminuirá nos próximos seis meses".
Os comerciantes e os investidores que usam sistemas baseados em análises clássicas também sofrerão perdas sérias quando as condições do mercado mudarem muito rapidamente para que seus modelos "compreendam".
Jurik Research acredita que os problemas com os modelos de mercado tradicionais decorrem de seus pressupostos, que dividi em três categorias.
Os modelos lineares funcionam melhor quando suas variáveis de entrada são independentes (não correlacionadas entre si). Variáveis de entrada altamente correlacionadas podem levar a modelos que parecem funcionar bem em dados históricos, mas que falharão miseravelmente em novos dados. Tais interdependências existem (por exemplo, a relação inversa entre commodities e títulos) e os modelos que não conseguem explicar esse fato terão problemas.
Hoje, o mercado se move mais rápido e mais caótico, exibindo relações desconexas e não-lineares entre as forças do mercado.
Para manter a vida simples, os analistas assumem que todos os comerciantes e investidores são avessos ao risco, racionais e reagem de forma semelhante. Na realidade, comerciantes de piso, comerciantes de curto e longo prazo, gestores de fundos, hedgers, comerciantes de programas e fabricantes de mercado usam diferentes níveis de risco e reagem em diferentes prazos.
Claramente, precisamos de uma nova família de modelos que possam simular relações não-lineares e jogadores pensando em diferentes prazos. Conseqüentemente, os esforços para encontrar e explorar nichos rentáveis nos mercados estão precedendo técnicas clássicas para métodos comerciais mais poderosos. Novas ferramentas que usam métodos de inteligência artificial estão aumentando em popularidade. Essas ferramentas incluem redes neurais e algoritmos genéticos.
Agora que versões fáceis de usar de ambos os paradigmas estão atualmente disponíveis como complementos para o Microsoft Excel, o público está rapidamente se aproximando: não é tão difícil, afinal.
Eles realmente funcionam?
O QUE É UMA REDE NEURAL?
Uma rede neural (ou NN) é composta por um grande número de elementos de processamento altamente interligados (neurônios) trabalhando em uníssono para resolver problemas específicos. Cada elemento executa uma fórmula matemática, cujos coeficientes são "aprendidos" quando dados exemplos de como o NN deve responder a vários conjuntos de dados. As aplicações incluem reconhecimento ou classificação de padrões de dados.
Durante um "treino" sessão, o NN produz uma coleção de funções matemáticas não-lineares simples que se alimente mutuamente aos valores numéricos de uma maneira que vagamente se assemelha à atividade das células cerebrais neurais. A interação entre os neurônios pode tornar-se tão complexa que esse conhecimento das fórmulas matemáticas oferece pouca ou nenhuma percepção da "lógica global" do modelo. Conseqüentemente, enquanto a rede neural funcionar bem, seu usuário raramente se preocupa em saber quais as equações exatas estão dentro.
Tenha cuidado para não confundir as redes neurais (NN) com outro paradigma de inteligência artificial chamado sistemas especializados (ES). Os programas ES são projetados para imitar o pensamento racional, conforme descrito por especialistas. No entanto, se o especialista não puder expressar sua lógica de maneira confiável, as decisões corretas, o paradigma ES não pode ser efetivamente empregado. Em contraste, um NN não está preocupado com a lógica humana emulada. Um NN simplesmente tenta mapear a entrada numérica para os dados de saída. A crença equivocada de que os paradigmas NN e ES são semelhantes conduz inevitavelmente ao argumento incorreto de que, se os modelos ES funcionam mal, então os modelos NN também. Felizmente, os modelos NN estão funcionando bem no mundo real.
APLICAÇÕES DE REDE NEURAL.
No mundo comercial, as redes neurais estão sendo utilizadas.
gerenciar o risco do portfólio avaliar o crédito de crédito risco detectar fraude do cartão de crédito prever vendas de chips de batata detectar células de sangue insalubre otimizar trabalho planejamento previsão atividade de mercado financeiro otimizar laminação a frio de chapa metálica remover ecos de telefone irritantes determinar preços ótimos para mercadorias detectar explosivos dentro de bagagem nos aeroportos prevêem resultados de novas fórmulas para o plástico QUAL É SEU PAPEL EM UM SISTEMA DE NEGOCIAÇÃO?
Não espere que um NN faça todo o trabalho para você e produza sinais Buy / Sell. NNs devem ser acoplados à análise técnica tradicional, e os melhores resultados vêm de comerciantes experientes. Isso porque eles entendem quais indicadores de mercado são mais significativos e também como melhor interpretá-los. Portanto, é melhor projetar um NN para produzir indicadores técnicos significativos, e não um "Buy / Sell & quot; cálice Sagrado.
O fluxograma mostra seis etapas do desenvolvimento do sistema de negociação. As redes neurais são tipicamente usadas no terceiro, ou no estágio MODELING. Nesta fase, as redes neurais são treinadas para modelar algum aspecto do mercado, para classificar as condições atuais ou futuras do mercado, informando ao investidor quando entrar ou sair do mercado. Ao prever as condições futuras, são tecnicamente um "indicador principal".
ELES SÃO FÁCEIS DE USAR ?
Existem muitos pacotes de redes neurais disponíveis comercialmente. Muitos interagem com o ambiente Microsoft Excel.
UMA DOSE DE REALISMO. . .
Como nossos padrões de integridade são muito altos, com o risco de perder uma venda, nos sentimos obrigados a mencionar o seguinte. Não implicamos que o desenvolvimento de uma rede neural é um suporte fácil de uma noite. Isso levará tempo, e nem todo mundo tem tempo para fazê-lo. Nem é uma rede neural por si só um sistema de comércio. O desenvolvimento adequado do sistema ainda requer o esforço humano usual, incluindo:
Selecionando a melhor informação Indicadores de construção e teste Interpretando os resultados Decidindo se deve ou não comercializar Decidir quanto investir (gerenciamento de dinheiro)
Os detalhes sobre questões e considerações ao começar é fornecido neste relatório, apresentado por William Arnold, um autor contribuidor para The Journal of Intelligent Technologies.
Por fim, surgem dúvidas sobre o quanto um comerciante deve confiar em um modelo NN. Será difícil confiar na decisão do seu computador de comprar quando o medo em sua mente gritar e vender! Vender AGORA! & Quot; No entanto, na conferência após a conferência, ouvimos os usuários comentando que teriam ganhado mais dinheiro se não tivessem tentado superar e vetar as decisões do seu sistema. Afinal, todo o propósito de construir um sistema artificialmente inteligente é evitar os mesmos negócios que a multidão, que, em média, perde dinheiro no mercado.
ALGUMAS HISTÓRIAS DE SUCESSO?
