Jurik trading system

Software de negociação avançado: análise técnica e redes neurais Tradecision permite usar ferramentas de pesquisa Jurik Os indicadores Jurik Research só podem ser usados ​​no Tradecision se você os comprar da Jurik Research. JMA (Jurik Moving Average, Jurik Research) é um filtro de eliminação de ruído avançado. O recurso permite ver a quottruequot atividade subjacente. Sendo incredibly liso e extremamente responsivo às aberturas do mercado, tem o lag muito baixo. O argumento liso é um número que controle a lisura da curva de JMAs. O argumento de fase controla o aspecto lag / overshoot da curva de JMAs. Jurik Moving Average é projetado para ser aplicado em sistemas de negociação de seu próprio design. VEL (Zero-lag Velocity, Jurik Research) é uma versão super suave do indicador técnico quotmomentum. quot Sua característica distintiva é que o processo de suavização não acrescenta nenhum atraso ao indicador momentum original . O segundo argumento (Length) é um número inteiro que especifica o tamanho da janela em movimento do VEL. CFB (Composite Fractal Behaviour, Jurik Research) é um índice que revela os mercados de tendência de tempo, ideal para a criação de tamanhos de janela adaptável de vários indicadores técnicos. O segundo argumento é um número inteiro que especifica a suavidade da saída. O terceiro argumento é um número inteiro que especifica o maior tamanho fractal que CFB deve considerar. O nível de suavidade deve estar entre 1 e 50 inclusive. Valores maiores produzem resultados mais suaves. SpanSize deve ser 24, 48, 96 ou 192. Valores maiores fazem CFB considerar mais dados e mover-se mais lentamente. Para obter mais informações, visite jurikres / catalog / mscfb. htm RSX (Índice de Força de Tendência, Jurik Research) - é a substituição superior para RSI. Ultra-suave, preciso, indicador de baixo lag de direção tendência e pureza. O indicador é excelente para análise profunda. O segundo argumento é um número que controla a suavidade da curva RSXs. Para obter mais informações, visite jurikres / catalog / msrsx. htmKEYS TO SUCCESSFUL TRADING Não, as chaves para o sucesso não são nossos produtos, nem ninguém elses. Em vez disso, para ser um comerciante bem sucedido que você precisa. Um sistema de negociação com expectativa lucrativa, princípios de gestão sólida de dinheiro, a fortaleza psicológica para o comércio de forma consistente e capitalização adequada. Contrariamente à crença popular, seu sistema comercial básico só precisa ser modestamente rentável. Um esquema de gerenciamento de dinheiro adequado projetado para controlar seu tamanho de quotbet pode expandir os lucros meager substancialmente. Além disso, uma vez que a natureza humana tende a tomar lucros muito cedo e deixar as perdas correr muito longe, você precisa estar familiarizado com o mercado e não ser emocionalmente apanhados e, em seguida, muito medo de seguir suas recomendações de sistemas de negociação. Portanto, não oferecemos esquemas de get-rich-quick. Eles não trabalham. Nem vamos insultá-lo com sugestões de que se uma empresa de gestão de capital de bilhões de dólares conectado diretamente a Wall Street com uma vasta facilidade de informática e dezenas de PhDs pode fazer milhões usando o produto X, então você também. Você provavelmente não. Nem podemos prometer que os mercados são tão ineficientes que é fácil de obter lucros. Não é, simplesmente porque você estará competindo com outros jogadores muito inteligentes, que querem o seu dinheiro. Por outro lado, oferecemos ferramentas poderosas e produtos educacionais para ajudar os investidores individuais, como você, ter sucesso em fazer um sistema de comércio eficaz. As ferramentas Jurik são compatíveis com muitos produtos de software. Nossos clientes satisfeitos concordam SISTEMAS DE NEGOCIAÇÃO PRÉ-CONSTRUÍDOS É um erro supor que os sistemas de negociação descritos em livros, revistas ou em seu lixo eletrônico diário são rentáveis. Eles precisam ser testados durante um período prolongado de dados históricos (o suficiente para pelo menos 500 comércios). O melhor teste único que você pode aplicar a qualquer estratégia de negociação para venda é esta: Será que o vendedor fornecer uma declaração de corretores mostrando as mais recentes 200 operações consecutivas chamado pela estratégia Se o vendedor não está disposto ou não pode fazê-lo, a pé. Se você for fornecido