Jurik Handelssystem

Der beliebte RSI-Indikator misst gleichzeitig Trendgeschwindigkeit und - qualität. RSI gibt ein starkes Signal, wenn ein Trend schnell und sauber ist. Allerdings ist RSI ein Jittery-Signal, was technische Analyse sehr schwierig. 1. Jitter produziert falsche Handel Auslöser 2. Jitter verschlechtert Markttrend Richtung Analyse 3. Jitter verschlechtert Marktumkehr Analyse Wollen Sie eine bessere Version des RSI. Ihre Suche ist über Juriks RSX ist weit überlegen. Das Diagramm vergleicht den klassischen RSI mit Juriks RSX. Könnte Umkehrungen mehr offensichtlich sein, mit RSX Mit RSXs-Reiniger, genauere Signale, können Sie festere Stopps und mehr sinnvolle Schwellen gesetzt. Sie können auch leisten, lassen RSX ein wenig schneller laufen, ohne Angst vor der Verschlechterung durch übermäßiges Rauschen. Dadurch können Sie frühere Triggersignale erreichen. Festere Stopps Genauere Schwellen Frühere Triggersignale Bessere BeschleunigungsanalyseEs gibt Geschwindigkeitswerte auf 0, 1. und 2. Balken für JFatl auf der Digitalanzeige auf der rechten Seite extern int Rauschen 8 Wert der Preisänderung, die als Rauschen betrachtet werden kann extern int Länge 3 JFatl Glättungswert extern int Phase 100 -100. 100 Changng-Wert, die sich auf die Qualität des JFatl-Prozesses Ich verstehe Sie installiert etwas aus diesem Thread, die bereits viele Male übersetzt wurde (auf diesem gleichen Thread) - es ist einige Jurik MT4 Indikatoren gesetzt. Versuchen Sie, die englische Version dieses Tools zu verwenden (es wurde auf dem Thread gepostet).KEYS ZUM ERFOLGREICHEN TRADING Nein, die Schlüssel zum Erfolg sind nicht unsere Produkte, noch jedermann elses. Vielmehr, um ein erfolgreicher Trader Sie brauchen. Ein Handelssystem mit rentabler Erwartung, solide Geldmanagement-Prinzipien, die psychologische Stabilität des Handels und eine angemessene Kapitalisierung. Entgegen der landläufigen Meinung, Ihre grundlegenden Handelssystem muss nur bescheiden rentabel sein. Ein richtiges Geldmanagementsystem, das entworfen ist, um Ihr quotbet sizequot zu kontrollieren, kann diese mageren Profite erheblich ausweiten. Auch da die menschliche Natur dazu neigt, Gewinne zu früh zu nehmen und Verluste zu weit laufen zu lassen, müssen Sie mit dem Markt vertraut sein und nicht emotional aufgeholt werden und dann zu viel Angst, Ihren Trading-Systemen zu folgen. Daher bieten wir keine Get-Rich-Quick-Systeme. Sie arbeiten nicht. Auch werden wir Sie nicht mit Anregungen beleidigen, dass, wenn ein Milliarden-Dollar Capital Management Unternehmen direkt an die Wall Street mit einer riesigen Computeranlage gehakt und Scores von PhDs können Millionen mit Produkt X machen, dann werden Sie auch. Sie wahrscheinlich nicht. Auch können wir nicht versprechen, dass die Märkte sind so ineffizient, dass seine leicht in Gewinne zu nehmen. Sein nicht, einfach, weil Sie mit anderen sehr intelligenten Spielern konkurrieren werden, die IHR Geld wünschen. Auf der anderen Seite bieten wir leistungsstarke Tools und pädagogische Produkte an, die es einzelnen Investoren, wie Ihnen, gelingt, ein effektives Handelssystem zu schaffen. Jurik-Tools sind mit vielen Softwareprodukten kompatibel. Unsere zufriedenen Kunden sind einverstanden PRE-BUILT TRADING SYSTEMS Es ist ein Fehler, dass die in Büchern, Zeitschriften oder in Ihrer täglichen Junk-Mail beschriebenen Handelssysteme profitabel sind. Sie müssen über einen längeren Zeitraum von historischen Daten getestet werden (genug für mindestens 500 Trades). Der beste einzelne Test, den Sie für jede mögliche Handelsstrategie für Verkauf anwenden können, ist dieses: Liefert der Verkäufer eine Vermittleraussage, die die letzten 200 aufeinander folgenden Handel zeigt, die durch die Strategie genannt werden, wenn der Verkäufer