Sim, muitos. Uma empresa de gerenciamento de dinheiro trabalhou intensamente com redes neurais desde 1988. Eles usam 3000 redes neurais, uma para cada estoque que comercializam. Eles usam redes neurais e algoritmos genéticos para prever separadamente o comportamento de ações individuais. Embora as recomendações de "peritos" reduzem substancialmente a sua seleção, são refinados com o auxílio de análise de portfólio, na tentativa de limitar a superexposição a qualquer estoque ou setor. Sua pesquisa pagou bem como estavam, em um ponto, gerenciando meio bilhão de dólares.
Other institutions that implemented operational neural forecasting systems include Citibank, Nikko Securities, Morgan Stanley, Dai-ichi Kanyo Bank, Nomura Securities, Bear Stern and Shearson Lehman Hutton. Advanced Investment Technologies (AIT), in Clearwater, Fla., has one of the longest track records using neural networks.
Here are some articles on neural net for financial applications you can probably find in a library:
"Training Neural Nets for Intermarket Analysis", Futures, August 1994 "How to Predict Tomorrow's Indicators Today", Futures, May 1996 "Going Fishing With A Neural Network", Futures Magazine, Sept. 1992 "Forecasting T-Bill Rates with a Neural Network," Technical Analysis of Stocks and Commodities, May 1995 "Using Neural Nets for Intermarket Analysis", Technical Analysis of Stocks & Commodities, Nov. 1992 "Developing Neural Network Forecasters For Traders", Technical Analysis of Stocks & Commodities, April 1992 "A Neural Network Approach to Forecasting Financial Distress", Journal of Business Forecasting, v10, #4. "Forecasting with Neural Networks: An Application Using Bankruptcy Data", Information and Management, 1993, pp 159-167. "Forecasting S&P and Gold Futures Prices: An Application of Neural Networks", J. of Futures Markets, 1993, pp 631-643. "Neural Nets and Stocks: Training a Predictive System", PC AI, 1993, pp 45-47. "Using Artificial Neural Networks to Pick Stocks", Financial Analysts Journal, 1993, pp 21-27. "Analysis of Small-Business Financial Statements Using Neural Nets", Journal of Accounting Auditing and Finance, 1995, pp 147-172. "Stock Price Prediction Using Neural Networks: A Project Report" NeuroComputing, 1990, #2 "Forecasting Bankruptcies Using a Neural Network," International Business Schools Computing Quarterly, Spring 1995 WHY CAN THEY WORK SO WELL ?
In contrast to standard linear regression models, NNs perform nonlinear regression modeling, which is orders of magnitude more flexible and powerful. When a user wisely decides on a NN's task and feeds it market data needed to perform that task, the model has potential to perform well because it .
is inherently nonlinear and can "train" better than linear models in this environment. can learn to see better than humans the various relationships among large numbers of indicators. is dispassionate and consistent; NNs know neither fear nor greed. can be automatically retrained over and over to accommodate new behavior in the markets. COMMON ERRORS made by NOVICES.
Making money with sophisticated technology is a dual-edged sword. Without careful data preparation, you can easily produce useless junk. The first mistake made by novices using neural networks, is they fail to search for the most relevent data. A few top notch indicators will deliver better results than a few hundred irrelevant ones.
The second common mistake is to think that feeding a neural net 100 indicators will deliver better results than feeding it only ten. But large numbers of inputs require a large model which is difficult to train and maintain. Reducing data to its most compact form (and thereby reducing the NN model to its most compact form) greatly improves chances of success.
Two critical ways to compress data are sparse historical sampling (temporal compression) and redundancy reduction (spatial compression). Many market indicators are redundant because they reflect the same market forces at work, so eliminating redundancy is purely advantageous. As for sparse historical sampling, it is important to find representative values for past points in time, but done in such a way so as not to let important price patterns be skipped.
Jurik's WAV performs sparse historical sampling (temporal compression).
Jurik's DDR performs redundancy reduction (spatial compression).
Here is a nice tutorial on neural nets. It is a Macromedia Flash interactive movie. Select topic from menu along the top of the movie screen.
Do They Really Work?
WHAT ARE GENETIC ALGORITHMS ?
Genetic Algorithms (GAs) are a general purpose problem solving technique. First, several random answers to a problem are generated. The worst answers are eliminated, and the best are "mutated" and "cross-pollinated" with each other to create additional answers that closely resemble the first. The repeated process of elimination and regeneration gradually improves the quality of answers. In this way, they simulate the evolutionary process of "survival of the fittest." GAs are ideal for solving complicated problems with many independent (input) variables and a gigantic number of possible outcomes.
GENETIC ALGORITHM APPLICATIONS.
Genetic algorithms have been used to find the optimal . . .
Budget allocation Job shop schedule Chemical inventory Starting conditions Military response Investment portfolio Fuel consumption Investment trading rules Electronic circuit design.
With regard to financial applications, genetic algorithm optimization has been applied to . . .
Portfolio Balancing & Optimization Budget Forecasting Investment Optimization Payment Scheduling.
Major banks are using a GA component in their loan evaluation programs, such as the one marketed by KiQ of London. Currency traders at Citibank are using GAs to select characteristics of sequences of financial data to more accurately predict their future behavior. Stock traders at Salomon Brothers are using GAs to search for optimal trading rule combinations. Fund managers at Fidelity Investments try to best bundle securities to satisfy constraints. First Quadrant manages a $10-billion portfolio of pension funds, and uses genetic algorithms to build investment models. Models built by genetic algorithms made $255 for every $100 invested, compared with the typical $205. Financial managers at Merrill Lynch use GAs to hedge clients' exposure to price changes in foreign exchange markets.
HOW CAN THEY OPTIMIZE TRADING RULES ?
After you have preprocessed your financial data and developed technical indicators to your liking, your next step is probably to translate these numbers into trading decisions: buy, sell, hold, exit, swap, straddle, leap, etc. Unfortunately, these decisions may involve very complex rules, based on lots of contingencies. For example, one such rule may resemble the following .
Buy long only when A is rising, and B is less than C,
and interest rates just crossed below D.
Neural nets cannot optimize complex trading rules very well. However, genetic algorithms can by employing the latest findings in genetic algorithm optimization (GAO). The concept of GAO comes from the resemblance of this process to genetic evolution. If we pretend the parameters A, B, C, . are genomes (parts) of one large chromosome, then when nature mutates the chromosomes, through mating and reproduction, natural selection eliminates those organisms that perform poorly in the real world. Eventually, organisms with optimal and near-optimal chromosomes survive.
Suppose you had a collection of 30 rules for trading,
but you want only 10 or less.
Which rules do you eliminate?
