Demarca sistema de negociação sequencial

Thomas DeMark's Sequential (TD SEQUENTIAL) usando inteligência artificial.
1. Introdução.
Os sistemas de inteligência artificial se espalharam pelas atividades diárias do homem. Os comerciantes estavam entre os primeiros a adotá-los. Vamos discutir como um sistema de inteligência artificial baseado em redes neurais pode ser usado na negociação.
Primeiro, vamos resolver que uma rede neural não pode trocar por conta própria. Ou seja, se existe uma rede neural, pode ser fornecido com uma quantidade indefinida de dados de preços, indicadores e outras iguarias - nenhum resultado final será obtido, então esta idéia pode ser descartada imediatamente. Uma rede neural só pode estar ao lado de uma estratégia, "atendê-lo": auxiliar na tomada de decisões, na filtragem, na previsão. Uma rede neural que representa uma estratégia completa é um absurdo (pelo menos eu pessoalmente nunca vi nenhum).
Neste artigo, vou lhe dizer como negociar com êxito ao fundir uma estratégia bem conhecida e uma rede neural. Será sobre a estratégia Sequential de Thomas DeMark com o uso de um sistema de inteligência artificial. Seqüencial é bem descrito por DeMark no livro "A Nova Ciência da Análise Técnica", que será útil para leitura para qualquer comerciante. Você pode encontrar mais detalhes sobre o livro aqui.
Primeiro, algumas palavras sobre a estratégia. Seqüencial é uma estratégia de contra-tendência. Os sinais que aparecem nele não dependem um do outro. Em outras palavras, os sinais de compra e venda podem ser recebidos em uma linha, o que complica muito o uso de Sequential. Como qualquer outra estratégia, ela gera sinais falsos, o que procuraremos. O princípio da geração de sinais com base em Sequential é bem descrito pelo próprio autor. Sua interpretação será modificada um pouco aqui. Somente a primeira parte da estratégia será aplicada, usando os sinais de Configuração e Intersecção. Eles foram escolhidos por dois motivos: em primeiro lugar, esses sinais estão localizados nas partes superiores e no fundo; Em segundo lugar, eles ocorrem muito mais freqüentemente do que Countdown e Entry.
Observe: uma inteligência artificial pode ser incorporada em absolutamente qualquer estratégia de negociação, mesmo o cruzamento de MA convencional. Em ambos os casos, o momento para tomar uma decisão será o mais importante em qualquer estratégia. O objetivo é que analisar cada barra é uma utopia. Portanto, é necessário determinar os momentos, as barras para analisar a situação do mercado. É exatamente para isso que se trata de uma estratégia de negociação. Novamente, os métodos de análise podem ser absolutamente arbitrários, desde o cruzamento do MA até as formações fracturas, desde que seja recebido um sinal. No caso de Sequential, estamos interessados ​​em uma janela de pontos verdes, durante a qual a situação do mercado deve ser identificada e a validade de um sinal deve ser determinada.
Fig. 1. O indicador TDSEQUENTA by nikelodeon. mql5.
Vamos analisar a figura que mostra o funcionamento da estratégia de negociação sequencial sem uma rede neural. Na figura, você pode ver a aparência de pontos verdes. Uma versão adaptativa da estratégia é mostrada aqui - não usando um número específico de barras (por exemplo, 9 barras consecutivas), mas sim enquanto uma condição é atendida. Assim que a condição da estratégia não for mais cumprida, aparece um sinal. Assim, cada sinal aparece após o seu próprio número de pontos, dependendo da situação atual do mercado. É aqui que o Seqüencial se adapta ao mercado. Este efeito fornece a capacidade de analisar a janela que consiste em pontos verdes. Esta janela tem uma duração diferente para cada sinal. Isso dá uma certa vantagem ao usar uma AI. O seguinte esquema de cores foi selecionado: um ponto azul após pontos verdes indica um sinal de compra, sinal vermelho de venda de pontos.