unwillig oder unfähig ist, so zu tun zu gehen weg. Wenn Sie mit einer Broker-Anweisung geliefert werden, zeichnen Sie die Eigenkapitalkurve und sehen, ob Sie (finanziell und emotional) jede Zeichenkette von Verlusten behandeln können. Versuchen Sie auch, ein Scatterplot mit dem maximalen negativen Ausflug jedes Handels zu erhalten. Manchmal verliert ein Handel zuerst, bevor er rentabel wird. Können Sie diese Situationen richtig behandeln Wenn der Markt sein Verhalten ändert, kann sich die Systemleistung zu einem Verlierer verschlechtern. Müssen Sie zusätzlich zahlen für regelmäßige Upgrades Schließlich, wie viel Sie erwarten, über das Trading von einem System, das Sie nicht analysieren oder zu modifizieren können Wir glauben, Sie sind besser dran machen Ihr eigenes Handelssystem als den Kauf eines. Ihr System wird um Ihre finanziellen Ressourcen und psychologische Komfortzone konzipiert werden. Und Sie können es entsprechend den sich verändernden Marktbedingungen zu ändern. Last, but not least, Sie wissen genau, wie gut es erwartet werden, um durchzuführen. SYNTHESE Sequenz für fortgeschrittenen Systemaufbau Wenn einige Menschen konsequent gut handeln können, warum dann nicht einen Computer Warum kann es nicht Ihr Computer sein Schattierungen von künstlicher Intelligenz, haben wir nicht diese Fragen vor Künstliche Intelligenz gehört, unabhängig von seiner formalen Definition (wenn es jemals hatte Irgendwelche), übersetzt zu hart, und oft fruchtlos, Arbeit. Ausdauer lohnt sich allerdings. Strukturierte Methodik und systematisches Experimentieren ist der empfohlene Modus operandi. Wir definieren ein fortgeschrittenes System als eines, das einige Aspekte eines führenden Indikators enthält, was eine Prognose bedeutet. Führende Indikatoren könnten für fast alles entworfen werden, aber wir bevorzugen es, um eine obere und untere Preisspanne als auch zukünftige MACD-Werte vorherzusagen. Eine gute Vorlaufindikatorentwicklung erfordert eine Vorverarbeitung mit WAV und DDR und die Modellierung mit einem neuronalen Netzwerkprogramm. All dies muss systematisch durchgeführt werden. Um dies zu erreichen, entwarf ich dieses Flussdiagramm, um das große Bild zu sehen. Es unterteilt die Entwicklung des Handelssystems in verschiedene Stadien. Hier ist eine mehrstufige Überprüfung unseres fortschrittlichen Systemaufbaus. Sie können jeden Aspekt davon ändern, um Ihre speziellen Bedürfnisse anzupassen. Hier ist eine Beschreibung, wie ich meine eigenen Handelssysteme zu bauen. Das Flußdiagramm zeigt sechs Stufen der Entwicklung des Handelssystems. (Ermittlungsstadium) Erstellen Sie Indikatoren (Vorverarbeitung) Erstellen Sie Indikatoren (Modellierungsstadium) Erstellen Sie Ihr Handelssystem (Strategiestadium) Backtest Ihr Handelssystem (Verifizierungsstufe 1) Handel mit einem simulierten Broker (Verifizierungsstufe 2) STUFE 1Dies beinhaltet die unaufhaltsame Aufgabe, Finanzdaten zu sammeln und zu überprüfen. Es hilft nicht, Ihre Systeme Selbst-Bild, um ihm historische Preise mit Leerzeichen und Nullen gespickt. Augapfel es für alle mögliche Probleme. Die Forschung hat gezeigt, dass, wenn Sie Preisdaten in den LOG (Logarithmus) der Preisdaten umwandeln, Strategien besser über einen längeren Zeitraum funktionieren. Dies liegt daran, dass die Preisdaten nunmehr in einer multiplikativen Relation zueinander und nicht additiv ausgedrückt werden, und dies neigt dazu, konserviert zu werden, wenn die Preise die Zeitskala verändern. Diese Stufe beinhaltet die Datenvorverarbeitung. Hier werden aussagekräftige Indikatoren aus den Rohdaten extrahiert. Gute Vorverarbeitung macht die nächste Stufe (Modellierung) reibungslos. Professionelle Modellierer erkennen die Wichtigkeit dieses Schrittes und konzentrieren die meisten ihrer Energie hier. Doch für