com uma declaração de corretores, traçar a curva de equidade e ver se você pode lidar (financeiramente e emocionalmente) quaisquer seqüências de perdas. Além disso, tente obter um scatterplot contendo a excursão adversa máxima de cada comércio. Às vezes, um comércio primeiro perde grande antes de se tornar rentável. Você pode lidar com essas situações corretamente Quando o mercado muda seu comportamento, o desempenho do sistema pode se degradar em um perdedor. Você terá que pagar adicionais para upgrades periódicos Finalmente, quanto você espera aprender sobre a negociação de um sistema que você não pode analisar nem modificar Nós acreditamos que você é melhor fazer o seu próprio sistema de comércio do que comprar um. Seu sistema será projetado em torno de seus recursos financeiros e zona de conforto psicológico. E você será capaz de modificá-lo de acordo com as condições do mercado em mudança. Por último, mas não menos importante, você vai saber exatamente como ele pode ser esperado para executar. SÍNTESE Seqüência para a construção avançada do sistema Se alguns seres humanos podem negociar consistentemente bem, então por que não pode um computador Por que não pode ser o seu computador Máscaras de inteligência artificial, não ouvimos essas perguntas antes da Inteligência Artificial, independentemente da sua definição formal Qualquer), traduz-se em trabalho duro, e muitas vezes infrutífero. Persistência não pagar, no entanto. Metodologia estruturada e experimentação sistemática é o modus operandi recomendado. Definimos um sistema avançado como aquele que inclui algum aspecto de um indicador avançado, o que implica que a previsão esteja envolvida. Indicadores de liderança poderia ser projetado para quase qualquer coisa, mas preferimos usá-lo para prever uma gama de preços superior e inferior, bem como valores MACD futuro. O desenvolvimento apropriado do indicador principal exige pré-processamento com WAV e DDR e modelagem com um programa de rede neural. Por último, tudo isso precisa ser executado de forma sistemática. Para conseguir isso, eu projetei esse diagrama de fluxo para ver o quadro geral. Ele subdivide o esforço de desenvolvimento do sistema de negociação em várias etapas. Aqui está uma revisão em vários estágios de nosso processo avançado de construção de sistemas. Você pode alterar qualquer aspecto dele para atender às suas necessidades específicas. Aqui está uma descrição de como eu construir meus próprios sistemas de negociação. O fluxograma mostra seis estágios de desenvolvimento do sistema de negociação. Selecionar dados explicativos (fase de coleta) Criar indicadores de baixo atraso (fase de pré-processamento) Criar indicadores de liderança (fase de modelagem) Construir seu sistema de negociação (fase de estratégia) ETAPA 1 Trata-se da tarefa desinteressante de recolher e verificar dados financeiros. Ele não ajuda a sua auto-imagem de sistemas para dar-lhe preços históricos salpicado com espaços em branco e zeros. Eyeball ele para todos os problemas. A pesquisa mostrou que se você converter os dados de preços para o LOG (logaritmo) dos dados de preços, as estratégias funcionarão melhor ao longo de um período mais longo. Isso ocorre porque os dados de preços estão agora expressos em uma relação multiplicativa uns com os outros, em vez de aditivos, e isso tende a ser preservado à medida que os preços mudam de escala ao longo do tempo. Esta etapa envolve o pré-processamento de dados. Resumidamente, é neste ponto que extraímos indicadores significativos de dados financeiros brutos. Um bom pré-processamento faz com que a próxima etapa (modelagem) funcione sem problemas. Modeladores profissionais percebem a importância desta etapa e focam a maior parte de sua energia aqui. No entanto, para o amador tem o mesmo apelo que lavar roupa. Determine o horizonte de quotforecast ideal para a série de tempo a ser prevista. Por exemplo, a distância ideal para prever no futuro quando se utiliza barras diárias de T-Bonds de 30 anos é de 5,5 dias. Esse valor varia de mercado para mercado e o método para calculá-lo é explicado em meu livro Previsão Financeira e Redes Neurais. Determine quantos dados históricos são necessários para fazer uma previsão SINGLE. Refiro-me a esta quantidade de tempo histórico como o horizonte de quotlookback e seu tamanho é tipicamente 4 vezes o horizonte de previsão. Por exemplo, se