You might write a program to evaluate all 53 million combinations, or you could use the GA method. GAs would try a number of random combinations of rules, toss out the combinations that performed poorly and make variations upon the collection of rules that performed well. Eventually, you are left with either the optimal or a near-optimal combination of rules.
Jurik STC Forex Торговая Система.
Jurik STC является форекс торговая система, которая основана на индикаторе Jurik с ЭМА и Боллинджера на нем. Он подходит для всех валютных пар и лучше всего работает на 15 минут или выше сроки.
MT4 индикаторы:
100мать; Jurik STC полосы Боллинджера (30, 2). Задавать, на Jurik STC перепроданности и перекупленности уровня в 5 а также 95.
Длинная запись:
Когда Jurik STC зеленый и разбивает перепроданности уровень. если цена запись не выходит верхняя полоса.
Когда Jurick STC красный и Перерывы вниз уровня перекупленности. No Entry, если цена не выйдет нижняя полоса.
Выход из положения:
Для покупки, если цена находится выше выхода 100EMA когда Jurik STC является красным цветом, если цена находится ниже выхода 100EMA в средней полосе BB.
Поместите стоп-лосс на нижней полосе или средней полосы.
Для продажи, если цена находится ниже 100EMA выхода, когда Jurik STC зеленый, если цена находится выше 100EMA выхода в средней полосе BB.
Место стоп-лосс на верхней полосе или средней полосы.
Инструкции по установке Forex Trading Systems.
Jurik STC Forex Торговая система представляет собой сочетание Metatrader 4 (MT4) индикатор(s) и шаблон.
Суть этой системы форекс заключается в преобразовании накопленных исторических данных и торговые сигналы.
Jurik STC Forex Торговая Система дает возможность обнаруживать различные особенности и закономерности в динамике цен, которые не видны невооруженным глазом.
На основании этой информации, трейдеры могут предполагать дальнейшее движение цены и регулировать эту систему соответствующим образом.
Building Trading Systems.
CHAVES PARA NEGOCIAÇÃO SUCEDIDA.
Não, as chaves do sucesso não são nossos produtos, nem os outros. Em vez disso, para ser um comerciante de sucesso que você precisa.
um sistema de negociação com expectativa rentável, princípios sólidos de gerenciamento de dinheiro, a força psicológica para negociar de forma consistente e capitalização adequada.
Contrariamente à crença popular, seu sistema comercial básico só precisa ser modestamente lucrativo. Um esquema de gerenciamento de dinheiro adequado projetado para controlar seu "tamanho da aposta" pode expandir esses magros lucros substancialmente. Além disso, uma vez que a natureza humana tende a obter lucros muito cedo e deixar as perdas correrem demais, você precisa estar familiarizado com o mercado e não ser emocionalmente apanhado e, então, ter medo de seguir as recomendações do seu sistema comercial.
Portanto, nós não oferecemos esquemas get-rich-quick. Eles não trabalham. Nem nos insultamos com sugestões de que, se uma empresa de gerenciamento de capital de bilhões de dólares se encaixasse diretamente em Wall Street com uma vasta instalação informática e dezenas de PhDs podem fazer milhões usando o produto X, então você também. Você provavelmente não vai.
Nem podemos prometer que os mercados são tão ineficientes que é fácil aproveitar os lucros. Não é, simplesmente porque você estará competindo com outros jogadores muito inteligentes, que querem o seu dinheiro.
Por outro lado, oferecemos ferramentas poderosas e produtos educacionais para ajudar os investidores individuais, como você, a conseguir um sistema comercial eficaz. As ferramentas Jurik são compatíveis com muitos produtos de software. Nossos clientes satisfeitos concordam!
SISTEMAS DE NEGOCIAÇÃO PRÉ-CONSTRUÍDA.
É um erro assumir que os sistemas comerciais descritos em livros, revistas ou em seu lixo eletrônico diário são lucrativos. Eles precisam ser testados durante um período prolongado de dados históricos (o suficiente para pelo menos 500 negociações). A melhor prova única que você pode aplicar a qualquer estratégia comercial para venda é esta:
mostrando os mais recentes 200 consecutivos.
Trades chamados pela estratégia?
Se o vendedor não está disposto a fazê-lo, vá embora.
Se você for fornecido com a declaração de um corretor, traça a curva de equidade e veja se você pode lidar (financeiramente e emocionalmente) com quaisquer trocas de perdas. Além disso, tente obter um diagrama de dispersão que contenha a excursão adversa máxima de todas as trocas comerciais. Às vezes, um comércio primeiro perde grande antes de se tornar rentável. Você consegue lidar com essas situações corretamente?
Quando o mercado altera seu comportamento, o desempenho do sistema pode se degradar em um perdedor. Você terá que pagar $ $$ adicionais para atualizações periódicas?
Finalmente, quanto você espera aprender sobre a negociação de um sistema que você não pode analisar nem modificar?
Acreditamos que você é melhor fazer seu próprio sistema comercial do que comprar um. Seu sistema será projetado em torno de seus recursos financeiros e zona de conforto psicológico. E você poderá modificá-lo de acordo com as mudanças nas condições do mercado. Por último, mas não menos importante, você saberá exatamente o quão bem pode ser esperado para executar.
do System Building.
Considere obter software de gráficos de mercado compatível com as ferramentas Jurik.
O próximo passo é adquirir nosso JMAadd-in. A JMA tem o maior número de usos, preços de suavização e outros indicadores técnicos com muito pouco atraso. Os usuários encontraram novas aplicações ao explorar as linhas ultra-suaves da JMA.
Nossas outras ferramentas de negociação avançadas, CFB, VEL e RSX, aprimoram ainda mais o design do sistema de negociação, oferecendo novas maneiras de medir o comportamento de ação de preço. CFB mede a duração da tendência do mercado (nenhum indicador clássico faz isso). A VEL oferece uma medida ultra-suave do impulso do mercado, sem mais atraso do que o indicador de momentum clássico. RSX é a versão Jurik do RSI clássico, exceto que RSX também é ultra-suave. Quando você vê RSX, você nunca vai querer usar o RSI novamente!
Uma vez que você se sinta confortável com a construção de sistemas de negociação usando indicadores concorrentes (preço) e atrasados (clássicos), agora você deseja expandir suas capacidades adicionando indicadores LEADING. Claro, todos os indicadores líderes populares são inúteis, já que o mercado já descontou as informações que eles oferecem. Em vez disso, você precisará criar seus próprios indicadores de liderança.
Um indicador avançado deve prever algum aspecto do comportamento do mercado. Atualmente, são necessários procedimentos de modelagem não-lineares sofisticados (como redes neurais). Para começar, recomendamos que você adote e se familiarize com o aplicativo de planilha Excel, pela Microsoft. Em seguida, adquira um complemento de rede neural ao Excel. Existem vários no mercado.