den Amateur hat es den gleichen Reiz wie Wasch-Wäsche. Bestimmen Sie den optimalen prognostizierten Horizont für die zu prognostizierenden Zeitreihen. Beispielsweise beträgt der optimale Abstand zur Prognose in die Zukunft bei Verwendung von Tagesbarren von 30-jährigen T-Bonds 5,5 Tage. Dieser Wert variiert von Markt zu Markt und die Methode für die Berechnung ist es in meinem Buch Finanzielle Prognose und Neuronale Netze erklärt. Bestimmen Sie, wie viel historische Daten benötigt werden, um eine SINGLE-Prognose zu erstellen. Ich beziehe mich auf diesen Betrag der historischen Zeit, da der Quotlookback-Horizont und seine Größe typischerweise das Vierfache des prognostizierten Horizonts ist. Wenn beispielsweise meine Prognose 5,5 Bar in die Zukunft prognostizieren soll, dann muss mein Lookback-Horizont (L) für jede Prognose 22 Bar sein. (L22) Alle Indikatoren müssen die Aktivität mindestens der letzten L-Bars berücksichtigen. Wählen Sie geeignete erläuternde Daten wie Höhen, Tiefen, Volumen, etc. Ich ermutige Sie, pre-Glättung Preisdaten zuerst mit JMA zu untersuchen, wodurch Quotproxiesquot für die Rohpreise Werte. Anschließend erstellen Sie relevante Indikatoren (RSX, VEL, CFB, Kanäle, JMA-MACD, etc.), indem Sie sie an die JMA Proxies anstelle der Rohpreisdaten anwenden. Stellen Sie den Parameter quotlengthquot Ihrer Indikatoren so ein, dass die Anzahl der Balken, die von jeder Formel berücksichtigt werden, ungefähr der Rückverfolgungshorizont (L) ist. Stellen Sie sicher, dass jede Spalte von Indikatorwerten einem null-mittleren standardisierten Oszillator (d. h. Z-Score-Reihe) gleicht und nicht zufällig ist (z. B. Rohmarktpreise). Dies liegt daran, ein zufälliger Spaziergang wird schließlich geben einen Bereich das Modell nicht gesehen hat, während der Entwicklung, wodurch Ausfall. Anwenden von WAV auf die obigen Indikatoren, um die letzten L-Werte jedes Indikators in eine viel kleinere Anzahl von Werten zu komprimieren. Zum Beispiel kann WAV die aktuellsten 73 Werte eines Indikators in nur 13 Kompressionen komprimieren. Bei der Erstellung von Prognosemodellen ist es wichtig, die Anzahl der Eingangsvariablen so weit wie möglich zu reduzieren, ohne dabei wertvolle Informationen verloren zu haben . Sammeln Sie die komprimierten Zeitwerte jedes Indikators (d. h. WAVs-Ausgabe) in ein Array (eine Spalte pro Indikator) und wenden Sie DDR an. Diese Prozedur reduziert die Anzahl der Spalten in dem Array, indem alle Redundanzen zwischen Spalten extrahiert werden. Das Ergebnis ist ein Array mit viel weniger Spalten, alle Spalten sind gegenseitig unkorreliert (jede Spalte trägt verschiedene Informationen), und wenig bis keine Informationen verloren in den Prozess. Zu diesem Zeitpunkt werden Ihre Daten sowohl zeitlich als auch räumlich komprimiert. Wenn Ihr Modell die aktuellsten 73 Werte von jeweils 10 Indikatoren ohne spatio-temporale Komprimierung erhalten musste, würde Ihr Prognosemodell ein Eingabefeld mit 730 Werten für jede Prognose betrachten. Nach räumlich-zeitlicher Kompression wäre das neue Array jedoch wahrscheinlich nur 13 Werte für jede von nur 4 Spalten, nur 52 Werte insgesamt. Dies ist eine endgültige Kompression von 93. Stufe 3 ist, wo Sie zu spielen und lernen Sie über sexy Modellierung Tools wie ARIMA, Expertensysteme, genetische Algorithmen und neuronale Netze. In der Regel wird der Anfänger komplett Schritt 2 und verbringen Monate versuchen, es alle in der Phase 3 passieren. Dies führt zu Beschwerden, dass die expletive gelöschte neuronale Netz ist Hirntod. Wählen Sie, was das Modell prognostizieren soll. Halten Sie es einfach, wie Schätzung der MACD fünf Bars aus oder Schätzung Widerstand und Unterstützung (bezogen auf den aktuellen Durchschnittspreis) 10 Bars aus. Vermeiden Sie Versuche, die