minha previsão é prever 5.5 barras no futuro, então meu horizonte de lookback (L) para cada previsão terá que ser 22 barras. (L22) Todos os indicadores devem considerar a atividade de pelo menos os últimos L bares. Selecione os dados explicativos apropriados, como altos, baixos, volume, etc. Encorajo você a investigar os dados de pre-alisamento de preços primeiro com o JMA, criando assim quotproxiesquot para os valores de preço bruto. Em seguida, crie indicadores relevantes (RSX, VEL, CFB, canais, JMA-MACD, etc.) aplicando-os aos proxies JMA, em vez dos dados de preço bruto. Defina o parâmetro quotlengthquot de seus indicadores de modo que o número de barras considerado por cada fórmula seja aproximadamente o horizonte de lookback (L). Certifique-se de que cada coluna de valores indicadores se assemelha a um oscilador padronizado de média zero (isto é, série Z-score) e não é uma caminhada aleatória (por exemplo, preços de mercado brutos). Isto é porque uma caminhada aleatória entrará eventualmente em uma escala que o modelo não viu durante o desenvolvimento, induzindo a falha. Aplicar WAV aos indicadores acima, de modo a comprimir os valores L mais recentes de cada indicador em um número muito menor de valores. Por exemplo, o WAV pode comprimir os 73 valores mais recentes de um indicador em apenas 13, uma compressão de 82. Ao construir modelos de previsão, é importante reduzir o número de variáveis ​​de entrada tanto quanto possível, de preferência sem perder informações valiosas no processo . Reúna os valores de tempo comprimido de cada indicador (ou seja, saída WAVs) em uma matriz (uma coluna por indicador) e aplique DDR. Esse procedimento reduz o número de colunas na matriz extraindo toda a redundância entre colunas. O resultado é uma matriz com muito menos colunas, todas as colunas são mutuamente não correlacionadas (cada coluna está carregando informações diferentes) e pouca ou nenhuma informação foi perdida no processo. Neste momento, seus dados são temporariamente e espacialmente comprimidos. Se seu modelo tivesse que receber os 73 valores mais recentes de cada um dos 10 indicadores sem compressão espaço-temporal, seu modelo de previsão estaria procurando uma matriz de entrada de 730 valores para cada previsão. No entanto, após a compressão espaço-temporal, a nova matriz seria provavelmente 13 valores para cada uma das apenas 4 colunas, apenas 52 valores total. Isso representa uma compressão final de 93. Estágio 3 é onde você começa a brincar e aprender sobre sexy ferramentas de modelagem, como ARIMA, sistemas especialistas, algoritmos genéticos e redes neurais. Normalmente, o novato vai saltar completamente o estágio 2 e passar meses tentando fazer tudo acontecer no estágio 3. Isso leva a queixas de que a rede neural suprimida expletiva é cérebro-morto. Escolha o que você deseja que o modelo preveja. Mantenha-o simples, como estimar o MACD cinco barras para fora, ou estimando a resistência eo apoio (relativo ao preço médio atual) 10 barras para fora. Evite tentativas de prever os preços brutos do mercado (a menos que você seja realmente bom em prever variáveis ​​pseudo-aleatórias). Certifique-se de que a coluna de valores-alvo de previsão se assemelha a um oscilador padronizado de média zero (ou seja, série Z-score) e não é uma caminhada aleatória (por exemplo, preços de mercado brutos). Isto é porque uma caminhada aleatória entrará eventualmente em uma escala que o modelo não viu durante o desenvolvimento, induzindo a falha. Alimente a matriz compactada que você criou no estágio 2 e os dados de destino para seu modelo. Verifique todos os modelos com dados que não foram utilizados durante o desenvolvimento. Como regra geral, para cada variável de entrada (independente) alimentada em seu modelo, você precisará de dados de treinamento e verificação suficientes para suportar pelo menos 100 previsões. Assim, se o modelo receber 54 variáveis ​​de entrada por previsão, você precisa de dados suficientes para suportar 10054 ou 5.400 previsões durante a criação e verificação do modelo. Alimente a matriz compactada que você criou no estágio 2 e os dados de destino para seu modelo. Verifique todos os modelos com dados que não foram utilizados durante o desenvolvimento. Como regra geral, para cada variável de entrada (independente) alimentada em seu modelo, você precisará de dados de treinamento e verificação