Depois de se familiarizar com o desenvolvimento da rede neural, obtenha experiência criando indicadores avançados e usando nossas ferramentas de pré-processamento para o MS Excel.
Quatro qualidades de grandes indicadores técnicos.
Quase todos os indicadores técnicos envolvem tomar alguma forma de uma média de valores históricos para reduzir o ruído do mercado, que aparece como jitter de alta velocidade. Os analistas normalmente ignoram o jitter do ruído porque não tem tendência nem padrões repetitivos. Consequentemente, a maioria das médias móveis tem um "comprimento" parâmetro que efetivamente controla a suavidade aparente do indicador e, de maneira inversa, sua precisão. Ou seja, quanto mais suave um filtro se torna, menos reflete com precisão a ação do mercado local.
Isso faz sentido, uma vez que o usuário pode definir jitter para qualquer ação que tenha menos de N barras. Portanto, vemos o jogador do mercado tentando aplicar apenas a suavidade suficiente para filtrar o ruído sem remover a estrutura importante que é relevante em seu período de tempo desejado. Em resumo, .
faz uma compensação entre suavidade e precisão.
A precisão pode ser medida de várias maneiras: robustez, superação, pontualidade e proximidade. Estas medidas serão descritas no contexto de um hipotético filtro de média móvel.
Simplificando, você quer um filtro (por exemplo, média móvel) para produzir uma versão livre de ruído do sinal original, pelo que a curva geral não é maior nem menor do que a série original. Um resultado semelhante ao que você produziria quando fosse dada uma caneta e manualmente "rastreada através de & quot; a importante ação do mercado.
Todos os indicadores técnicos que examinam rigorosamente os valores de dados passados (ou seja, não olhe para o futuro) são chamados de "causal". Estes são os únicos disponíveis para você ao negociar o mercado em tempo real. Todos os filtros causais têm um problema fundamental: eles ficam atrás da série temporal original. Lag em seus indicadores técnicos apenas serve para atrasar o que você precisa ver agora. Este é um problema crítico porque o atraso excessivo e os negócios tardios podem reduzir significativamente os lucros.
Idealmente, você gostaria que um sinal filtrado fosse liso e livre de atraso. No entanto, para todos os filtros causais, maior suavidade produz maior atraso e não há "livre de penalidade" maneira de contorná-lo. Alcançar a suavidade sem adicionar atraso significativo ou outras idiossincrasias indesejadas surpreendeu os analistas financeiros, bem como pessoas de processamento de sinais há anos. Nós, na Jurik Research, compreendemos muito bem a natureza do atraso e empregamos fórmulas proprietárias que abordam essa questão fundamental.
Uma abordagem comum para reduzir o atraso é adicionar alguma "inércia" na fórmula, permitindo que um filtro siga as tendências mais de perto sem sacrificar a suavidade. No entanto, a penalidade paga é quando um mercado inverte rapidamente a direção. A inércia do filtro impede que ele mude rapidamente de direção, e continua a superar por algum tempo antes de inverter a direção. Quanto mais inércia você aplicar, maior será o excesso. . E isso pode criar um problema real.
Alguns negócios são desencadeados quando uma média móvel do preço atravessa um limite especificado pelo usuário. Por exemplo, suponha tendências de preços em direção a um limite, mas inverte a direção apenas a tempo de não quebrar o limite. Um filtro com muita inércia ultrapassará e reduzirá o limiar, mesmo que o preço não acontecesse. Este falso gatilho pode produzir um comércio indesejável.
Para remover o ruído em uma série temporal, filtros comuns usam técnicas matemáticas que existem há anos. A teoria subjacente em quase todos os casos pressupõe que as mudanças nos preços de mercado tenham uma distribuição normal (gaussiana). Isso pode ser verdade para o ruído em seu gravador de cassetes ou gravador de cassetes, mas não para o mercado. As lacunas nos preços de mercado ocorrem com mais freqüência, por ordens de grandeza, do que a curva Gaussiana sugere. Conseqüentemente, os filtros comuns respondem muito aos choques de preços.
Os jogadores precisam de um filtro que seja robusto contra choques de preços. Isso exige um tipo especial de processamento de sinal chamado "não-linear" filtragem. Nossa ferramenta principal, JMA, é um filtro e pode lidar com choques de preços melhor do que qualquer outra média móvel disponível no mercado hoje. Na verdade, quanto maior a diferença, a superioridade da JMA mais óbvia torna-se evidente.
Jurik Research alcançou esses resultados pelo primeiro desenvolvimento e teste de algoritmos no MATLAB, a escolha do engenheiro para simulação de software. Tentamos evitar fazer quaisquer suposições sobre o sinal que está sendo processado, além de ser uma caminhada aleatória de mudanças de preços acumuladas Cauchy (não Gaussian!). Desta forma, os algoritmos não podem ser enganados pela ação atípica do mercado. Em seguida, deixamos os testadores beta qualificados procurarem problemas. Finalmente, depois de disponibilizar cada produto.
pessoa que é a primeira a denunciar qualquer específico.
erro em nosso software ou documentação.
Na Jurik Research, não há substituto para a excelência.
Sequência para construção avançada de sistemas.
Se alguns humanos podem negociar consistentemente bem, então por que não pode um computador? Por que não pode ser seu computador? Sombras de inteligência artificial, não ouvimos essas perguntas antes? A Inteligência Artificial, independentemente da sua definição formal (se alguma vez teve alguma), se traduz em trabalhos difíceis, e muitas vezes infrutíferos. Persistência paga, no entanto. A metodologia estruturada e a experimentação sistemática são o modus operandi recomendado.
Nós definimos um sistema avançado como aquele que inclui algum aspecto de um indicador líder, o que implica que a previsão está envolvida. Os indicadores principais podem ser projetados para quase qualquer coisa, mas preferimos usá-lo para prever uma faixa de preço superior e inferior, bem como futuros valores de MACD. O desenvolvimento adequado de indicadores líderes exige o pré-processamento com WAV e DDR e a modelagem com um programa de rede neural. Por fim, tudo isso precisa ser realizado de forma sistemática.
Para realizar isso, projetei este diagrama de fluxo para ver o quadro geral. Subdivide o esforço de desenvolvimento do sistema comercial em várias etapas. Aqui está uma revisão em vários estágios do nosso processo avançado de construção de sistemas. Você pode alterar qualquer aspecto dele para atender às suas necessidades específicas.
Aqui está uma descrição de como eu construo meus próprios sistemas de negociação. O fluxograma mostra seis etapas do desenvolvimento do sistema de negociação:
Selecionar dados explicativos (etapa de coleta) Criar indicadores de baixo atraso (etapa de pré-processamento) Criar indicadores avançados (estágio de modelagem) Construir seu sistema comercial (etapa estratégica) Voltar seu sistema comercial (etapa de verificação 1) Negociar com um corretor simulado (etapa de verificação 2) ESTÁGIO 1.