Pode-se ver que o primeiro sinal de venda (ponto vermelho) revelou-se falso, porque o sinal que o seguiu foi maior. Ao trabalhar de sinal para sinal, entrar no mercado usando este ponto vermelho certamente resultaria em perder dinheiro. O primeiro ponto azul também foi enganador: comprar a esse preço traria uma redução significante. Como separar os sinais em falso e válido? Esta tarefa pode ser resolvida pela inteligência artificial, ou seja, uma rede neural (NN).
2. Contexto do mercado.
Um sistema comercial funcionou perfeitamente antes de ontem. Ontem, maltratou mal. Hoje, tudo é tolerável novamente. Soa familiar? Claro, todo comerciante enfrenta o fato de que a qualidade do sistema comercial varia de um dia para o outro. O problema não é com o próprio sistema. É culpado o chamado contexto do dia de negociação. É formado com base na alteração anterior no volume negociado, juros abertos e flutuações de preços. Simplificando, o fundo de negociação é determinado precisamente por esses dados, que são diferentes no final de cada dia. Isso nos leva a uma recomendação importante: otimize seus robôs nos dias que têm condições similares aos dias em que é suposto negociar. A tarefa mais difícil ao otimizar o NN é garantir que a amostra de treinamento não inclua os padrões que serão formados durante o dia atual. O contexto diário é uma dessas inclusões.
Consideremos o seguinte exemplo. Hoje, o volume comercial e o interesse aberto caiu, enquanto as taxas aumentaram. Aparentemente, o mercado está a enfraquecer, e uma inversão descendente é de se esperar. Ao treinar o NN usando SOMENTE os dias que têm volume decrescente e interesse aberto com um aumento simultâneo nas taxas, há uma maior probabilidade de fornecer as entradas do NN com os padrões que têm maior chance de ocorrer ao longo do dia. Isso terá o NN treinado em termos do contexto do mercado. O mercado é mais propenso a reagir do mesmo modo que fez no dia com parâmetros semelhantes. É fácil calcular que existem apenas nove variantes do volume, preço e combinações de interesse aberto. Ao treinar a rede para cada contexto separadamente, todo o mercado será coberto. Nove modelos treinados funcionam durante duas semanas, em média, e em alguns casos mais longos.
É muito fácil organizar o trabalho no contexto diário com a ajuda do indicador eVOLution-dvoid.1.3 (1). Este indicador basicamente lê os dados do arquivo dvoid-BP. csv localizado no diretório. \ Files \ evolution-dvoid \. Pode-se ver que as cotações da libra britânica em relação ao dólar norte-americano são usadas aqui. Para exibir corretamente os dados e poder usá-los posteriormente exatamente no contexto do dia, é necessário visitar o site da Bolsa de Valores de Chicago todas as manhãs às 7:30 hora da Moscou. Faça o download de um boletim diário (número 27 para a libra esterlina), que indica o volume e o interesse aberto no final do dia anterior. Esses dados devem ser adicionados ao "dvoid-BP. csv" todos os dias antes do início da negociação. Durante o dia, o indicador exibirá as mudanças no volume comparado ao valor anterior. Ou seja, não é necessário o valor real do volume do mercado, mas sua mudança. O mesmo vale para o interesse aberto: seu movimento relativo é importante.
3. Abordagem para organizar o modelo.
Para aumentar a amostra de treinamento e fornecer o nível adequado de generalização, é necessário introduzir uma condição importante. Os sinais serão separados em válidos e falsos separadamente para compra e venda. Desta forma, os recursos do próprio NN não serão desperdiçados na classificação dos sinais. Vamos separar esses sinais com antecedência e construir dois modelos: um será responsável pelos sinais de compra e o outro pelos sinais de venda. Este truque simples duplica o tamanho da amostra de treino. Conhecimento conhecido: quanto maior a amostra de treinamento e maior seu nível de generalização, quanto mais o modelo permanecerá adequado ao mercado.
Vamos apresentar o conceito de intervalo de confiança: o intervalo em que o modelo é confiável e considerado adequado para uso. Suponha que o intervalo de confiança para um modelo calculado compreende 1/3 do intervalo de treinamento. Ou seja, depois de treinar o modelo em 30 sinais, assumimos que o seu período de operação adequado será de 10 sinais. No entanto, não é incomum um modelo durar três vezes mais do que o intervalo de treinamento.