suficientes para suportar pelo menos 100 previsões. Assim, se o modelo receber 54 variáveis ​​de entrada por previsão, você precisa de dados suficientes para suportar 10054 ou 5.400 previsões durante a criação e verificação do modelo. Informações sobre diferentes paradigmas para modelagem de indicadores principais são fornecidas mais adiante nesta página. (Continue lendo, você vai chegar lá). Esta etapa é para desenvolver a lógica de negociação. É a parte mais quotfunquot do sistema de construção, fornecendo você sabe o que você está fazendo. Há muitos livros sobre este tópico. No que diz respeito ao uso de modelos de previsão, aqui estão algumas dicas: Criar regras para gerenciamento de risco e dinheiro. Existem livros para ajudá-lo com este assunto. Uma técnica inteligente de gerenciamento de riscos é criar vários modelos estocásticos (por exemplo, redes neurais) para fazer a mesma previsão. Quando todos os modelos estão em forte acordo, aumentar o risco. Quando eles estão em forte desacordo, diminuir o risco. Durante backtesting, pore sobre estatísticas como retorno em conta (considerando máximo drawdown), gráficos de excursão adversos máximos, simulações de Monte Carlo de esperado meia-vida fiscal, etc Ao fazê-lo, procure os maus negócios de sistemas e evocar modificações de design. Considere quantas variáveis, constantes e linhas de código você está ajustando (otimização). Cada um é um grau de liberdade que você está jogando com. Quando backtesting, use dados de mercado suficientes para o sistema para criar 100 trades para cada grau de liberdade. Assim, se você estiver otimizando 5 constantes e aperfeiçoando 4 linhas de código, a verificação solicita que cada execução produza pelo menos 100 (45) ou 900 negócios. Esteja atento sobre como otimizar os sistemas de negociação. Undisciplined e excessiva conjuração de código pode levar a sobre-optimized spaghetti lógica, um pesadelo para manter. Além disso, a otimização demais renderá um ótimo desempenho em seu conjunto de dados atual, mas um desempenho miserável em dados futuros. Nosso livro Previsão Financeira e Redes Neurais e áudio Espaço, Tempo, Ciclos e Fase oferecem uma explicação deste fenômeno. Para uma explicação desse fenômeno. Um sistema que opera bem em dados históricos e dados futuros é mais desejável. Durante a negociação ao vivo do quotpaper, mantenha um olho para fora para como rapidamente o sistema degrada. Isso sugere a freqüência com que os modelos precisam ser atualizados. Também pode sugerir lógica de negociação ruim. Um exemplo de uma rede neural reforçada sistema de comércio que correu bem, sem reciclagem, por muitos meses após o seu desenvolvimento, é descrito na edição de dezembro de 1996 da revista Futures. Embora o procedimento de teste e verificação utilizado pelo autor não fosse o melhor, o resultado provou ser rentável, no entanto. Você realmente não precisa otimizar o heck fora de seu sistema comercial, desde que você emprega boa gestão de risco. Ele aborda a questão: o quanto você está colocando em risco em um comércio versus o lucro esperado para tomar esse risco Como um jogador de poker especialista, com gestão de dinheiro adequada você avaliar quanto investir e quanto você está disposto a perder em cada jogo . Portanto, o princípio básico da gestão do dinheiro é a gestão de riscos. Abertura de posições com risco coberto é fundamental para uma negociação bem sucedida. Em outras palavras, gerenciar primeiro o risco e os lucros seguirão quando sua aposta estiver correta. É incrível o quanto esta disciplina pode melhorar a rentabilidade global de seus sistemas. Ao longo de um período de anos, esta técnica pode melhorar os lucros comerciais mais do que dez vezes Alguns livros sobre gestão de dinheiro estão listados AQUI. OS INDICADORES LEADES são difíceis de fazer O quotComposite de indicadores econômicos principais é avaliado pelo Federal Reserve e por investors de longo prazo para seu potencial da previsão. Em contraste, os investidores especulativos preferem usar indicadores técnicos e fundamentais com potencial de previsão a curto prazo. O problema é que quase todos os indicadores comumente utilizados (MACD, ADX, CCI, RSI, etc.) olham para trás e resumem o que ocorreu, não o que ocorrerá. A raridade de bons indicadores de curto prazo indica que eles são difíceis de produzir, e mais importante, porque tão poucos investidores