Isso envolve a tarefa irrelevante de coletar e verificar dados financeiros. Isso não ajuda a auto-imagem do seu sistema para dar-lhe preços históricos salpicados de espaços em branco e zero. Eyeball para todos os problemas.
A pesquisa mostrou que se você converter dados de preço para o LOG (logaritmo) de dados de preços, as estratégias funcionarão melhor durante um período mais longo. Isso ocorre porque os dados de preços agora são expressos em uma relação multiplicativa um com o outro, em vez de serem aditivos, e isso tende a ser preservado à medida que os preços mudam a escala ao longo do tempo.
Esta etapa envolve o pré-processamento de dados. Resumidamente, é aqui que extraímos indicadores significativos de dados financeiros brutos. O bom pré-processamento faz a próxima etapa (modelagem) funcionar sem problemas. Os modeladores profissionais percebem a importância deste passo e concentram a maior parte de sua energia aqui. No entanto, para o amador tem o mesmo apelo que lavar a roupa.
Determine o "horizonte de previsão" ideal para as séries temporais a serem previstas. Por exemplo, a distância ótima para prever no futuro ao usar barras diárias de T-Bonds de 30 anos é de 5,5 dias. Esse valor varia de mercado para mercado e o método para o cálculo é explicado no meu livro Financial Forecasting and Neural Networks.
Determine a quantidade de dados históricos necessários para fazer uma previsão ÚNICA. Eu me refiro a essa quantidade de tempo histórico como o "horizonte de lookback" e seu tamanho é tipicamente 4 vezes o horizonte de previsão. Por exemplo, se minha previsão for para prever 5.5 barras para o futuro, meu horizonte de lookback (L) para cada previsão terá que ser de 22 barras. (L = 22) Todos os indicadores precisam considerar a atividade de pelo menos as barras L mais recentes.
Selecione os dados explicativos apropriados, como altos, baixos, volume, etc. Eu encorajo você a investigar os dados de preço de pré-suavização primeiro com o JMA, criando assim "proxies" pelo preço bruto. Em seguida, crie indicadores relevantes (RSX, VEL, CFB, canais, JMA-MACD, etc.) aplicando-os aos proxies JMA, em vez dos dados de preço bruto. Defina o & quot; length & quot; parâmetro de seus indicadores para que o número de barras consideradas por cada fórmula seja aproximadamente o horizonte de lookback (L).
Certifique-se de que cada coluna de valores de indicador se assemelhe a um oscilador de média zero, padronizado (ou seja, série Z-score), e não é uma caminhada aleatória (por exemplo, preços brutos do mercado). Isso ocorre porque uma caminhada aleatória finalmente entrará em um intervalo que o modelo não viu durante o desenvolvimento, induzindo falha.
Aplique WAV aos indicadores acima, para comprimir os valores L mais recentes de cada indicador em um número muito menor de valores. Por exemplo, o WAV pode comprimir os 73 valores mais recentes de um indicador em apenas 13, uma compressão de 82%! Ao construir modelos de previsão, é importante reduzir o número de variáveis de entrada tanto quanto possível, de preferência sem perder informações valiosas no processo.
Reúna os valores de tempo comprimidos de cada indicador (ou seja, a saída do WAV) em uma matriz (uma coluna por indicador) e aplique DDR. Este procedimento reduz o número de colunas na matriz extraindo toda a redundância entre as colunas. O resultado é uma matriz com muito menos colunas, todas as colunas são mutuamente não correlacionadas (cada coluna está carregando informações diferentes) e pouca ou nenhuma informação foi perdida no processo.
Neste ponto, seus dados são temporariamente e espacialmente compactados. Se seu modelo tiver que receber os 73 valores mais recentes de cada um dos 10 indicadores sem compressão espaço-temporal, seu modelo de previsão examinaria uma matriz de entrada de 730 valores para cada previsão. No entanto, após a compressão espaço-temporal, a nova matriz provavelmente seria 13 valores para cada uma de apenas 4 colunas, apenas 52 valores totais. Isso representa uma compressão final de 93% !!
O Stage 3 é onde você consegue brincar e aprender sobre ferramentas de modelagem sexy, como ARIMA, sistemas especializados, algoritmos genéticos e redes neurais. Normalmente, o novato esquecerá completamente o estágio 2 e passará meses tentando fazer tudo acontecer no estágio 3. Isso leva a queixas de que a rede neural [expletiva excluída] é cérebro-morta.
Escolha o que deseja que o modelo preveja. Mantenha-o simples, como estimar o MACD cinco barras, ou estimar resistência e suporte (em relação ao preço médio atual) 10 barras. Evite as tentativas de previsão dos preços do mercado bruto (a menos que você seja realmente bom para prever variáveis pseudo-aleatórias). Certifique-se de que a sua coluna de valores-alvo de previsão se assemelhe a um oscilador padronizado médio zero (ou seja, série Z-score), e não é uma caminhada aleatória (por exemplo, preços do mercado bruto). Isso ocorre porque uma caminhada aleatória finalmente entrará em um intervalo que o modelo não viu durante o desenvolvimento, induzindo falha.
Alimentar a matriz comprimida que você criou no estágio 2 e os dados de destino para o seu modelo. Verifique todos os modelos com dados que não foram usados durante o desenvolvimento. Como regra geral, para cada variável de entrada (independente) alimentada em seu modelo, você precisará de treinamento e dados de verificação suficientes para suportar pelo menos 100 previsões. Assim, se o seu modelo receber 54 variáveis de entrada por previsão, você precisa de dados suficientes para suportar 100 * 54 ou 5.400 previsões durante a criação e verificação do modelo.
Alimentar a matriz comprimida que você criou no estágio 2 e os dados de destino para o seu modelo. Verifique todos os modelos com dados que não foram usados durante o desenvolvimento. Como regra geral, para cada variável de entrada (independente) alimentada em seu modelo, você precisará de treinamento e dados de verificação suficientes para suportar pelo menos 100 previsões. Assim, se o seu modelo receber 54 variáveis de entrada por previsão, você precisa de dados suficientes para suportar 100 * 54 ou 5.400 previsões durante a criação e verificação do modelo.
A informação sobre diferentes paradigmas para modelagem de indicadores avançados é fornecida mais abaixo nesta página. (Continue lendo, você chegará lá).
Esta etapa é para o desenvolvimento da lógica de negociação. É a mais "diversão" parte do sistema de construção, desde que você saiba o que está fazendo. Existem muitos livros sobre esse tema. Com relação ao uso de modelos de previsão, aqui estão algumas dicas:
Crie regras para gerenciamento de risco e dinheiro. Existem livros para ajudá-lo com esse assunto.