É notado (e bastante natural) que, quando o intervalo de treinamento aumenta, a capacidade generalizadora do modelo diminui. Isso confirma a teoria de que o Santo Graal não existe. Se pudéssemos treinar um NN em toda a história do mercado com 100% de generalização, obteríamos um modelo ideal capaz de trabalhar indefinidamente. Infelizmente, a prática mostra que esta é uma utopia. Mas construir um bom modelo de longo prazo ainda é possível. O segredo reside nos dados transmitidos à rede como entrada. Se eles refletem a essência da variável de saída e são a causa disso, então, construir um modelo não terá problemas.
Por sinal, sobre a variável de saída. É tão difícil escolher como encontrar os dados de entrada para a construção de uma rede. Ao analisar os dados históricos dos sinais, é possível determinar com precisão quais deles eram válidos e quais eram falsos. Como regra geral, ao construir a variável de saída, cada sinal é interpretado de forma inequívoca, tornando a saída da rede ideal. Ou seja, a saída não contém um único erro, e isso faz com que o NN se esforce para as mesmas saídas ideais na aprendizagem. Naturalmente, a obtenção de um modelo com um nível de generalização de 100% em um longo intervalo é praticamente impossível. Afinal, é improvável que existam dados que interpretem os sinais da variável de saída sem erros suficientemente longos. Além disso, se tais dados estiverem presentes, o uso de uma rede neural torna-se completamente desnecessário.
Devido a isso, a variável de saída deve ser formada com pequenos erros, onde pequenas perdas de sinais são cobertas por lucros significativos. Isso resulta em uma variável de saída que não é ideal, mas tem o potencial de aumentar o depósito. Em outras palavras, os erros causam perdas insignificantes, que são mais do que cobertas por outros sinais lucrativos. Isso permite obter um modelo com alto nível de generalização para a variável de saída. Neste caso, é muito importante que o grau de erro desse modelo seja conhecido. Portanto, a confiança no sinal terá essa correção.
E, finalmente, o aspecto mais importante ao construir modelos é escolher um significado para a variável de saída. Naturalmente, o lucro vem à mente em primeiro lugar. Os sinais rentáveis ​​no passado serão denotados como 1 e perderão como 0. No entanto, existem muitas outras variáveis ​​semânticas para o produto, que fornecerão informações valiosas adicionais sobre o mercado. Por exemplo: haverá uma reversão após um sinal, um certo lucro será alcançado, a barra que segue o sinal será baixa ou alta? Portanto, uma variável de saída pode ter um significado de várias maneiras, enquanto usa os mesmos dados de entrada. Isso produz mais informações sobre o mercado e se vários modelos se confirmam, a probabilidade de lucro aumenta.
Muitas vezes, encontro comerciantes que tentam receber 100 ou mais sinais durante um longo intervalo. Então, eu não compartilho esse desejo. Na minha opinião, 10-15 sinais são suficientes para ganhar a vida, mas seu erro não deve exceder 20%. Isto é devido ao fato de que mesmo que dois sinais em dez dêem a perda máxima, ainda ficamos com oito corretos. Pelo menos dois deles gerarão lucros suficientes para cobrir as perdas.
Então, como fazer um modelo que funcionará o suficiente? Por exemplo, exigimos uma operação estável do sistema no M5 durante uma ou duas semanas - um bom resultado, se estiver trabalhando sem sobre otimização. Suponha que o principal indicador, o principal sistema de negociação (no nosso caso, o Seqüencial) gera uma média de 5 sinais por dia. Serão tomados 10 sinais para cada um dos nove modelos do contexto de mercado. Com isso, existem apenas cinco dias de negociação em uma semana. Isso significa que alguns modelos não funcionarão, enquanto alguns funcionam. A prática mostra que cada modelo é desencadeado não mais do que duas vezes por semana, e muito raramente - três vezes por semana. Isso indica que um NN generalizado funcionará ainda mais do que uma semana, considerando o intervalo de confiança por um período fora da amostra de 10 sinais.