explorá-los, esses indicadores podem render uma vantagem comercial significativa. Mas por que eles são tão raros? O que é tão difícil sobre a criação de um curto prazo indicador de liderança? Se todos os economistas foram colocados de ponta a ponta, eles ainda apontar em todas as direções. quot - Arthur H. Motley A razão para a sua raridade é devido, em parte , À natureza dos mercados. No passado, quando a negociação não era dominada pelos computadores, a maioria dos analistas financeiros usava macro e micro teoria econômica, bem como técnicas de modelagem quotlinearquot clássicas. Modelos de mercado tradicionais, baseados em teoria linear e técnicas e suas suposições simplificadoras, estão fazendo previsões cada vez mais imprecisas a cada ano. Analistas de Wall Street têm constantemente perdido todos os principais pontos de viragem no mercado nos últimos 30 anos. Por exemplo, seis meses antes da recessão de 1990, 34 dos 40 economistas concordaram que a economia provavelmente evitará uma recessão. Além disso, apenas duas semanas antes do enorme mercado alcista em 1991, o consenso desses 40 economistas era: a economia vai encolher nos próximos seis meses. Os comerciantes e investidores que usam sistemas baseados na análise clássica também sofrerão perdas graves quando as condições de mercado mudarem Demasiado rapidamente para que seus modelos compreendam. Jurik Research acredita que os problemas com os modelos tradicionais de mercado decorrem de suas premissas, que eu divido em três categorias. Os modelos lineares funcionam melhor quando suas variáveis ​​de entrada são independentes (não correlacionadas entre si). Variáveis ​​de entrada altamente correlacionadas podem levar a modelos que parecem funcionar bem em dados históricos, mas que falharão miseravelmente em novos dados. Essas interdependências existem (por exemplo, a relação inversa entre commodities e obrigações) e os modelos que não explicam esse fato terão problemas. Hoje o mercado se move mais rápido e caoticamente. Exibindo relações disjuntas e não-lineares entre forças de mercado. Para manter a vida simples, os analistas assumem que todos os comerciantes e investidores são avessos ao risco, racionais e reagem de forma semelhante. Na realidade, os comerciantes do assoalho, os comerciantes a curto ea longo prazo, os gerentes de fundo, os hedgers, os comerciantes do programa e os fabricantes de mercado todos usam níveis diferentes do risco e reagem em frames diferentes do tempo. É claro que precisamos de uma nova família de modelos que possam simular relações não-lineares e que os jogadores pensem em diferentes prazos. Consequentemente, os esforços para encontrar e explorar nichos rentáveis ​​nos mercados são anteriores técnicas clássicas para métodos de negociação mais poderosos. Novas ferramentas usando métodos de inteligência artificial estão aumentando em popularidade. Estas ferramentas incluem redes neurais e algoritmos genéticos. Agora que as versões fáceis de usar de ambos os paradigmas estão atualmente disponíveis como suplementos para o Microsoft Excel, o público está rapidamente captando: não é tão difícil depois de tudo. REDES NEURAIS Eles Realmente Funcionam O QUE É UMA REDE NEURAL. Uma rede neural (ou NN) é composta por um grande número de elementos de processamento altamente interconectados (neurônios) que trabalham em uníssono para resolver problemas específicos. Cada elemento executa uma fórmula matemática, cujos coeficientes são quotlearnedquot quando dado exemplos de como o NN deve responder a vários conjuntos de dados. Os aplicativos incluem reconhecimento ou classificação de padrões de dados. Durante uma sessão quottrainingquot, o NN produz uma coleção de funções matemáticas simples não-lineares que mutuamente alimentam valores numéricos entre si de uma maneira que se assemelha vagamente à atividade neuronal de células cerebrais. A interação entre os neurônios pode tornar-se tão complexa que esse conhecimento das fórmulas matemáticas oferece pouca ou nenhuma visão sobre os modelos quotlogic em geral. Conseqüentemente, enquanto a rede neural funciona bem, seu usuário raramente se preocupa em saber quais equações exatas estão dentro. Tenha cuidado para não confundir as redes neurais (NN) com outro paradigma de inteligência artificial chamado sistemas especialistas (ES). ES programas são projetados para imitar o pensamento racional como