AI trend navigator by K Neighbor
- Indikatoren
-
Minh Truong Pham
Hello, my name is Pham and I am a programmer and trader! At here, I create amazing forex indicators and expert advisors for Metatrader.
I will try:
+ Provide best tools base on my 5 years experience as a trader and 10 years as a programmer. - Version: 1.0
- Aktivierungen: 15
"Übersicht
In der sich ständig weiterentwickelnden Handels- und Investmentlandschaft wächst die Nachfrage nach hochentwickelten und zuverlässigen Tools. Der AI Trend Navigator ist ein Indikator, der diese Nachfrage befriedigt und wertvolle Einblicke in Markttrends und potenzielle zukünftige Kursbewegungen liefert. DerAI Trend NavigatorIndikator wurde entwickelt, um Markttrends mit Hilfe des k-Nearest Neighbors (KNN)-Klassifikators vorherzusagen.
Durch die intelligente Analyse der jüngsten Kursbewegungen und die Hervorhebung ähnlicher Werte hilft er Händlern, komplexe Marktbedingungen sicher zu steuern. Es bietet eine fortschrittliche Methode zur Analyse von Trends, die im Vergleich zu einfacheren Trendfolgemethoden potenziell genauere Vorhersagen ermöglicht.
- Berechnung des gleitenden KNN-Durchschnitts: Der Kern des Algorithmus ist ein gleitender KNN-Durchschnitt, der den Mittelwert der "k" Werte berechnet, die einem Ziel innerhalb einer bestimmten Fenstergröße am nächsten liegen. Dazu wird das Fenster iterativ durchlaufen, die absoluten Differenzen zwischen dem Ziel und jedem Wert berechnet und dann der Mittelwert der nächstgelegenen Werte ermittelt. Das Ziel und der Wert werden auf der Grundlage der Benutzerpräferenzen ausgewählt (z. B. Verwendung des VWAP oder der Volatilität als Ziel).
- KNN-Klassifizierungsfunktion: Diese Funktion wendet den K-Nächste-Nachbarn-Algorithmus an, um die Kursbewegung in positive, negative oder neutrale Trends zu klassifizieren. Sie betrachtet die nächstgelegenen "k" Balken, berechnet den euklidischen Abstand zwischen ihnen und kategorisiert sie auf der Grundlage der relativen Bewegung. Anschließend gibt er die Vorhersage auf der Grundlage der höchsten Anzahl positiver, negativer oder neutraler Kategorien zurück.
"Verwendung
Händler können diesen Indikator verwenden, um potenzielle Trendrichtungen in verschiedenen Märkten zu erkennen.
Erkennen von Trends: Händler können den KNN Moving Average verwenden, um den zugrunde liegenden Trend eines Vermögenswerts zu erkennen. Durch die Konzentration auf die k nächstgelegenen Werte bietet diese Komponente des Indikators eine klarere Sicht auf die Trendrichtung und filtert das Marktrauschen heraus. (Abbildung 2)
Trendbestätigung: Die KNN-Klassifikator-Komponente kann bestehende Trends bestätigen, indem sie die zukünftige Kursrichtung vorhersagt. Durch den Abgleich der Vorhersagen mit aktuellen Trends können Händler mehr Vertrauen in ihre Handelsentscheidungen gewinnen. (Abbildung 3)
"EinstellungenPriceValue: Hier wird die Art der Preiseingabe festgelegt, die für die Abstandsberechnung im KNN-Algorithmus verwendet wird.
- hl2: Verwendet den Durchschnitt der Höchst- und Tiefstkurse.
- VWAP: Verwendet den volumengewichteten Durchschnittspreis.
- VWAP: Verwendet den volumengewichteten Durchschnittspreis.
- Auswirkung: Durch die Änderung dieser Eingabe werden die bei der KNN-Klassifizierung verwendeten Referenzwerte geändert, wodurch sich die Vorhersagen möglicherweise ändern.
Zielwert: Legtdie Zielvariable fest, die die KNN-Klassifizierung vorhersagen soll.
- Price Action: Verwendet den gleitenden Durchschnitt des Schlusskurses.
- VWAP: Verwendet den volumengewichteten Durchschnittspreis.
- Volatilität: Verwendet die Average True Range (ATR).
- Auswirkung: Die Auswahl verschiedener Ziele wirkt sich auf die Vorhersagen des KNN aus und verändert die Art und den Zweck der Vorhersagen.
Anzahl der nächstgelegenen Werte: Legt fest, wie viele nächstgelegene Werte bei der Berechnung des Mittelwerts für den gleitenden KNN-Durchschnitt berücksichtigt werden sollen.
