Есть ли ГРААЛЬ на FOREX? - страница 86
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Грааль есть! Но... он приходит только к тому, кто НАИЖЕЛЕЗНЕЙШИМ ЖЕЛЕЗНЫМ образом соблюдает все правила - и ТС и ММ. Я тому свидетель.
Грааль есть! Но... он приходит только к тому, кто НАИЖЕЛЕЗНЕЙШИМ ЖЕЛЕЗНЫМ образом соблюдает все правила - и ТС и ММ. Я тому свидетель.
Еще бы объяснили, что такое все правила ТС и ММ, и мы бы тут развернулись.
Ну так у вас судя по вашим постам и есть железные правила. Или вам мало?
Ну так у вас судя по вашим постам и есть железные правила. Или вам мало?
У меня? Железные? вы шутите.) У меня как в Алисе, правила меняются в процессе игры. А некоторые принципы, о кот. я говорил могут оказаться как верными, так и неверными.)
Никогда не претендовал на истину в последней инстанции, и все, что я пишу, является исключительно моим мнением. Не писать же через строчу -ИМХО.)
Грааль есть! Но... он приходит только к тому, кто НАИЖЕЛЕЗНЕЙШИМ ЖЕЛЕЗНЫМ образом соблюдает все правила - и ТС и ММ. Я тому свидетель.
показали как работает?
Допустим соблюдаются и ММ и ТС. Отличие от Вашей стратегии в чем - это уяснили?
Приветствую всех участников этого форума!
Полгода назад я уже описал здесь свои неудачные опыты с нейронными сетями. За последние несколько месяцев я решил полностью отказаться от нейронных сетей и работаю по методу K ближайших соседей. Хочу рассказать, что меня к этому сподвигло. Уже сейчас не вспомню, где, на каком ресурсе, но набрёл я тогда на такую очень, как мне показалось, интересную информацию. На том сайте было приведено сравнение нескольких методов классификации. Тогда я хотел перейти от простых нейронных сетей к глубокому обучению и именно эта мысль меня и привела на тот ресурс. Как оказалось, нейросети глубокого обучения давали для классификатора ошибку в доли процента, обычные нейросети в единицы процентов, а метод K ближайших соседей давал ошибку в 5%. В качестве обучающего множества были использованы фотографии, а не график цены, но, тем не менее, мне показались эти цифры очень важными. Вывод я сделал такой: нейронные сети глубокого обучения нужны там, где требуется минимальная ошибка классификации. На форексе и 20% ошибки были бы верхом мечтаний, а такую ошибку может дать и достаточно простой метод K ближайших соседей, к тому же он на порядок менее ресурсоёмкий. И еще один момент. Нейронная сеть при обучении использует весь массив входных данных для настройки коэффициентов своих нейронов, но очевидно, что она не сможет дать затем в реальной торговле удовлетворительный прогноз для каждого реального входного паттерна, то есть для каждого момента времени. Получается, что при обучении нейронной сети подавляющее большинство паттернов из обучающего множества является бесполезным балластом, который, во-первых, сильно замедляет процесс обучения, а, во-вторых, серьезно ухудшает качество дальнейшего прогноза.
Метод К ближайших соседей я стал применять в надежде, что на тиковом графике цены присутствуют паттерны (я их назвал специфическими), которые, в отличие от подавляющего большинства других паттернов характеризуются идентичным продолжением. То есть, в большинстве случаев цена после этих паттернов идет преимущественно в одну сторону.
Вот мой алгоритм.