descrito por especialistas. No entanto, se o especialista não puder expressar sua lógica de maneira que confira decisões corretas, o paradigma ES não pode ser efetivamente empregado. Em contraste, um NN não se preocupa em emular a lógica humana. Um NN simplesmente tenta mapear a entrada numérica para os dados de saída. A crença equivocada de que os paradigmas NN e ES são semelhantes inevitavelmente leva ao argumento incorreto de que, se os modelos ES tiverem um mau desempenho, os modelos NN também o serão. Felizmente, os modelos NN estão se saindo bem no mundo real. APLICAÇÕES DA REDE NEURAL No mundo comercial, as redes neurais estão sendo usadas para. Gerenciar risco de carteira avaliar risco de crédito de empréstimo detectar fraude de cartão de crédito previsão de vendas de batata de batata detectar células de sangue insalubre otimizar trabalho previsão de agendamento de loja atividade de mercado financeiro otimizar o laminado a frio de chapa de metal remover ecos de telefones irritantes determinar preços ótimos de mercadorias detectar explosivos dentro de bagagem nos aeroportos prever resultados De novas fórmulas para plástico QUAL O SEU PAPEL EM UM SISTEMA DE NEGOCIAÇÃONão espere que um NN faça todo o trabalho para você e produza sinais de Compra / Venda. NNs deve ser acoplado com a análise técnica tradicional, e os mais melhores resultados vêm dos comerciantes experientes. Isso é porque eles entendem quais indicadores de mercado são mais significativos e também como melhor interpretá-los. Portanto, é melhor projetar um NN para produzir indicadores técnicos significativos, e não um quotBuy / Sellquot Santo Graal. O fluxograma mostra seis estágios de desenvolvimento do sistema de negociação. As redes neurais são tipicamente usadas na terceira fase, ou MODELING. Nessa etapa, as redes neurais são treinadas para modelar algum aspecto do mercado, para classificar as condições atuais ou futuras do mercado, dizendo assim ao investidor quando entrar ou sair do mercado. Quando a previsão de condições futuras, eles são tecnicamente um indicador quotleading. São fáceis de usar. Existem muitos pacotes de rede neural disponíveis comercialmente. Muitos interagem com o ambiente do Microsoft Excel. UMA DOSE DE REALISMO. Porque os nossos padrões de integridade são muito elevados, sob o risco de perder uma venda, nos sentimos obrigados a mencionar o seguinte. Nós não implicamos que o desenvolvimento de uma rede neural é uma posição fácil de uma noite. Levará tempo, e nem todo mundo tem tempo para fazê-lo. Nem é uma rede neural por si só um sistema comercial. O desenvolvimento adequado do sistema ainda requer o esforço humano usual, incluindo: Selecionando a melhor informação Criando e testando indicadores Interpretando os resultados Decidindo se deve ou não colocar um comércio Decidir quanto investir (gerenciamento de dinheiro) Detalhes sobre questões e considerações ao começar são fornecidos Neste relatório. Apresentado a nós por William Arnold, um autor contribuindo para o Jornal de Tecnologias Inteligentes. Por fim, surgem dúvidas quanto ao quanto um profissional deve confiar num modelo NN. Será difícil confiar em sua decisão de computadores para comprar quando o medo em sua mente grita quotSell Sell NOWquot No entanto, em conferência após conferência ouvimos os usuários comentando que eles teriam feito mais dinheiro se eles não tinham tentado outsmart e vetar suas decisões de sistemas . Afinal, todo o propósito de construir um sistema artificialmente inteligente é evitar os mesmos negócios que a multidão, que em média, perde dinheiro no mercado. ALGUMAS HISTÓRIAS DE SUCESSO Sim, muitos. Uma empresa de gestão de dinheiro trabalhou intensamente com redes neurais desde 1988. Eles usam 3000 redes neurais, uma para cada ação que comercializam. Eles usam redes neurais e algoritmos genéticos para prever separadamente o comportamento de ações individuais. Embora as recomendações de ambos os citados reduzam substancialmente a sua seleção, são refinadas com o auxílio da análise de portfólio, numa tentativa de limitar a superexposição a qualquer estoque ou setor. Sua pesquisa valeu a pena bem como eles foram, em um ponto, a gestão de meio bilhão de dólares. Outras instituições que implementaram sistemas operacionais de previsão neural incluem Citibank, Nikko Securities, Morgan Stanley, Banco Dai-ichi Kanyo, Nomura Securities, Bear