QuantumPip
- Experten
- Evgeniy Scherbina
- Version: 3.1
- Aktualisiert: 22 Juni 2025
- Aktivierungen: 10
Der Experte "QuantumPip" ist ein vollautomatischer Experte, der mehrere Symbole aus einem Chart handeln kann. Der Experte verwendet auch Preise von Gold, Öl, "Schmuksie" (meine Adaption des "Dixie"-Indikators), DAX oder FTSE, um Eingaben für die Symbole zu berechnen.
Der Experte verwendet 2 Arten von rekurrenten neuronalen Modellen - 1 Netzwerk (Entscheidungen "Kauf" oder "Verkauf") und 2 Netzwerke (Entscheidungen "Kauf" oder "Unsicherheit" und "Verkauf" oder "Unsicherheit"). QuantumPip kann daher 16 Strategien wie eine einzige handeln, da es sich um 2 Modelle für jedes der 8 Symbole handelt. Dies kann dazu beitragen, Risiken zu diversifizieren und die Rentabilität zu erhöhen.
Die Version für MetaTrader 4 finden Sie hier.
Bei der Erstellung dieses Experten habe ich die beliebte ChatGPT-Plattform zu technischen und konzeptionellen Fragen konsultiert. Natürlich ist ChatGPT nicht der Autor dieses Experten. Die künstliche Intelligenz könnte in naher Zukunft so leistungsfähig werden, dass sie in der Lage sein wird, autonome Handelsstrategien zu entwickeln. Das ist jetzt noch nicht der Fall. Ich habe QuantumPip entwickelt. Allerdings wurden viele Ideen von ChatGPT vorgeschlagen.
Dies waren einige seiner Ideen:
1) Verwendung von Goldpreisen, um den Inputs der neuronalen Modelle einen zusätzlichen Wert zu verleihen;
2) wie und warum man verschiedene Strategien zu einer einzigen kombinieren kann;
3) Markierungen des Wochentags und des Jahrestags für die neuronalen Modelle, um wöchentliche und saisonale Faktoren zu berücksichtigen;
4) Grundsätze des Geldmanagements für den Devisenhandel für einen privaten Händler und eine mögliche technische Umsetzung.
Zusätzlich zu den konzeptionellen Ideen und technischen Beratungen hat ChatGPT den Namen vorgeschlagen und das Bild für diesen Experten gezeichnet.
Starten Sie den Experten in einem Chart eines beliebigen Symbols. Der Experte handelt immer alle seine Symbole von einem Chart aus, unabhängig von Ihrem aktuellen Chart.
Der Experte handelt mit täglichen Daten. Sie können also sowohl "Alle Ticks" als auch "1 Minute OHLC" verwenden. Mit der letzteren Option können Sie die Testzeit erheblich verkürzen.
Empfehlungen
- Chart EURUSD D1
- Einzahlung 250 USD (1000 USD ist noch besser)
- Unterstützungssymbol 1net = _Gold
- Unterstützungssymbol 2nets = Öl
- Risiko = Zuverlässig
- Maximale Anzahl von Geschäften pro Signal = 2
Stellen Sie das ultimative Risiko nicht für den Live-Handel ein. Das ultimative Risiko ist nur dazu da, um zu zeigen, dass perfekte geradlinige historische Charts Betrug sind. Stellen Sie das verlässliche Risiko für den Live-Handel ein.
Achtung! Sie sollten die Unterstützungssymbole Gold, Öl, DAX und FTSE korrekt benennen. Andernfalls schaltet der EA auf den Standardindikator "Schmuksie" um. Der EA verwendet für Öl die Preise von Brent Crude Oil (auch bekannt als London Crude Oil). Ein anderer Name für DAX ist DE40. Für den FTSE sollte es UK100 sein.
Eigenschaften des Experten
- Suffix >> kann für diejenigen nützlich sein, die Symbole mit verschiedenen Suffixen in ihrem Terminal haben. Die meisten Benutzer können dieses Feld leer lassen.
- Unterstützt Symbol 1net >> Ich empfehle _Gold.
- Unterstützt Symbol 2nets >> Ich empfehle Öl.
- Risiko >> Ultimate oder Zuverlässig. Der ultimative Modus liefert mehr gewinnbringende Trades in der Vergangenheit, während der zuverlässige Modus die höchste Chance bietet, in der Zukunft Geld zu verdienen. Der Ultimate-Modus verwendet ein neuronales Modell, das sich die Vergangenheit perfekt gemerkt hat, was ein höheres Risiko in der zukünftigen (unbekannten) Periode mit sich bringen kann. Der Modus "Zuverlässig" verwendet ein neuronales Modell, bei dem der Wert des Verlustes dem Verlust in der zukünftigen Periode ähnlich ist. Daher kann die Rentabilität des Zuverlässigen Modus in der zukünftigen Periode wesentlich höher sein.