Uma técnica inteligente de gerenciamento de riscos é criar vários modelos treinados de forma robusta (por exemplo, redes neurais) para fazer a mesma previsão. Quando todos os modelos estão em forte concordância, aumente seu risco. Quando eles estão em forte desacordo, abaixe seu risco.
Durante o teste de atraso, examine as estatísticas, como o retorno da conta (considerando a redução máxima), gráficos de excursão adversos máximos, simulações de Monte Carlo da meia-vida fiscal esperada, etc. Ao fazer isso, procure os maus negócios do sistema e evite modificações de design.
Considere quantas variáveis, constantes e linhas de código que você está ajustando (otimizando). Cada um é um grau de liberdade com o qual você está brincando. Quando fazer backtest, use dados de mercado suficientes para que o sistema crie 100 trocas por cada grau de liberdade. Assim, se você estiver otimizando 5 constantes e ajustando 4 linhas de código, as chamadas de verificação para cada execução para produzir pelo menos 100 * (4 + 5) ou 900 negociações.
Esteja atento sobre otimizar os sistemas de negociação. O conjuramento não disciplinado e excessivo de código pode levar à lógica de espaguete sobre otimizada, um pesadelo para manter. Além disso, muita otimização renderá um ótimo desempenho em seu conjunto de dados atual, mas um desempenho miserável em dados futuros. Nosso livro Financial Forecasting and Neural Networks e a banda de áudio Space, Time, Cycles e Phase oferecem uma explicação desse fenômeno.
para uma explicação desse fenômeno. Um sistema que comercializa bem dados históricos e dados futuros é mais desejável.
Durante a troca de papel ao vivo, mantenha-se atento para a rapidez com que o sistema se degrada. Isso sugere a frequência com que os modelos precisam ser atualizados. Também pode sugerir fraca lógica de negociação.
Um exemplo de um sistema de comércio aprimorado de redes neurais que funcionou bem, sem reconversão, durante muitos meses após o seu desenvolvimento, é descrito na edição de dezembro de 1996 da revista Futures. Embora o procedimento de teste e verificação utilizado pelo autor não tenha sido o melhor, o resultado provou ser lucrativo no entanto.
Você realmente não precisa otimizar o descarte de seu sistema comercial, desde que você empregue um bom gerenciamento de riscos. Ele aborda a questão: quanto você está colocando em risco em um comércio versus o lucro esperado para assumir esse risco? Como um jogador de poker especialista, com um bom gerenciamento de dinheiro você avalia o quanto investir e quanto você está disposto a perder em cada jogo. Portanto, o princípio básico da gestão do dinheiro é o gerenciamento de riscos. Abertura de posições com risco coberto é fundamental para negociação bem-sucedida. Em outras palavras, gerencie o risco primeiro e os lucros seguirão quando sua aposta for correta. É incrível o quanto essa disciplina pode melhorar a rentabilidade geral do seu sistema. Durante um período de anos, esta técnica pode melhorar os lucros comerciais mais do que dez vezes!
Alguns livros sobre gerenciamento de dinheiro estão listados AQUI.
Principais indicadores e modelagem.
Por que os principais indicadores são difíceis de fazer.
são difíceis de fazer.
O "Compósito dos Principais Indicadores Econômicos" é avaliado pelo Federal Reserve e investidores de longo prazo pelo seu potencial de previsão. Em contrapartida, os investidores especulativos preferem usar indicadores técnicos e fundamentais com potencial de previsão de curto prazo. O problema é que quase todos os indicadores comumente usados (MACD, ADX, CCI, RSI, etc.) ficam atrás e resumem o que ocorreu, e não o que ocorrerá.
A raridade de bons indicadores de curto prazo nos diz que eles são difíceis de produzir, e mais importante, porque poucos investidores os exploram, esses indicadores podem gerar uma vantagem comercial significativa. Mas por que eles são tão raros? O que é tão difícil de criar um indicador avançado de curto prazo?
"Se todos os economistas fossem colocados de ponta a ponta,
eles ainda apontariam em todas as direções. & quot;
- Arthur H. Motley.
O motivo da sua raridade deve-se, em parte, à natureza dos mercados. No passado, quando a negociação não era dominada por computadores, a maioria dos analistas financeiros usava a teoria macro e microeconômica, bem como a clássica "linear" técnicas de modelagem. Os modelos de mercado tradicionais, baseados em teoria e técnicas lineares e seus pressupostos simplificadores, tornam as previsões cada vez mais imprecisas a cada ano. Os analistas de Wall Street perderam consistentemente todos os principais pontos de viragem do mercado nos últimos 30 anos. Por exemplo, seis meses antes da recessão de 1990, 34 dos 40 economistas concordaram que "a economia provavelmente evitará uma recessão". Além disso, apenas duas semanas antes do enorme mercado de touro em 1991, o consenso desses 40 economistas era: "a economia diminuirá nos próximos seis meses".
Os comerciantes e os investidores que usam sistemas baseados em análises clássicas também sofrerão perdas sérias quando as condições do mercado mudarem muito rapidamente para que seus modelos "compreendam".
Jurik Research acredita que os problemas com os modelos de mercado tradicionais decorrem de seus pressupostos, que dividi em três categorias.
Os modelos lineares funcionam melhor quando suas variáveis de entrada são independentes (não correlacionadas entre si). Variáveis de entrada altamente correlacionadas podem levar a modelos que parecem funcionar bem em dados históricos, mas que falharão miseravelmente em novos dados. Tais interdependências existem (por exemplo, a relação inversa entre commodities e títulos) e os modelos que não conseguem explicar esse fato terão problemas.
Hoje, o mercado se move mais rápido e mais caótico, exibindo relações desconexas e não-lineares entre as forças do mercado.
Para manter a vida simples, os analistas assumem que todos os comerciantes e investidores são avessos ao risco, racionais e reagem de forma semelhante. Na realidade, comerciantes de piso, comerciantes de curto e longo prazo, gestores de fundos, hedgers, comerciantes de programas e fabricantes de mercado usam diferentes níveis de risco e reagem em diferentes prazos.
Claramente, precisamos de uma nova família de modelos que possam simular relações não-lineares e jogadores pensando em diferentes prazos. Conseqüentemente, os esforços para encontrar e explorar nichos rentáveis nos mercados estão precedendo técnicas clássicas para métodos comerciais mais poderosos. Novas ferramentas que usam métodos de inteligência artificial estão aumentando em popularidade. Essas ferramentas incluem redes neurais e algoritmos genéticos.
Agora que versões fáceis de usar de ambos os paradigmas estão atualmente disponíveis como complementos para o Microsoft Excel, o público está rapidamente se aproximando: não é tão difícil, afinal.