4. Teoria das Redes Neurais.
Agora vamos avançar para a teoria das redes neurais. Você pode ter pensado que eu estaria te ensinando topologias, nomes e métodos de treinamento? Você está errado.
Discutiremos o seguinte. Existem duas direções no uso de redes neurais, que diferem em topologia. Um deles está prevendo, o outro está classificando.
Uma rede de previsão gera um valor futuro da variável de saída. Acredita-se que ele também gere o grau de direção das citações (para cima ou para baixo), além da direção em si. Por exemplo, a taxa atual de EUR é 1.0600, e as saídas de rede que ele elevará para 1.0700 em uma hora - a rede prevê estes +100 pontos. Por favor, note que não aprovo essa abordagem às redes neurais, porque o futuro não está definido. Pessoalmente, considero esse argumento filosófico suficiente para abandonar esse método de trabalho com NN. Claro, percebo que isso é apenas uma questão de gosto, e vale a pena mencionar que as redes de previsão funcionam muito bem.
No entanto, eu prefiro as redes de classificação. Eles dão a idéia do estado atual do mercado, e quanto mais precisamente for determinado, mais sucessivas serão as negociações. Em ambos os casos, receber uma resposta da rede nos faz tomar alguma ação. No primeiro caso, compramos 1.0600 e vendemos uma vez que o preço chega a 1.0700. No segundo caso, basta comprar e sair do comércio no próximo sinal, mas o nível de preço preciso não pode ser previsto.
Para revelar a essência desta abordagem, veja uma anedota histórica. Um dia, o campeão mundial de xadrez, Garry Kasparov, perguntou-se quantos avanços em um jogo que ele pensa ao planejar o próximo movimento. Todos pensavam que Kasparov diria uma grande figura. No entanto, o que o jogador de xadrez havia dito mostra que, longe de todo mundo, entende mesmo a essência do jogo: "O mais importante no xadrez não é a quantidade de etapas adiante que você pensa, mas o quão bem você analisa a situação atual". O mesmo se aplica ao mercado de câmbio: para entender a essência do jogo, não é necessário procurar várias barras à frente. É suficiente determinar o estado atual do mercado em um determinado momento e fazer o movimento certo.
Esta é a ideologia que eu prefiro mais, mas, novamente, é uma questão de gosto. Prever redes neurais também são bastante populares, não se pode negar o direito de existir.
5. Organização interna do sistema de inteligência artificial.
Juntamente com a existência de duas abordagens para a construção e uso de redes neurais (predição e classificação), este assunto inclui dois tipos de especialistas - desenvolvedores de sistemas de AI e seus usuários. Tenho certeza de que Stradivari tinha tocado seus violinos muito bem, embora ele não tivesse se tornado famoso como um grande virtuoso. O criador do instrumento certamente é capaz de usá-lo, mas nem sempre o mestre pode perceber plenamente o potencial do que ele criou. Infelizmente, não consegui entrar em contato com o autor do otimizador descrito aqui: ele não responde aos e-mails. No entanto, ele é conhecido por muitos regulares do fórum. O nome dele é Yury Reshetov.
Usei sua abordagem no trabalho e, como resultado da comunicação com ele, descobri a estrutura interna do otimizador, da qual eu gostaria de falar. Espero que o autor não se importe: o produto foi publicado em código aberto. Como usuário de sistemas AI, não preciso entender o código do programa, mas saber a estrutura interna do otimizador é necessária. Destaquei este produto principalmente porque o otimizador usa um método de treinamento diferente dos clássicos. O ponto fraco na formação de redes neurais é o excesso de treinamento. É praticamente impossível determinar se aconteceu e até que ponto. O otimizador da Reshetov usa uma abordagem diferente: uma rede não pode ser superada, só pode ser minimizada. Esta abordagem permite avaliar a qualidade da aprendizagem em rede como uma porcentagem. Existe um limite superior de 100%, ao qual aspiramos (é muito difícil alcançar esse resultado). Uma vez que obtenhamos uma rede treinada no nível de 80%, por exemplo, saberemos que a rede produz um erro em 20% dos casos e pode estar pronta para isso. Esta é uma das principais vantagens do método.