Во-первых, я сглаживаю график цены (использую тиковый массив), путем усреднения цен, например, 5 последних тиков. Далее, я делаю децимацию (прореживание) на 5 сглаженного массива и формирую паттерн из 50 точек. Он эквивалентен по длительности массиву в 250 тиков. Затем я нахожу хорошо коррелированные паттерны на истории (беру последние 3 месяца). Коэффициент корреляции должен быть не менее 0,95. Отбираю, также, паттерны еще и по высоте (разница между максимальной и минимальной ценой среди 50-ти точек паттерна). Коэффициент высоты исторических паттернов от текущего должен быть в пределах от 0,9 до 1,1. Также есть условие на то, чтобы отбирались только те паттерны, которые не пересекаются ни на одну точку по оси тиков. Таковых после прохождения всех условий должно остаться не менее 50. И последнее условие. Коэффициент преимущественного продолжения в одну сторону цены по окончании исторических паттернов должен быть не менее 0,7.
Описанный выше — упрощенный, но вполне рабочий алгоритм для облегчения понимания. В действительности, я использую два масштаба (таймфрейма). На младшем усреднение и децимация равны 3, количество точек равно 10. На старшем (это — что-то типа фона или тренда торговли, второй экран по Элдеру) - усреднение и децимация равны 10, количество точек равно 30.
Я варьировал длину паттерна на младшем таймфрейме от 50 до 800, на старшем — от 100 до 1600. Коэффициенты высоты от 1,1 до 1,3 для младшего и от 1,2 до 2,0 для старшего. Горизонт или величину отклонения цены от цены последней крайней правой точки паттерна от 35 до 100 пунктов (5 знаков). Я провел тестирование нескольких сотен (возможно, тысяч) различных комбинаций этих параметров в течение 2-х месяцев, загружая на 100% два компьютера с процессорами i5 и i7. Да, еще, объем исторических данных варьировался от 3 месяцев до 1 года.
И вот, что я получил. Во-первых, никаких закономерностей в направлении продолжения движения цены этот метод не выявил. И, самое обидное, частота случаев выполнения всех условий оказалась равной частоте этого события, если бы оно было просто случайным. Я был уверен, что «специфические» паттерны, особенно, на тиковом графике существуют. Но я их не обнаружил ни при каких комбинациях параметров. Или в графике цены нет никаких закономерностей или я что-то делаю не так!
Приветствую всех участников этого форума!
Полгода назад я уже описал здесь свои неудачные опыты с нейронными сетями. За последние несколько месяцев я решил полностью отказаться от нейронных сетей и работаю по методу K ближайших соседей. Хочу рассказать, что меня к этому сподвигло. Уже сейчас не вспомню, где, на каком ресурсе, но набрёл я тогда на такую очень, как мне показалось, интересную информацию. На том сайте было приведено сравнение нескольких методов классификации. Тогда я хотел перейти от простых нейронных сетей к глубокому обучению и именно эта мысль меня и привела на тот ресурс. Как оказалось, нейросети глубокого обучения давали для классификатора ошибку в доли процента, обычные нейросети в единицы процентов, а метод K ближайших соседей давал ошибку в 5%. В качестве обучающего множества были использованы фотографии, а не график цены, но, тем не менее, мне показались эти цифры очень важными. Вывод я сделал такой: нейронные сети глубокого обучения нужны там, где требуется минимальная ошибка классификации. На форексе и 20% ошибки были бы верхом мечтаний, а такую ошибку может дать и достаточно простой метод K ближайших соседей, к тому же он на порядок менее ресурсоёмкий. И еще один момент. Нейронная сеть при обучении использует весь массив входных данных для настройки коэффициентов своих нейронов, но очевидно, что она не сможет дать затем в реальной торговле удовлетворительный прогноз для каждого реального входного паттерна, то есть для каждого момента времени. Получается, что при обучении нейронной сети подавляющее большинство паттернов из обучающего множества является бесполезным балластом, который, во-первых, сильно замедляет процесс обучения, а, во-вторых, серьезно ухудшает качество дальнейшего прогноза.
Метод К ближайших соседей я стал применять в надежде, что на тиковом графике цены присутствуют паттерны (я их назвал специфическими), которые, в отличие от подавляющего большинства других паттернов характеризуются идентичным продолжением. То есть, в большинстве случаев цена после этих паттернов идет преимущественно в одну сторону.
Вот мой алгоритм.
