AI trend navigator by K Neighbor
- Indicadores
- Minh Truong Pham
- Versión: 1.0
- Activaciones: 15
"Visión general
En el cambiante panorama del comercio y la inversión, la demanda de herramientas sofisticadas y fiables es cada vez mayor. El AI Trend Navigator es un indicador diseñado para satisfacer esta demanda, proporcionando información valiosa sobre las tendencias del mercado y los posibles movimientos futuros de los precios. ElindicadorAI Trend Navigatorestá diseñado para predecir las tendencias del mercado utilizando el clasificador k-Nearest Neighbors (KNN).
Al analizar de forma inteligente las acciones recientes de los precios y hacer hincapié en los valores similares, ayuda a los operadores a navegar por las complejas condiciones del mercado con confianza. Proporciona una forma avanzada de analizar tendencias, ofreciendo predicciones potencialmente más precisas en comparación con métodos más simples de seguimiento de tendencias.
- Cálculo de la Media Móvil KNN: El núcleo del algoritmo es una Media Móvil KNN que calcula la media de los 'k' valores más cercanos a un objetivo dentro de un tamaño de ventana especificado. Para ello, itera a través de la ventana, calcula las diferencias absolutas entre el objetivo y cada valor y, a continuación, calcula la media de los valores más cercanos. El objetivo y el valor se seleccionan en función de las preferencias del usuario (por ejemplo, utilizando el VWAP o la volatilidad como objetivo).
- Función Clasificadora KNN: Esta función aplica el algoritmo k-próximo más cercano para clasificar la acción del precio en tendencias positivas, negativas o neutrales. Observa las k barras más cercanas, calcula la distancia euclidiana entre ellas y las clasifica en función del movimiento relativo. A continuación, devuelve la predicción basada en el mayor número de categorías positivas, negativas o neutras.
Cómo utilizar
Los operadores pueden utilizar este indicador para identificar posibles direcciones de tendencia en diferentes mercados.
Detección de tendencias: Los operadores pueden utilizar la media móvil KNN para identificar la tendencia subyacente de un activo. Al centrarse en los k valores más cercanos, este componente del indicador ofrece una visión más clara de la dirección de la tendencia, filtrando el ruido del mercado. (imagen 2)
Confirmación de tendencias: El componente KNN Classifier puede confirmar las tendencias existentes mediante la predicción de la dirección futura de los precios. Al alinear las predicciones con las tendencias actuales, los operadores pueden ganar más confianza en sus decisiones comerciales. (imagen 3)
"AjustesPriceValue: Determina el tipo de entrada de precio utilizado para el cálculo de la distancia en el algoritmo KNN.
- hl2: Utiliza la media de los precios máximo y mínimo.
- VWAP: Utiliza el precio medio ponderado por volumen.
- VWAP: Utiliza el precio medio ponderado por volumen.
- Efecto: Cambiando esta entrada se modificarán los valores de referencia utilizados en la clasificación KNN, alterando potencialmente las predicciones.
ValorObjetivo: Establece la variable objetivo que la clasificación KNN intentará predecir.
- Price Action: Utiliza la media móvil del precio de cierre.
- VWAP: Utiliza el precio medio ponderado por volumen.
- Volatilidad: Utiliza el Average True Range (ATR).
- Efecto: Seleccionar diferentes objetivos afectará a lo que el KNN está intentando predecir, alterando la naturaleza e intención de las predicciones.
Número de Valores MásCercanos: Define cuántos valores más cercanos se considerarán al calcular la media para la Media Móvil KNN.
- Efecto: Aumentar este valor hace que el algoritmo considere más vecinos cercanos, suavizando el indicador y haciéndolo potencialmente menos reactivo. Disminuir este valor puede hacer que el indicador sea más sensible pero posiblemente más propenso al ruido.
Vecinos: Establece el número de vecinos que se tendrán en cuenta para la parte del algoritmo relativa al clasificador KNN.
- Efecto: Ajustar el número de vecinos afecta a la sensibilidad y suavidad del clasificador KNN.
Periodo de Suavizado: Define el periodo de suavizado para la media móvil utilizada en el clasificador KNN.
- Efecto: Aumentar este valor haría que la media móvil KNN fuera más suave, reduciendo potencialmente el ruido. Disminuirlo haría el indicador más reactivo pero posiblemente más propenso a señales falsas.
¿Qué es el algoritmo K-Nearest Neighbors (K-NN)?
En esencia, el algoritmo K-NN reconoce patrones dentro de los datos de mercado y analiza las relaciones y similitudes entre los puntos de datos. Teniendo en cuenta los "K" casos más similares (o vecinos) dentro de un conjunto de datos, predice los movimientos futuros de los precios basándose en tendencias históricas. El algoritmo K-Nearest Neighbors (K-NN) es un tipo de aprendizaje basado en instancias o no generalizador. Aunque el algoritmo K-NN se considera una técnica de aprendizaje automático relativamente sencilla, entra dentro del ámbito de la IA.
Podemos clasificar el algoritmo K-Nearest Neighbors (K-NN) como una forma de inteligencia artificial (IA), y he aquí por qué:
- Componente de aprendizaje automático: K-NN es un tipo de algoritmo de aprendizaje automático, y el aprendizaje automático es un subconjunto de la IA. El aprendizaje automático consiste en crear algoritmos que permitan a los ordenadores aprender y hacer predicciones o tomar decisiones basadas en datos. Dado que K-NN pertenece a esta categoría, se ajusta a los principios de la IA.
- Aprendizaje basado en instancias: K-NN es un algoritmo de aprendizaje basado en instancias. Esto significa que toma decisiones basándose en todo el conjunto de datos de entrenamiento en lugar de derivar una función discriminatoria del conjunto de datos. Cuando realiza una predicción, tiene en cuenta los "K" casos más similares (vecinos), por lo que se adapta a la nueva información si cambia el conjunto de datos. Esta capacidad de adaptación es un rasgo distintivo de los sistemas inteligentes.
- Reconocimiento de patrones: el núcleo de la funcionalidad de K-NN es el reconocimiento de patrones en los datos. Identifica relaciones y similitudes entre puntos de datos, algo parecido al reconocimiento humano de patrones, un aspecto clave de la inteligencia.
- Clasificación y regresión: K-NN puede utilizarse tanto para tareas de clasificación como de regresión, dos problemas fundamentales en el aprendizaje automático y la IA. El código indicador se utiliza para la clasificación de tendencias, una tarea predictiva que se alinea con los objetivos de la IA.
- La simplicidad no excluye la IA: Aunque K-NN se considera a menudo un algoritmo más simple en comparación con los modelos de aprendizaje profundo, la simplicidad no excluye que algo sea IA. Muchos sistemas de IA se basan en reglas sencillas y pueden combinarse o ampliarse para crear comportamientos complejos.
- Sin construcción explícita del modelo: A diferencia de los métodos estadísticos tradicionales, K-NN no construye un modelo explícito durante el entrenamiento. En su lugar, espera hasta que se requiere una predicción y entonces mira a los "K" vecinos más cercanos de los datos de entrenamiento para hacer esa predicción. Este enfoque de aprendizaje perezoso es otro aspecto del aprendizaje automático, que forma parte del campo más amplio de la IA.