A operação do otimizador resulta em um arquivo com código. Contém duas redes, cada uma delas é uma equação não-linear. Cada uma das funções primeiro normaliza os dados, que são posteriormente alimentados à entrada da equação não-linear. Um "comitê" feito de duas redes foi implementado para aumentar a capacidade de generalização. Se ambos dizem "sim", o sinal é válido; se ambos dizem "não" - falso. Se os valores de duas redes forem diferentes, uma resposta "não segura" será recebida. Observe: não existe um estado "não seguro" no passado, porque sempre é possível categorizar o sinal em dados passados. Assim, aqui, "não tenho certeza" implica a possibilidade simultânea de sinais falsos e válidos. Isso dá uma transição de cálculos binários para quantum. Como uma analogia, considere um qubit: pode levar os valores 1 e 0. O mesmo com "não seguro": esta resposta pode ser tanto um quanto zero no histórico. Um pequeno truque escondido aqui será usado na negociação. Será discutido um pouco mais tarde.
Passemos à preparação de dados. Os próprios dados são representados como uma tabela do Excel. As colunas aqui são as entradas de rede. A última coluna é a variável de saída. De acordo com o seu significado, esta coluna contém aqueles e zeros. No nosso caso, um sinal que recebeu lucro é designado por 1 e aquele com perda é 0. As linhas desta tabela representam os dados armazenados quando o sinal aparece. Quando carregado no otimizador, esta tabela é dividida em duas amostras - treinamento e teste, com as duas redes treinando transversalmente. Mas o cálculo e a otimização são realizados com o comitê dessas redes. Assim, o treinamento de cada rede é realizado separadamente, mas com consideração do resultado geral.
No final da seção, enfatizo: o sistema AI usado ou o ambiente de programação não importa. Mesmo o perceptron mais primitivo pode ser treinado usando o método de propagação traseira do erro e não ser superado, graças a bons dados na entrada da rede. O componente essencial não é o sistema AI, mas a qualidade dos dados usados. Portanto, o otimizador normaliza os dados primeiro, e depois disso os dados são alimentados a uma equação não-linear convencional. E se os dados de entrada são o motivo da variável de saída, então esta equação simples com cerca de 20 coeficientes produzirá 10 sinais com um erro de 20% no futuro próximo. Constatou-se, repetidamente, que qualquer transformação de preços leva a um atraso. Portanto, qualquer indicador geralmente dá um atraso, o que afeta a operação de sistemas AI. As variáveis ​​de entrada e saída serão discutidas em detalhes no próximo artigo.
6. TD Sequential e NN.
Agora vamos seguir a aplicação prática da teoria descrita acima.
Analisaremos um intervalo com negociação ao vivo. A operação NN será demonstrada por setas azuis. Quando a flecha aponta para um ponto vermelho, isso significa que o sinal de venda é válido; Quando a flecha aponta, o sinal é falso. Se a flecha estiver faltando, ela indica a resposta "não segura". Os sinais de compra (ponto azul) são opostos: uma seta para cima significa um sinal válido, enquanto uma seta para baixo indica uma falsa.
Consideremos a operação do modelo durante o dia. À primeira vista, seria difícil ganhar dinheiro, mas, na verdade, esse não é o caso. O entendimento do princípio da separação vem ajudar. Por exemplo, existem dois sinais que são diferentes um do outro. De acordo com a AI, um deles é um sinal de venda falsa, que realmente ganhou lucro. Depois de receber o próximo sinal de venda "falso" da AI, é necessário verificar se ambos os sinais se referem à mesma área de separação, ou se eles são simplesmente os mesmos. Se assim for, para que o sinal leve ao lucro, é necessário orientar o indicador de modo que a seta fique alinhada com a direção do mercado, ou seja, em direção ao lucro do sinal.