Rohmarktpreise vorherzusagen (es sei denn, Sie sind wirklich gut bei der Vorhersage von Pseudozufallsvariablen). Stellen Sie sicher, dass Ihre Spalte von Prognosezielwerten einem null-gemeinen, standardisierten Oszillator (d. h. Z-Score-Reihe) gleicht und kein zufälliger Weg ist (z. B. Rohmarktpreise). Dies liegt daran, ein zufälliger Spaziergang wird schließlich geben einen Bereich das Modell nicht gesehen hat, während der Entwicklung, wodurch Ausfall. Geben Sie das komprimierte Array ein, das Sie in Stufe 2 erstellt haben, und zielen Sie Daten auf Ihr Modell ab. Überprüfen Sie alle Modelle mit Daten, die während der Entwicklung nicht verwendet wurden. Als Faustregel für jede Eingabe (unabhängige) Variable, die in Ihr Modell eingegeben wird, benötigen Sie ausreichende Trainings - und Überprüfungsdaten, um mindestens 100 Prognosen zu unterstützen. Wenn also Ihr Modell pro Prognose 54 Eingabevariablen empfängt, benötigen Sie genügend Daten, um 10054 oder 5.400 Prognosen während der Modellerstellung und - prüfung zu unterstützen. Geben Sie das komprimierte Array ein, das Sie in Stufe 2 erstellt haben, und zielen Sie Daten auf Ihr Modell ab. Überprüfen Sie alle Modelle mit Daten, die während der Entwicklung nicht verwendet wurden. Als Faustregel für jede Eingabe (unabhängige) Variable, die in Ihr Modell eingegeben wird, benötigen Sie ausreichende Trainings - und Überprüfungsdaten, um mindestens 100 Prognosen zu unterstützen. Wenn also Ihr Modell pro Prognose 54 Eingabevariablen empfängt, benötigen Sie genügend Daten, um 10054 oder 5.400 Prognosen während der Modellerstellung und - prüfung zu unterstützen. Informationen zu verschiedenen Paradigmen zur Modellierung von Frühindikatoren finden Sie weiter unten auf dieser Seite. (Lesen Sie weiter). Dieses Stadium ist für die Entwicklung der Handelslogik. Es ist der am meisten funktionierende Teil des Systems Gebäude, vorausgesetzt, Sie wissen, was Sie tun. Es gibt viele Bücher zu diesem Thema. Im Hinblick auf die Verwendung von Prognosemodellen, hier sind ein paar Hinweise: Erstellen Sie Regeln für Risiko-und Money-Management. Es gibt Bücher, die Ihnen helfen, mit diesem Thema. Eine intelligente Risikomanagementtechnik besteht darin, mehrere stochastisch trainierte Modelle (z. B. neuronale Netze) für die Herstellung derselben Prognose zu schaffen. Wenn alle Modelle in starker Übereinstimmung sind, erhöhen Sie Ihr Risiko. Wenn sie in starkem Widerspruch sind, senken Sie Ihr Risiko. Beim Backtesting sollten Sie sich über Statistiken wie die Rendite (unter Berücksichtigung des maximalen Drawdowns), die maximalen unerwünschten Exkursionsdiagramme, Monte-Carlo-Simulationen der erwarteten fiskalen Halbwertszeit usw. informieren. Überlegen Sie, wie viele Variablen, Konstanten und Zeilen von Code, die Sie tweaking (Optimierung) sind. Jeder ist ein gewisses Maß an Freiheit, mit dem man spielt. Verwenden Sie beim Backtesting ausreichende Marktdaten für das System, um 100 Trades für jeden Freiheitsgrad zu erstellen. Wenn Sie also 5 Konstanten optimieren und 4 Zeilen Code anpassen, erfordert die Bestätigung für jeden Durchlauf mindestens 100 (45) oder 900 Trades. Achten Sie auf die Optimierung von Handelssystemen. Undiszipliniert und übermäßiges Zaubern von Code kann dazu führen, dass über-optimierte Spaghetti-Logik, ein Albtraum zu pflegen. Auch zu viel Optimierung liefert große Leistung auf Ihrem aktuellen Datensatz, aber miserable performace auf zukünftige Daten. Unser Buch Finanzielle Prognose und Neuronale Netze und Audio-Band Raum, Zeit, Zyklen und Phase bieten eine Erklärung für dieses Phänomen. Für eine Erklärung dieses Phänomens. Ein System, das sowohl auf historischen Daten als auch auf zukünftigen Daten gut abläuft, ist äußerst wünschenswert. Halten Sie ein Auge darauf, wie