- Wirkung: Wenn Sie diesen Wert erhöhen , berücksichtigt der Algorithmus mehr nächste Nachbarn, was den Indikator glättet und ihn möglicherweise weniger reaktiv macht. Eine Verringerung dieses Wertes kann den Indikator empfindlicher machen, aber möglicherweise auch anfälliger für Störungen.
Nachbarn: Hier wird die Anzahl der Nachbarn festgelegt, die für den KNN-Klassifikatorteil des Algorithmus berücksichtigt werden.
- Wirkung: Die Einstellung der Anzahl der Nachbarn wirkt sich auf die Empfindlichkeit und die Glättung des KNN-Klassifikators aus.
Glättungszeitraum: Legt den Glättungszeitraum für den gleitenden Durchschnitt fest , der im KNN-Klassifikator verwendet wird.
- Auswirkung: Wenn Sie diesen Wert erhöhen , wird der gleitende KNN-Durchschnitt glatter, was möglicherweise das Rauschen reduziert. Eine Verringerung dieses Wertes würde den Indikator reaktiver machen, aber möglicherweise auch anfälliger für Fehlsignale.
"Was ist der K-Nearest Neighbors (K-NN)-Algorithmus?
Im Kern erkennt der K-NN-Algorithmus Muster in Marktdaten und analysiert die Beziehungen und Ähnlichkeiten zwischen Datenpunkten. Indem er die "K" ähnlichsten Instanzen (oder Nachbarn) innerhalb eines Datensatzes berücksichtigt, sagt er zukünftige Kursbewegungen auf der Grundlage historischer Trends voraus. Der K-Nearest Neighbors (K-NN)-Algorithmus ist eine Art instanzbasiertes oder nicht verallgemeinerndes Lernen. Obwohl K-NN als relativ einfache Technik des maschinellen Lernens gilt, fällt er unter den Begriff der Künstlichen Intelligenz (KI).
Wir können den K-Nearest Neighbors (K-NN)-Algorithmus als eine Form der Künstlichen Intelligenz (KI) einstufen, und zwar aus folgenden Gründen:
- Komponente des maschinellen Lernens: K-NN ist ein Algorithmus des maschinellen Lernens, und maschinelles Lernen ist ein Teilbereich der KI. Beim maschinellen Lernen geht es um die Entwicklung von Algorithmen, die es Computern ermöglichen, aus Daten zu lernen und Vorhersagen oder Entscheidungen zu treffen. Da K-NN in diese Kategorie fällt, entspricht es den Grundsätzen der KI.
- Instanzbasiertes Lernen: K-NN ist ein instanzbasierter Lernalgorithmus. Das bedeutet, dass er Entscheidungen auf der Grundlage des gesamten Trainingsdatensatzes trifft, anstatt eine diskriminierende Funktion aus dem Datensatz abzuleiten. Er betrachtet die K" ähnlichsten Instanzen (Nachbarn), wenn er eine Vorhersage trifft, und passt sich daher an neue Informationen an, wenn sich der Datensatz ändert. Diese Anpassungsfähigkeit ist ein Markenzeichen von intelligenten Systemen.
- Mustererkennung: Der Kern der K-NN-Funktionalität ist die Erkennung von Mustern in Daten. Es identifiziert Beziehungen und Ähnlichkeiten zwischen Datenpunkten, ähnlich wie die menschliche Mustererkennung, ein Schlüsselaspekt der Intelligenz.
- Klassifizierung und Regression: K-NN kann sowohl für Klassifizierungs- als auch für Regressionsaufgaben verwendet werden, zwei grundlegende Probleme des maschinellen Lernens und der KI. Der Indikatorcode wird für die Trendklassifizierung verwendet, eine Vorhersageaufgabe, die mit den Zielen der KI übereinstimmt.
- Einfachheit schließt KI nicht aus: Obwohl K-NN im Vergleich zu Deep-Learning-Modellen oft als einfacher Algorithmus angesehen wird, schließt Einfachheit nicht aus, dass etwas KI ist. Viele KI-Systeme beruhen auf einfachen Regeln und können kombiniert oder skaliert werden, um komplexes Verhalten zu erzeugen.
- Keine explizite Modellbildung: Anders als bei traditionellen statistischen Methoden wird bei K-NN während des Trainings kein explizites Modell erstellt. Stattdessen wird gewartet, bis eine Vorhersage erforderlich ist, und dann werden die "K" nächsten Nachbarn aus den Trainingsdaten herangezogen, um diese Vorhersage zu treffen. Dieser Ansatz des "Lazy Learning" ist ein weiterer Aspekt des maschinellen Lernens und gehört zum Bereich der KI im weiteren Sinne.