Dê uma olhada na figura. O primeiro sinal de venda (ponto vermelho) acabou por não ser lucrativo. Mas quando a flecha é virada para baixo, torna-se rentável, já que o sinal de venda # 2 caiu na mesma área com o sinal # 1. Ao girar a flecha, o segundo sinal também se tornou rentável, o que poderia ser negociado. Agora considere um sinal de compra. Como pode ser visto, neste caso, o AI cometeu um erro novamente, assumindo que um sinal rentável seja falso. Só resta resolver a situação e inverter a seta do sinal de compra # 3. Como resultado, o sinal # 4 começou a indicar a direção correta. Mas o sinal # 5 entrou em outra área, diferente do sinal anterior, e levou a uma inversão do mercado em geral.
Em outras palavras, obtivemos um anti-modelo constantemente perdedor, revertei e obteve um modelo lucrativo! Eu chamo esse método de orientação do modelo. Em regra, é realizado durante um sinal. Basta esperar por um sinal de compra e um sinal de venda para aparecer no início do dia, orientá-los e usá-los para o trabalho. Desta forma, pelo menos 3-4 sinais são obtidos em um dia. O ponto não é verificar os sinais passados ​​e seu desempenho. Em vez disso, é necessário comparar dois últimos sinais entre si, verificar se eles pertencem a um grupo ou não, e ver quais ações devem ser tomadas, se o resultado do sinal anterior for conhecido. Ao mesmo tempo, não esqueça que a rede neural pode produzir um erro.
Fig. 2. Indicadores CompreVOLDOWNOPNDOWN. mq5 e SellVOLDOWNOPNDOWN. mq5.
Fig. 3. Indicadores orientados CompreVOLDOWNOPNDOWN. mq5 e SellVOLDOWNOPNDOWN. mq5.
As duas figuras a seguir mostram o funcionamento da rede durante 4 dias. Note-se que apenas o segundo sinal é usado em operação. Todos os sinais que receberam lucro são marcados com uma linha verde, os que estão com uma perda são vermelhos. A primeira figura demonstra uma operação pura da rede, a segunda mostra a operação orientada de acordo com o primeiro sinal do dia. O primeiro definitivamente não é impressionante. Mas se você olhar para a segunda figura e começar a processar negócios a partir do segundo sinal de cada dia, com o sistema de negociação orientado, a imagem se torna muito mais bonita. Não se esqueça de que a técnica de reversão deve ser aplicada com cautela.
Fig. 4. Indicadores de acordo com o nome para cada dia, não orientados na direção certa.
Fig. 5. Indicadores para cada dia, orientados de acordo com o primeiro sinal do dia (comprar e vender separadamente)
Nesta forma, os modelos já não se parecem com uma falha, mas bastante capazes. Uma vez que eles não esgotaram seu recurso de intervalo de confiança, eles provavelmente serão válidos por mais alguns dias.
A essência da classificação é que um espaço de dados multidimensional é dividido por uma linha universal, que classifica sinais em grupos "válidos" e "falsos". Os sinais "válidos" estão acima de zero, enquanto os "falsos" estão abaixo. O principal aqui é a estabilidade na separação de alguns sinais dos outros. Um conceito de orientação TS é introduzido. É importante determinar quando a rede começa a perder de forma constante, gerando sinais invertidos. Como regra, neste caso, o primeiro sinal do dia é o guia. Esse sinal pode ser negociado, mas com extrema cautela, com base em outros fatores de análise. Meu conselho: para garantir que a rede não esteja desalinhada, tente fazer com que o número de zeros e os da variável de saída sejam iguais. Para equalização, remova livremente os zeros excessivos e os da amostra de treinamento, a partir dos sinais mais distantes.
O processo exato de divisão não importa, desde que seja estável. Voltemos ao nosso exemplo: na Figura 2, antes da reorientação, recebemos dois erros seguidos e aproveitamos a situação. Como você pode ver, quando Sequential é executado no M15, de 2 a 5 sinais podem ser obtidos durante o dia. E se dois sinais de compra, por exemplo, caírem em classes diferentes (um é válido, o outro é falso), então saber o resultado do primeiro sinal facilita a determinação do que o sinal atual será - falso ou válido. No entanto, o método de orientação deve ser aplicado com cuidado. A rede pode gerar um erro e continuar a funcionar corretamente. Em qualquer caso, tudo vem com experiência, tanto as reações mecânicas como a intuição para padrões. A sustentabilidade do modelo obtido está planejada para uma consideração mais detalhada em artigos subseqüentes, pois este tópico tem muitas nuances.