schnell das System verschlechtert. Dies schlägt vor, wie häufig die Modelle aktualisiert werden müssen. Es kann auch eine schlechte Handelslogik vorschlagen. Ein Beispiel für ein neuronales Netz verbessertes Handelssystem, das gut läuft, ohne Umschulung, für viele Monate nach seiner Entwicklung, wird in der Dezember-Ausgabe des Futures Magazins beschrieben. Obwohl das vom Autor verwendete Test - und Verifikationsverfahren nicht das beste war, erwies sich das Ergebnis als rentabel. Sie brauchen wirklich nicht brauchen, um die Heck aus Ihrem Handelssystem zu optimieren, solange Sie ein gutes Risikomanagement beschäftigen. Es stellt sich die Frage: Wie viel sind Sie setzen Risiko in einem Handel gegenüber dem erwarteten Gewinn für die Einnahme dieses Risikos Wie ein Experte Poker Spieler, mit richtigen Geld-Management bewerten Sie, wie viel zu investieren und wie viel Sie bereit sind, auf jedem Spiel verlieren . Das Grundprinzip des Geldmanagements ist daher das Risikomanagement. Eröffnungspositionen mit gedecktem Risiko sind von grundlegender Bedeutung für erfolgreichen Handel. Mit anderen Worten, verwalten Sie das Risiko zuerst und Gewinne folgen, wenn Ihre Wette korrekt ist. Seine erstaunlich, wie viel diese Disziplin kann Ihre Systeme insgesamt Rentabilität zu verbessern. Über einen Zeitraum von Jahren kann diese Technik die Handelsgewinne um mehr als das Zehnfache steigern. Einige Bücher zum Geldmanagement werden hier aufgelistet. FÜHRENDE INDIKATOREN sind schwierig zu bilden Das quotComposite der führenden ökonomischen Indikatorenquot wird von der Federal Reserve und von den langfristigen Investoren für sein Vorhersagepotential geschätzt. Spekulative Investoren ziehen hingegen technische und fundamentale Indikatoren mit kurzfristigen Prognosepotentialen vor. Das Problem ist, dass fast alle gängigen Indikatoren (MACD, ADX, CCI, RSI usw.) hinter sich blicken und zusammenfassen, was geschehen ist, nicht was passieren wird. Die Rarität der guten kurzfristigen Frühindikatoren sagt uns, dass sie schwierig zu produzieren sind, und was noch wichtiger ist, weil so wenige Investoren sie ausbeuten, können diese Indikatoren einen bedeutenden Handelsvorteil erbringen. Aber warum sind sie so selten, was ist so schwierig über die Schaffung eines kurzfristigen führenden Indikator quotIf alle Ökonomen wurden Ende zu Ende gelegt, würden sie immer noch in alle Richtungen point. quot - Arthur H. Motley Der Grund für ihre Seltenheit ist zum Teil , Auf die Natur der Märkte. In der Vergangenheit, wenn der Handel war nicht von Computern dominiert, die meisten Finanzanalysten Makro-und Mikro-Wirtschaftstheorie sowie klassische quotlinearquot Modellierung Techniken verwendet. Traditionelle Marktmodelle, basierend auf linearen Theorien und Techniken und ihren vereinfachenden Annahmen, machen Prognosen zunehmend ungenau jedes Jahr. Wall Street-Analysten haben konsequent verpasst alle wichtigen Wendepunkt in den Markt für die letzten 30 Jahre. Zum Beispiel sechs Monate vor der Rezession 1990, 34 von 40 Ökonomen vereinbart, dass die Wirtschaft wird wahrscheinlich vermeiden, eine Rezessionquot. Ebenfalls nur zwei Wochen vor dem riesigen Bullenmarkt im Jahr 1991 bestand der Konsens dieser 40 Ökonomen darin, dass die Wirtschaft für die nächsten sechs Monate schrumpfen wird. Händler und Investoren, die Systeme auf der Grundlage der klassischen Analyse verwenden, werden ebenfalls schwere Verluste erleiden, wenn sich die Marktbedingungen ändern Zu schnell für ihre Modelle zu quotcomprehendquot. Jurik Research glaubt, dass die Probleme mit traditionellen Marktmodellen von ihren Annahmen abhängen, die ich in drei Kategorien unterteilt. Lineare Modelle funktionieren am besten, wenn ihre Eingangsvariablen unabhängig voneinander (nicht korreliert