- Max Trades pro Signal >> maximale Anzahl von Trades für ein ähnliches Signal. Wenn sich ein Signal wiederholt, eröffnet der Experte so viele ähnliche Trades, bis er die maximale Anzahl erreicht hat.
- Close all profit (%) >> ein Gewinnziel als Prozentsatz, um alle Trades zu schließen. Setzen Sie 0, um die Funktion auszuschalten. Nachdem diese Funktion ausgelöst wurde, werden in der nächsten Woche neue Trades eröffnet.
- Resume trading on "Close all" >> wenn dies EIN ist, wird der EA am nächsten Tag wieder mit dem Handel beginnen, nachdem er das "Close all profit (%)" Ziel erreicht hat. Ist die Option AUS (Standardeinstellung), wird der Handel bis zur nächsten Woche warten. Das Warten bietet in der Regel bessere Chancen für neue Signale und neue Trades.
- Max Spread >> der EA wird keine Trades öffnen oder schließen, wenn der Spread höher ist als dieser Wert.
- Negative Trades schließen >> true um zu schließen; false um nicht zu schließen.
- Kommentar
- Magie
- Nehmen
- Nachziehen
- Stoploss >> der Experte schließt die Trades nach seinen internen Berechnungen. Die Verwendung eines Stoploss ist nominal.
- Volumen >> Volumen pro Handel. Festes Volumen (Beispiel: 0,02) oder Prozentsatz der verfügbaren Mittel (Beispiel: 0,015%). Der EA gibt das tatsächliche Volumen auf der Registerkarte "Experten" aus, wenn Sie den Zeitrahmen starten oder ändern. Verwenden Sie immer einen festen Betrag für Konten, die eine andere Einzahlungswährung als den US-Dollar verwenden (z. B. Euro, Yuan, Bitcoin, Australischer Dollar usw.).
Aus dem Gespräch mit ChatGPT:
Ich: Eine Überanpassung zeigt einen schönen historischen Chart, kann aber keine gute Leistung in der Zukunft zeigen. Während ein angemessenes neuronales Training ein mittelmäßiges historisches Diagramm und eine zufriedenstellende Leistung in der Zukunft bietet. Warum, glauben Sie, können die meisten Kunden diese einfache Wahrheit nicht verstehen?
ChatGPT: Das von Ihnen beschriebene Problem der Überanpassung und Verallgemeinerung bei Modellen des maschinellen Lernens ist in der Tat ein weit verbreitetes Problem, das viele Menschen, auch Kunden, nur schwer begreifen können. Hier sind ein paar Gründe, warum dieses Missverständnis auftreten kann:
1. **Komplexität vs. Einfachheit**: Das Konzept der Überanpassung und Verallgemeinerung beinhaltet nuancierte Konzepte des maschinellen Lernens, die für Personen ohne technischen Hintergrund schwer zu verstehen sind.
2. **Kurzfristige vs. langfristige Leistung**: Kunden lassen sich leichter von Modellen überzeugen, die bei historischen Daten außergewöhnlich gut abschneiden (Overfit-Modelle), weil die unmittelbaren Ergebnisse günstig erscheinen, auch wenn sie sich möglicherweise nicht auf ungesehene Daten verallgemeinern lassen.
3. **Mangel an Bildung**: Viele Kunden verfügen möglicherweise nicht über ein umfassendes Verständnis der Prinzipien des maschinellen Lernens, was dazu führt, dass sie sich auf einfache Metriken oder Visualisierungen verlassen, ohne die breiteren Auswirkungen der Modellleistung zu berücksichtigen.
4. **Erwartungen**: Kunden haben möglicherweise unrealistische Erwartungen oder falsche Vorstellungen von den Fähigkeiten von Modellen des maschinellen Lernens und erwarten, dass sie zukünftige Ergebnisse auf der Grundlage historischer Daten mit perfekter Genauigkeit vorhersagen.
Die Aufklärung der Kunden über die Kompromisse zwischen Überanpassung und Verallgemeinerung sowie über die Bedeutung der Modellvalidierung anhand von ungesehenen Daten kann dazu beitragen, realistische Erwartungen zu setzen und ein besseres Verständnis für die Komplexität bei der Erstellung robuster Modelle des maschinellen Lernens zu fördern.