Во-первых, я сглаживаю график цены (использую тиковый массив), путем усреднения цен, например, 5 последних тиков. Далее, я делаю децимацию (прореживание) на 5 сглаженного массива и формирую паттерн из 50 точек. Он эквивалентен по длительности массиву в 250 тиков. Затем я нахожу хорошо коррелированные паттерны на истории (беру последние 3 месяца). Коэффициент корреляции должен быть не менее 0,95. Отбираю, также, паттерны еще и по высоте (разница между максимальной и минимальной ценой среди 50-ти точек паттерна). Коэффициент высоты исторических паттернов от текущего должен быть в пределах от 0,9 до 1,1. Также есть условие на то, чтобы отбирались только те паттерны, которые не пересекаются ни на одну точку по оси тиков. Таковых после прохождения всех условий должно остаться не менее 50. И последнее условие. Коэффициент преимущественного продолжения в одну сторону цены по окончании исторических паттернов должен быть не менее 0,7.
Описанный выше — упрощенный, но вполне рабочий алгоритм для облегчения понимания. В действительности, я использую два масштаба (таймфрейма). На младшем усреднение и децимация равны 3, количество точек равно 10. На старшем (это — что-то типа фона или тренда торговли, второй экран по Элдеру) - усреднение и децимация равны 10, количество точек равно 30.
Я варьировал длину паттерна на младшем таймфрейме от 50 до 800, на старшем — от 100 до 1600. Коэффициенты высоты от 1,1 до 1,3 для младшего и от 1,2 до 2,0 для старшего. Горизонт или величину отклонения цены от цены последней крайней правой точки паттерна от 35 до 100 пунктов (5 знаков). Я провел тестирование нескольких сотен (возможно, тысяч) различных комбинаций этих параметров в течение 2-х месяцев, загружая на 100% два компьютера с процессорами i5 и i7. Да, еще, объем исторических данных варьировался от 3 месяцев до 1 года.
И вот, что я получил. Во-первых, никаких закономерностей в направлении продолжения движения цены этот метод не выявил. И, самое обидное, частота случаев выполнения всех условий оказалась равной частоте этого события, если бы оно было просто случайным. Я был уверен, что «специфические» паттерны, особенно, на тиковом графике существуют. Но я их не обнаружил ни при каких комбинациях параметров. Или в графике цены нет никаких закономерностей или я что-то делаю не так!
Да, "все врут календари" торговля гораздо проще, чем кажется вначале...попробуйте тоже самое проделать с индикаторами Била Вильямса упростив там до 3 - 5 так сказать патернов его столбики...думаю должно получиться больше 0.7 даже если больше 0.55 и то шансы будут очень неплохие...одна просьба - скиньте в личку, что получится...))
Кажется, Вы является сторонником тории Вильямса... Начал читать его книгу. Интересно. Интересно, что мои последние опыты наглядно подтвердили взгляды Вильямса на рынок, как на хаос. Спасибо за идею. Первая часть мною пройдена: хаос подтверждён. Осталось теперь на практике попытаться использовать хаос рынка для получения профита.
По определению, "Ха́ос — беспорядок, отсутствие порядка".
Рынок -- это не хаос. Напротив, рынок -- это высокоорганизованная структура.
А подтвердили вы не "хаос рынка", а лишь то, что ваш алгоритм не способен отличить хаос от рынка, не способен выявить структуру движения рынка. И тот факт, что структура рынка не соответствует вашей модели, указывает лишь на то, что модель ваша не годится для применения к описанию рынка.
По определению, "Ха́ос — беспорядок, отсутствие порядка".
Рынок -- это не хаос. Напротив, рынок -- это высокоорганизованная структура.
А подтвердили вы не "хаос рынка", а лишь то, что ваш алгоритм не способен отличить хаос от рынка, не способен выявить структуру движения рынка. И тот факт, что структура рынка не соответствует вашей модели, указывает лишь на то, что модель ваша не годится для применения к описанию рынка.