Eles realmente funcionam?
O QUE É UMA REDE NEURAL?
Uma rede neural (ou NN) é composta por um grande número de elementos de processamento altamente interligados (neurônios) trabalhando em uníssono para resolver problemas específicos. Cada elemento executa uma fórmula matemática, cujos coeficientes são "aprendidos" quando dados exemplos de como o NN deve responder a vários conjuntos de dados. As aplicações incluem reconhecimento ou classificação de padrões de dados.
Durante um "treino" sessão, o NN produz uma coleção de funções matemáticas não-lineares simples que se alimente mutuamente aos valores numéricos de uma maneira que vagamente se assemelha à atividade das células cerebrais neurais. A interação entre os neurônios pode tornar-se tão complexa que esse conhecimento das fórmulas matemáticas oferece pouca ou nenhuma percepção da "lógica global" do modelo. Conseqüentemente, enquanto a rede neural funcionar bem, seu usuário raramente se preocupa em saber quais as equações exatas estão dentro.
Tenha cuidado para não confundir as redes neurais (NN) com outro paradigma de inteligência artificial chamado sistemas especializados (ES). Os programas ES são projetados para imitar o pensamento racional, conforme descrito por especialistas. No entanto, se o especialista não puder expressar sua lógica de maneira confiável, as decisões corretas, o paradigma ES não pode ser efetivamente empregado. Em contraste, um NN não está preocupado com a lógica humana emulada. Um NN simplesmente tenta mapear a entrada numérica para os dados de saída. A crença equivocada de que os paradigmas NN e ES são semelhantes conduz inevitavelmente ao argumento incorreto de que, se os modelos ES funcionam mal, então os modelos NN também. Felizmente, os modelos NN estão funcionando bem no mundo real.
APLICAÇÕES DE REDE NEURAL.
No mundo comercial, as redes neurais estão sendo utilizadas.
gerenciar o risco do portfólio avaliar o crédito de crédito risco detectar fraude do cartão de crédito prever vendas de chips de batata detectar células de sangue insalubre otimizar trabalho planejamento previsão atividade de mercado financeiro otimizar laminação a frio de chapa metálica remover ecos de telefone irritantes determinar preços ótimos para mercadorias detectar explosivos dentro de bagagem nos aeroportos prevêem resultados de novas fórmulas para o plástico QUAL É SEU PAPEL EM UM SISTEMA DE NEGOCIAÇÃO?
Não espere que um NN faça todo o trabalho para você e produza sinais Buy / Sell. NNs devem ser acoplados à análise técnica tradicional, e os melhores resultados vêm de comerciantes experientes. Isso porque eles entendem quais indicadores de mercado são mais significativos e também como melhor interpretá-los. Portanto, é melhor projetar um NN para produzir indicadores técnicos significativos, e não um "Buy / Sell & quot; cálice Sagrado.
O fluxograma mostra seis etapas do desenvolvimento do sistema de negociação. As redes neurais são tipicamente usadas no terceiro, ou no estágio MODELING. Nesta fase, as redes neurais são treinadas para modelar algum aspecto do mercado, para classificar as condições atuais ou futuras do mercado, informando ao investidor quando entrar ou sair do mercado. Ao prever as condições futuras, são tecnicamente um "indicador principal".
ELES SÃO FÁCEIS DE USAR ?
Existem muitos pacotes de redes neurais disponíveis comercialmente. Muitos interagem com o ambiente Microsoft Excel.
UMA DOSE DE REALISMO. . .
Como nossos padrões de integridade são muito altos, com o risco de perder uma venda, nos sentimos obrigados a mencionar o seguinte. Não implicamos que o desenvolvimento de uma rede neural é um suporte fácil de uma noite. Isso levará tempo, e nem todo mundo tem tempo para fazê-lo. Nem é uma rede neural por si só um sistema de comércio. O desenvolvimento adequado do sistema ainda requer o esforço humano usual, incluindo:
Selecionando a melhor informação Indicadores de construção e teste Interpretando os resultados Decidindo se deve ou não comercializar Decidir quanto investir (gerenciamento de dinheiro)
Os detalhes sobre questões e considerações ao começar é fornecido neste relatório, apresentado por William Arnold, um autor contribuidor para The Journal of Intelligent Technologies.
Por fim, surgem dúvidas sobre o quanto um comerciante deve confiar em um modelo NN. Será difícil confiar na decisão do seu computador de comprar quando o medo em sua mente gritar e vender! Vender AGORA! & Quot; No entanto, na conferência após a conferência, ouvimos os usuários comentando que teriam ganhado mais dinheiro se não tivessem tentado superar e vetar as decisões do seu sistema. Afinal, todo o propósito de construir um sistema artificialmente inteligente é evitar os mesmos negócios que a multidão, que, em média, perde dinheiro no mercado.
ALGUMAS HISTÓRIAS DE SUCESSO?
Sim, muitos. Uma empresa de gerenciamento de dinheiro trabalhou intensamente com redes neurais desde 1988. Eles usam 3000 redes neurais, uma para cada estoque que comercializam. Eles usam redes neurais e algoritmos genéticos para prever separadamente o comportamento de ações individuais. Embora as recomendações de "peritos" reduzem substancialmente a sua seleção, são refinados com o auxílio de análise de portfólio, na tentativa de limitar a superexposição a qualquer estoque ou setor. Sua pesquisa pagou bem como estavam, em um ponto, gerenciando meio bilhão de dólares.
Other institutions that implemented operational neural forecasting systems include Citibank, Nikko Securities, Morgan Stanley, Dai-ichi Kanyo Bank, Nomura Securities, Bear Stern and Shearson Lehman Hutton. Advanced Investment Technologies (AIT), in Clearwater, Fla., has one of the longest track records using neural networks.
Here are some articles on neural net for financial applications you can probably find in a library:
"Training Neural Nets for Intermarket Analysis", Futures, August 1994 "How to Predict Tomorrow's Indicators Today", Futures, May 1996 "Going Fishing With A Neural Network", Futures Magazine, Sept. 1992 "Forecasting T-Bill Rates with a Neural Network," Technical Analysis of Stocks and Commodities, May 1995 "Using Neural Nets for Intermarket Analysis", Technical Analysis of Stocks & Commodities, Nov. 1992 "Developing Neural Network Forecasters For Traders", Technical Analysis of Stocks & Commodities, April 1992 "A Neural Network Approach to Forecasting Financial Distress", Journal of Business Forecasting, v10, #4. "Forecasting with Neural Networks: An Application Using Bankruptcy Data", Information and Management, 1993, pp 159-167. "Forecasting S&P and Gold Futures Prices: An Application of Neural Networks", J. of Futures Markets, 1993, pp 631-643. "Neural Nets and Stocks: Training a Predictive System", PC AI, 1993, pp 45-47. "Using Artificial Neural Networks to Pick Stocks", Financial Analysts Journal, 1993, pp 21-27. "Analysis of Small-Business Financial Statements Using Neural Nets", Journal of Accounting Auditing and Finance, 1995, pp 147-172. "Stock Price Prediction Using Neural Networks: A Project Report" NeuroComputing, 1990, #2 "Forecasting Bankruptcies Using a Neural Network," International Business Schools Computing Quarterly, Spring 1995 WHY CAN THEY WORK SO WELL ?