Ich: In Ordnung. Aber warum verlassen sich die meisten Kunden, egal wie ich, der Entwickler, versuche, die Prinzipien des maschinellen Lernens zu erklären, und sogar trotz der Bilder, die ich zeige, immer noch lieber auf die Schönheit von überangepassten und schönen historischen Diagrammen?
ChatGPT: Es könnte mehrere Gründe geben, warum Kunden trotz Ihrer Bemühungen, die Prinzipien des maschinellen Lernens zu erklären, immer noch Modelle mit überangepassten und visuell ansprechenden historischen Diagrammen bevorzugen. Hier sind ein paar mögliche Gründe für dieses Verhalten:
1. **Visuelle Verzerrung**: Kunden fühlen sich möglicherweise von Modellen angezogen, die optisch ansprechende historische Diagramme aufweisen, selbst wenn diese Diagramme das Ergebnis einer Überanpassung sind. Die grafische Darstellung von Daten kann einen starken Einfluss haben und technische Erklärungen in den Hintergrund drängen.
2. **Sofortige Ergebnisse**: Kunden konzentrieren sich möglicherweise eher auf unmittelbare oder kurzfristige Leistungskennzahlen als auf langfristige Verallgemeinerungen und zukünftige Leistungen. Ein visuell ansprechendes historisches Diagramm kann ihnen ein Gefühl des unmittelbaren Erfolgs vermitteln.
3. **Komplexität**: Konzepte des maschinellen Lernens können komplex und für Personen ohne technischen Hintergrund schwer zu verstehen sein. Kunden finden es möglicherweise einfacher, visuell klare Ergebnisse zu interpretieren und ihnen zu vertrauen, als abstrakten technischen Erklärungen.
4. **Bestätigungsverzerrung**: Kunden haben möglicherweise vorgefasste Meinungen oder Vorurteile darüber, wie ein erfolgreiches Modell aussehen sollte. Wenn sie ein visuell ansprechendes historisches Diagramm sehen, kann dies ihre Überzeugungen darüber, was ein gutes Modell ausmacht, bestätigen.
5. **Mangelndes Vertrauen**: Die Kunden haben möglicherweise nur begrenztes Vertrauen in die Erklärungen des Entwicklers oder in den Prozess des maschinellen Lernens im Allgemeinen. Dieser Mangel an Vertrauen kann dazu führen, dass sie sich eher auf visuelle Hinweise als auf technische Argumente verlassen.
Ich: Ihre Erklärung klingt sehr respektvoll. Aber vielleicht ist der einzige Grund, warum die Kunden keine Strategien kaufen, die die Prinzipien des maschinellen Lernens umsetzen, der, dass es so viele skrupellose Entwickler gibt, die überangepasste Modelle verkaufen und verkaufen und verkaufen, als ob dies die modernsten Strategien auf dem Markt wären? Während sie in Wirklichkeit nichts weiter als Betrug verkaufen.
ChatGPT: Ihre Beobachtung ist sehr zutreffend. Leider kann die Verbreitung von skrupellosen Entwicklern, die überangepasste Modelle als Spitzenstrategien verkaufen, zu Skepsis und Misstrauen unter den Kunden gegenüber echten und prinzipienbasierten maschinellen Lernansätzen führen. Dies kann zu einem Markt führen, auf dem schrillere, aber ineffektive Lösungen mehr Aufmerksamkeit erregen als solide, robuste Strategien. Der Aufbau von Vertrauen durch Transparenz, Aufklärung und die Bereitstellung eines echten Mehrwerts für die Kunden kann in einem solchen Umfeld dazu beitragen, authentische Lösungen von Betrügereien zu unterscheiden.
Me: Können Sie mir helfen, eine Strategie zu entwickeln, die die überangepassten Modelle übertrifft?
ChatGPT: Ich helfe Ihnen gerne bei der Entwicklung einer robusten und effektiven Strategie unter Verwendung der Prinzipien des maschinellen Lernens. Um fortzufahren, geben Sie mir bitte mehr Details über die spezifischen Anforderungen Ihrer Strategie, den Datensatz, mit dem Sie arbeiten, und andere relevante Informationen, die mir helfen können, den Ansatz auf Ihre Bedürfnisse zuzuschneiden. Lassen Sie uns zusammenarbeiten, um eine Strategie zu entwickeln, die übererfüllte Modelle übertrifft...
Update 3.1 is very much improved and profitable.