zueinander) sind. Hochkorrelierte Eingangsvariablen können zu Modellen führen, die gut auf historischen Daten zu funktionieren scheinen, aber bei neuen Daten scheitern. Solche Interdependenzen existieren (z. B. die umgekehrte Beziehung zwischen Rohstoffen und Anleihen) und Modelle, die diese Tatsache nicht berücksichtigen, werden Probleme haben. Heute bewegt sich der Markt schneller und chaotischer. Die unzusammenhängende, nichtlineare Beziehungen zwischen den Marktkräften aufweisen. Um das Leben einfach zu halten, nehmen Analysten alle Händler und Investoren sind Risiko averse, rational und reagieren in ähnlicher Weise. In der Realität nutzen Fondsmanager, kurz - und langfristige Trader, Fondsmanager, Hedges, Programmhändler und Market Maker alle unterschiedliche Risiken und reagieren in unterschiedlichen Zeitrahmen. Offensichtlich brauchen wir eine neue Familie von Modellen, die nichtlineare Beziehungen simulieren können und Spieler, die in unterschiedlichen Zeitrahmen denken. Folglich sind die Bemühungen, rentable Nischen auf den Märkten zu finden und zu nutzen, auf klassische Techniken für leistungsfähigere Handelsmethoden zurückzuführen. Neue Werkzeuge mit künstlichen Intelligenz-Methoden sind in der Popularität zunehmend. Diese Werkzeuge umfassen neuronale Netze und genetische Algorithmen. Nun, da einfach zu bedienende Versionen der beiden Paradigmen sind derzeit als Add-Ins zu Microsoft Excel verfügbar ist, ist die Öffentlichkeit schnell an: seine nicht so schwer, nachdem alle. NEURAL NETS Tun Sie Wirklich WAS IST EIN NEURES NETZWERK. Ein neuronales Netzwerk (oder NN) besteht aus einer großen Anzahl von hoch miteinander verbundenen Verarbeitungselementen (Neuronen), die im Einklang arbeiten, um spezifische Probleme zu lösen. Jedes Element führt eine mathematische Formel aus, deren Koeffizienten angelernt werden, wenn Beispiele gegeben werden, wie der NN auf verschiedene Datensätze antworten sollte. Anwendungen umfassen Datenmustererkennung oder Klassifizierung. Während einer Trainingsquot-Sitzung erzeugt das NN eine Auflistung einfacher nichtlinearer mathematischer Funktionen, die einander gegenseitig numerische Werte auf eine Weise zuführen, die der neuralen Hirnzellenaktivität vage ähnelt. Die Interaktion zwischen Neuronen kann so komplex werden, dass diese Kenntnis der mathematischen Formeln wenig bis gar keine Einsicht in die Modelle insgesamt quotlogicquot bietet. Folglich ist es, wenn das neuronale Netzwerk gut arbeitet, sein Benutzer selten darauf angewiesen, zu wissen, welche exakten Gleichungen innen sind. Achten Sie darauf, Neuronale Netze (NN) nicht mit einem anderen künstlichen Intelligenzparadigma, dem Expertensystem (ES), zu verwechseln. ES-Programme sind entworfen, um rationales Denken wie von Experten beschrieben zu imitieren. Wenn jedoch der Experte seine Logik nicht in einer Weise ausdrücken kann, die zuverlässig richtige Entscheidungen liefert, kann das ES-Paradigma nicht wirksam angewendet werden. Im Gegensatz dazu beschäftigt sich ein NN nicht mit der Emulation der menschlichen Logik. Ein NN versucht einfach, numerische Eingabe zu Ausgangsdaten abzubilden. Der falsche Glaube, dass NN - und ES-Paradigmen ähnlich sind, führt unweigerlich zu dem falschen Argument, dass, wenn ES-Modelle schlecht funktionieren, dann auch NN-Modelle. Glücklicherweise sind NN Modelle in der realen Welt gut. NEURAL NETWORK APPLICATIONS In der kommerziellen Welt neuronale Netze verwendet werden. Verwalten Portfolio Risikobewertung Kredit Kreditrisiko erkennen Kreditkartenbetrug Prognose Kartoffelchip Umsatz erkennen ungesunde Blutzellen optimieren Job-Shop Scheduling Prognose Finanzmarkt-Aktivität optimieren Kaltwalzen von Blech entfernen lästige Telefon-Echos bestimmen optimale Preise für Waren erkennen