Stern e Shearson Lehman Hutton. A Advanced Investment Technologies (AIT), em Clearwater, Flórida, tem um dos maiores registros de trilhas usando redes neurais. Aqui estão alguns artigos sobre a rede neural para aplicações financeiras que você provavelmente pode encontrar em uma biblioteca: QuotGoing Fishing With A Neural Network, Futures Magazine, Setembro de 1992 quotForecasting taxas de T-Bill com uma rede Neural, quot Análise Técnica de ações e commodities, maio 1995 QuotUsing Neural Nets para Intermarket Analysisquot, Análise Técnica de Stocks amp Commodities, Nov. 1992 QuotDeveloping Neural Network Previsores Para Tradersquot, Technical Analysis of Stocks amp Commodities, abril de 1992 Uma Abordagem de Rede Neural para Previsão de Distress Financeiro, Journal of Business Forecasting, v10, 4. quotForecasting com Redes Neurais: Uma Aplicação Usando Dados de Falências, Informações e Gestão, 1993, pp 159-167. QuotForecasting SampP e Gold Futures Preços: Uma Aplicação de Redes Neurais, J. of Futures Markets, 1993, pp 631-643. QuotasNeurais e estoques: treinamento de um sistema preditivo, PC AI, 1993, pp 45-47. Usando Redes Neurais Artificiais para Escolher Stocksquot, Financial Analysts Journal, 1993, pp 21-27. QuotAnalysis of Small-Business Financial Statements Usando Neural Netsquot, Jornal de Auditoria e Finanças, 1995, pp 147-172. QuotForecasting Falências Usando uma Rede Neural, QuotPublicidade de Negócios de Redes de Computação Trimestral, Primavera de 1995 Por que eles podem trabalhar tão bem. Em contraste com modelos de regressão linear padrão, NNs executar regressão não linear Modelagem, que é ordens de magnitude mais flexível e poderosa. Quando um usuário decide com sabedoria sobre uma tarefa NNs e alimenta-lo dados de mercado necessários para executar essa tarefa, o modelo tem potencial para executar bem porque ele. É inerentemente não-linear e pode quottrain melhor do que modelos lineares neste ambiente. Pode aprender a ver melhor do que os seres humanos as várias relações entre um grande número de indicadores. É desapaixonado e consistente NNs saber nem medo nem ganância. Podem ser automaticamente reciclados repetidamente para acomodar novos comportamentos nos mercados. ERROS COMUNS feitos por NOVICESMaking dinheiro com tecnologia sofisticada é uma espada de dois gumes. Sem uma cuidadosa preparação de dados, você pode facilmente produzir lixo inútil. O primeiro erro cometido por noviços usando redes neurais, é que eles não conseguem procurar os dados mais relevantes. Alguns indicadores de alto nível oferecerão melhores resultados do que algumas centenas de irrelevantes. O segundo erro comum é pensar que a alimentação de uma rede neural 100 indicadores fornecerá melhores resultados do que alimentá-lo apenas dez. Mas um grande número de insumos requer um modelo grande que é difícil de treinar e manter. Reduzir os dados para a sua forma mais compacta (e, assim, reduzir o modelo NN para a sua forma mais compacta) melhora as chances de sucesso. Duas formas críticas de compactação de dados são a amostragem histórica escassa (compressão temporal) ea redução da redundância (compressão espacial). Muitos indicadores de mercado são redundantes porque refletem as mesmas forças de mercado no trabalho, portanto a eliminação de redundância é puramente vantajosa. Quanto à amostragem histórica escassa, é importante encontrar valores representativos para pontos passados ​​no tempo, mas feitos de tal forma para não deixar que padrões de preços importantes sejam omitidos. Juriks WAV realiza escassa amostra histórica (compressão temporal). Juriks DDR realiza redundância redução (compressão espacial). Aqui está um bom tutorial sobre redes neurais. É um filme interativo do Macromedia Flash. Selecionar tópico do menu ao longo da parte superior da tela do filme. Existem valores de velocidade em 0, 1ª e 2ª barras para JFatl no display digital do lado direito extern int Ruído 8 // Valor da alteração do preço que pode ser considerado como um Noise extern int Comprimento 3 // Valor de suavização JFatl extern int Fase 100 // -100. 100 changng valor, afetando a qualidade do processo JFatl Como eu entendo que você instalou algo a partir deste segmento que já foi traduzido muitas vezes (no mesmo este segmento) - é alguns indicadores Jurik MT4 definido. Tente usar a versão em inglês desta ferramenta (foi publicada no tópico).