In contrast to standard linear regression models, NNs perform nonlinear regression modeling, which is orders of magnitude more flexible and powerful. When a user wisely decides on a NN's task and feeds it market data needed to perform that task, the model has potential to perform well because it .
is inherently nonlinear and can "train" better than linear models in this environment. can learn to see better than humans the various relationships among large numbers of indicators. is dispassionate and consistent; NNs know neither fear nor greed. can be automatically retrained over and over to accommodate new behavior in the markets. COMMON ERRORS made by NOVICES.
Making money with sophisticated technology is a dual-edged sword. Without careful data preparation, you can easily produce useless junk. The first mistake made by novices using neural networks, is they fail to search for the most relevent data. A few top notch indicators will deliver better results than a few hundred irrelevant ones.
The second common mistake is to think that feeding a neural net 100 indicators will deliver better results than feeding it only ten. But large numbers of inputs require a large model which is difficult to train and maintain. Reducing data to its most compact form (and thereby reducing the NN model to its most compact form) greatly improves chances of success.
Two critical ways to compress data are sparse historical sampling (temporal compression) and redundancy reduction (spatial compression). Many market indicators are redundant because they reflect the same market forces at work, so eliminating redundancy is purely advantageous. As for sparse historical sampling, it is important to find representative values for past points in time, but done in such a way so as not to let important price patterns be skipped.
Jurik's WAV performs sparse historical sampling (temporal compression).
Jurik's DDR performs redundancy reduction (spatial compression).
Here is a nice tutorial on neural nets. It is a Macromedia Flash interactive movie. Select topic from menu along the top of the movie screen.
Do They Really Work?
WHAT ARE GENETIC ALGORITHMS ?
Genetic Algorithms (GAs) are a general purpose problem solving technique. First, several random answers to a problem are generated. The worst answers are eliminated, and the best are "mutated" and "cross-pollinated" with each other to create additional answers that closely resemble the first. The repeated process of elimination and regeneration gradually improves the quality of answers. In this way, they simulate the evolutionary process of "survival of the fittest." GAs are ideal for solving complicated problems with many independent (input) variables and a gigantic number of possible outcomes.
GENETIC ALGORITHM APPLICATIONS.
Genetic algorithms have been used to find the optimal . . .
Budget allocation Job shop schedule Chemical inventory Starting conditions Military response Investment portfolio Fuel consumption Investment trading rules Electronic circuit design.
With regard to financial applications, genetic algorithm optimization has been applied to . . .
Portfolio Balancing & Optimization Budget Forecasting Investment Optimization Payment Scheduling.
Major banks are using a GA component in their loan evaluation programs, such as the one marketed by KiQ of London. Currency traders at Citibank are using GAs to select characteristics of sequences of financial data to more accurately predict their future behavior. Stock traders at Salomon Brothers are using GAs to search for optimal trading rule combinations. Fund managers at Fidelity Investments try to best bundle securities to satisfy constraints. First Quadrant manages a $10-billion portfolio of pension funds, and uses genetic algorithms to build investment models. Models built by genetic algorithms made $255 for every $100 invested, compared with the typical $205. Financial managers at Merrill Lynch use GAs to hedge clients' exposure to price changes in foreign exchange markets.
HOW CAN THEY OPTIMIZE TRADING RULES ?
After you have preprocessed your financial data and developed technical indicators to your liking, your next step is probably to translate these numbers into trading decisions: buy, sell, hold, exit, swap, straddle, leap, etc. Unfortunately, these decisions may involve very complex rules, based on lots of contingencies. For example, one such rule may resemble the following .
Buy long only when A is rising, and B is less than C,
and interest rates just crossed below D.
Neural nets cannot optimize complex trading rules very well. However, genetic algorithms can by employing the latest findings in genetic algorithm optimization (GAO). The concept of GAO comes from the resemblance of this process to genetic evolution. If we pretend the parameters A, B, C, . are genomes (parts) of one large chromosome, then when nature mutates the chromosomes, through mating and reproduction, natural selection eliminates those organisms that perform poorly in the real world. Eventually, organisms with optimal and near-optimal chromosomes survive.
Suppose you had a collection of 30 rules for trading,
but you want only 10 or less.
Which rules do you eliminate?
You might write a program to evaluate all 53 million combinations, or you could use the GA method. GAs would try a number of random combinations of rules, toss out the combinations that performed poorly and make variations upon the collection of rules that performed well. Eventually, you are left with either the optimal or a near-optimal combination of rules.
Jurik STC Forex Торговая Система.
Jurik STC является форекс торговая система, которая основана на индикаторе Jurik с ЭМА и Боллинджера на нем. Он подходит для всех валютных пар и лучше всего работает на 15 минут или выше сроки.
MT4 индикаторы:
100мать; Jurik STC полосы Боллинджера (30, 2). Задавать, на Jurik STC перепроданности и перекупленности уровня в 5 а также 95.
Длинная запись:
Когда Jurik STC зеленый и разбивает перепроданности уровень. если цена запись не выходит верхняя полоса.
Когда Jurick STC красный и Перерывы вниз уровня перекупленности. No Entry, если цена не выйдет нижняя полоса.
Выход из положения:
Для покупки, если цена находится выше выхода 100EMA когда Jurik STC является красным цветом, если цена находится ниже выхода 100EMA в средней полосе BB.
Поместите стоп-лосс на нижней полосе или средней полосы.
Для продажи, если цена находится ниже 100EMA выхода, когда Jurik STC зеленый, если цена находится выше 100EMA выхода в средней полосе BB.
Место стоп-лосс на верхней полосе или средней полосы.
Инструкции по установке Forex Trading Systems.
Jurik STC Forex Торговая система представляет собой сочетание Metatrader 4 (MT4) индикатор(s) и шаблон.
Суть этой системы форекс заключается в преобразовании накопленных исторических данных и торговые сигналы.
Jurik STC Forex Торговая Система дает возможность обнаруживать различные особенности и закономерности в динамике цен, которые не видны невооруженным глазом.
На основании этой информации, трейдеры могут предполагать дальнейшее движение цены и регулировать эту систему соответствующим образом.
Comments
Post a Comment