Explosivstoffe im Gepäck an Flughäfen Vorhersage Ergebnisse Der neuen Formeln für Kunststoff WAS IST IHRE ROLLE IN EINEM HANDELSYSTEMD erwarten Sie ein NN, um die ganze Arbeit für Sie zu tun und produzieren BuySell Signale. NNs müssen mit traditionellen technischen Analyse gekoppelt werden, und beste Ergebnisse kommen von erfahrenen Händlern. Das ist, weil sie verstehen, welche Marktindikatoren sind bedeutender und auch, wie man sie am besten interpretieren. Daher ist es am besten, eine NN zu entwickeln, um sinnvolle technische Indikatoren, nicht eine quotBuySellquot heilig Gral. Das Flußdiagramm zeigt sechs Stufen der Entwicklung des Handelssystems. Neuronale Netze werden typischerweise in der dritten oder MODELLING-Stufe verwendet. In diesem Stadium werden neuronale Netze trainiert, um einige Aspekte des Marktes zu modellieren, um entweder aktuelle oder zukünftige Marktbedingungen zu klassifizieren und dem Investor zu erklären, wann man in oder aus dem Markt kommt. Bei der Prognose zukünftiger Bedingungen sind sie technisch ein Indikator für die Orientierung. SIND SIE EINFACH ZU BENUTZEN. Es gibt viele neuronale Netzpakete, die kommerziell verfügbar sind. Viele interagieren mit der Microsoft Excel-Umgebung. Eine Dosis des Wirkens. Weil unsere Standards der Integrität sehr hoch sind, auf Gefahr des Verkaufsverlusts, fühlen wir uns gezwungen, folgendes zu erwähnen. Wir meinen nicht, dass die Entwicklung eines neuronalen Netzwerks ein einfacher One-Night-Stand ist. Es wird Zeit brauchen, und nicht jeder hat die Zeit dazu. Noch ist ein Neuronales Netz selbst ein Handelssystem. Die ordnungsgemäße Systementwicklung erfordert immer noch die übliche menschliche Anstrengung, einschließlich: Auswahl der besten Informationen Bauen und Testen Indikatoren Interpretation der Ergebnisse Entscheiden, ob oder nicht, um einen Handel zu legen Entscheiden, wie viel zu investieren (Money-Management) Details zu Fragen und Überlegungen beim Start In diesem Bericht. Eingereicht uns von William Arnold, ein beitragender Autor des Journal of Intelligent Technologies. Schließlich stellen sich Fragen, wie viel ein Trader einem NN-Modell vertrauen sollte. Es wird schwierig sein, auf Ihre Computer-Entscheidung zu vertrauen, wenn Angst in Ihrem Geist schreit auszutauschen. Dennoch, auf der Konferenz nach der Konferenz hören wir die Benutzer kommentieren, dass sie mehr Geld gemacht hätten, wenn sie nicht versucht haben, zu überlisten und Veto ihre Systeme Entscheidungen . Schließlich ist der ganze Zweck des Aufbaus eines künstlich intelligenten Systems, die gleichen Trades wie die Menge zu vermeiden, die im Durchschnitt Geld auf dem Markt verliert. JEDE ERFOLGSGESCHICHTE Ja, viele. Eine Money-Management-Firma arbeitete intensiv mit neuronalen Netzen seit 1988. Sie verwenden 3000 neuronale Netze, eine für jede Aktie, die sie handeln. Sie verwenden sowohl neuronale Netze als auch genetische Algorithmen, um das Verhalten einzelner Bestände separat vorherzusagen. Obwohl Empfehlungen von beiden quotexpertsquot ihre Auswahl erheblich einschränken, werden sie mit Hilfe der Portfolioanalyse weiter verfeinert, um die Überbelichtung auf eine einzelne Aktie oder Branche zu beschränken. Ihre Forschung hat sich gut ausgezahlt, wie sie waren, an einem Punkt, die Verwaltung einer halben Milliarde Dollar. Andere Institutionen, die operative neuronale Prognose-Systeme implementiert sind Citibank, Nikko Securities, Morgan Stanley, Dai-ichi Kanyo Bank, Nomura Securities, Bear Stern und Shearson Lehman Hutton. Advanced Investment Technologies (AIT), in Clearwater, Florida hat eine der längsten Track Record mit neuronalen Netzwerken. Hier sind einige Artikel über neuronale Netto für Finanzanwendungen, die Sie wahrscheinlich in einer Bibliothek finden können: quotTraining Neuronale Netze für Intermarket Analysisquot, Futures, August 1994 quotHow to Predict Tomorrows Indikatoren Todayquot, Futures, Mai 1996 quotGoing Fischen mit einem Neural Networkquot, Futures Magazine, Sept. 1992 quotForecasting T-Bill Rate mit einem neuronalen Netz, zitierte technische Analyse der Bestände und der Gebrauchsgüter, Mai 1995 quadratische neuronale Netze für Intermarket Analysisquot, technische Analyse der Bestände amp Rohstoffe, Nov. 1992 quotDeveloping neuronales Netz Forecasters für Tradersquot, technische Analyse von Currities, April 1992 quotA Neuronales Netzwerk Ansatz zur Prognose Finanzielle Distressquot, Journal of Business Forecasting, v10, 4. quotForecasting mit Neuronalen Netzwerken: Eine Anwendung mit Bankrott Dataquot, Information und Management, 1993, S. 159-167. "Forecasting SampP und Gold Futures Preise: Eine Anwendung von Neural Networksquot, J. of Futures Markets, 1993, S. 631-643. Néural Nets and Stocks: Training einer prädiktiven Systemquot, PC AI, 1993, S. 45-47. Künstliche neuronale Netze verwenden, um Stocksquot, Financial Analysts Journal, 1993, pp 21-27 auszuwählen. "Analyse von Small-Business-Abschlüssen unter Verwendung von Neural Netsquot, Journal of Accounting Auditing and Finance, 1995, S. 147-172. Die NNs führen eine nichtlineare Regression durch. Im Gegensatz zu herkömmlichen linearen Regressionsmodellen führen die NNs eine nichtlineare Regression durch Modellierung, die Größenordnungen flexibler und leistungsfähiger ist. Wenn ein Benutzer klug eine NNs-Aufgabe entscheidet und ihm die Marktdaten zuführt, die benötigt werden, um diese Aufgabe durchzuführen, hat das Modell das Potential, es gut durchzuführen, weil es. Ist inhärent nichtlinear und kann in dieser Umgebung besser als lineare Modelle beschrieben werden. Kann lernen, besser zu sehen, als die Menschen die verschiedenen Beziehungen zwischen einer großen Anzahl von Indikatoren. Ist leidenschaftslos und konsistent NNs wissen weder Angst noch Gier. Kann immer wieder neu geschult werden, um neues Verhalten auf den Märkten zu bewältigen. GEMEINSAME FEHLER von NOVICESMaking Geld mit ausgeklügelter Technologie ist ein zweischneidiges Schwert. Ohne sorgfältige Vorbereitung der Daten, können Sie leicht zu produzieren nutzlos Junk. Der erste Fehler, der von Anfängern unter Verwendung von neuronalen Netzwerken gemacht wird, besteht darin, dass sie nicht nach den relevantesten Daten suchen. Einige Spitzenkerbenindikatoren liefern bessere Resultate als einige hundert irrelevante. Der zweite häufige Fehler ist zu denken, dass die Fütterung eines neuronalen Netz 100 Indikatoren bessere Ergebnisse liefern wird, als es nur zehn zu füttern. Aber eine große Anzahl von Eingaben erfordert ein großes Modell, das schwierig zu trainieren und zu warten ist. Das Reduzieren der Daten auf die kompakteste Form (und damit die Reduktion des NN-Modells auf die kompakteste Form) verbessert die Erfolgsaussichten erheblich. Zwei kritische Wege zum Komprimieren von Daten sind spärliche historische Abtastungen (zeitliche Komprimierung) und Redundanzreduktion (räumliche Komprimierung). Viele Marktindikatoren sind überflüssig, weil sie die gleichen Marktkräfte bei der Arbeit widerspiegeln, so dass die Beseitigung von Redundanz nur von Vorteil ist. Wie für spärliche historische Stichproben ist es wichtig, repräsentative Werte für vergangene Zeitpunkte zu finden, aber so getan, daß nicht wichtige Preismuster übersprungen werden. Juriks WAV führt spärliche historische Stichproben durch (zeitliche Kompression). Juriks DDR führt Redundanzreduktion durch (räumliche Komprimierung). Hier ist ein schönes Tutorial über neuronale Netze. Es ist ein interaktiver Film von Macromedia Flash. Wählen Sie das Thema aus dem Menü am oberen Bildschirmrand aus.