Nota: os arquivos anexados referem-se aos números vistos acima. Você pode baixá-los e testá-los na data especificada. O sistema de negociação não é sensível às citações, embora tenha havido casos em que Sequential não gerou um sinal em outro corretor, porque as citações nos momentos-chave eram diferentes. Mas esses casos são raros, e os dados de entrada devem ser os mesmos para todos, uma vez que são providos da mesma fonte e não estão sujeitos a alterações. Ao mesmo tempo, não há garantia de que você poderá obter os mesmos resultados no mesmo período de tempo quando você executar os arquivos baixados em seu computador. Mas você deve poder usar os modelos para separar os sinais atual e anterior.
Em conclusão, considere uma outra questão acima mencionada. O que fazer, quando a rede gera um sinal "não seguro" e o que isso significa? Eu repito: a história não tem lugar para tal conceito como "não tenho certeza". Isso apenas indica que a amostra de treinamento não continha um padrão similar, e as opiniões de duas redes em uma comissão sobre esta questão foram divididas. "Não tenho certeza" implica que o sinal obtido pode ser válido ou falso. É bem possível que o uso de um segmento maior da história permita que o padrão necessário seja encontrado e a rede possa identificá-lo. Mas a profundidade do treinamento é pequena - cerca de 30 sinais, o que corresponde a aproximadamente 8 a 10 dias. Naturalmente, nos encontramos periodicamente com sinais e modelos desconhecidos, que não estavam presentes durante o treinamento. De acordo com minhas observações, quanto mais tempo um modelo funciona, mais freqüentemente dá a resposta "não segura". Isso se encaixa bem com a teoria do "mercado vivo", onde o passado não se refere ao futuro. Os padrões recentes podem ser repetidos iminentemente ou apenas no futuro distante. A essência do mercado é tal que o significado de um bar diminui gradualmente depois que ele é fechado à medida que ele se aprofunda na história. Esta é uma regra geral para qualquer informação: quanto mais velho for, menor será a sua importância.
Existem duas maneiras de classificar o estado "não seguro". Dê uma olhada na figura a seguir. Há sinais com flechas desaparecidas e o notório "não seguro" - as duas redes na comissão os interpretaram de forma diferente. Esses sinais são indicados como 1 e 2 na figura. E para que o primeiro sinal seja lucrativo, ele deve ser falso.
Fig. 6. Método de organização da orientação do sinal de acordo com o contexto diário.
Existem duas maneiras de reclassificar o estado "não seguro". O primeiro método é muito simples (ver Fig. 7). Determinamos que o estado "não seguro" tornou-se falso para a primeira venda. Ou seja, o sinal de venda "não seguro" é considerado falso. O sinal # 2 também é considerado falso, assumindo para continuar comprando. Na verdade, a rede cometeu um erro, mas na prática esse erro pode ser anulado ao entrar no mercado a um preço melhor. Portanto, a aparência de uma flecha para cima não fará muito mal, embora na verdade o sinal acabe por ser negativo. O sinal de compra "não seguro" (ponto azul) também é considerado falso, porque a última vez que o sinal de compra não foi "faltado" foi falso. Este método é muito antigo, mas a experiência mostra que ele funciona bem.
Fig. 7. Reclassificação do sinal "Não seguro", quando é considerado uma classe alternativa.
O segundo método da classificação de estado "não segura" requer a organização interna do otimizador e a usa como base. Então, o estado "não seguro" aparece quando uma rede no comitê mostra 1, enquanto a outra mostra 0. A essência do método é selecionar as redes do comitê, que mostra a resposta correta. Voltemos ao nosso exemplo. O sinal # 1 acabou por ser falso, quando a rede A estava acima de zero e a rede B estava abaixo. Portanto, se a rede B estiver acima de zero e a rede A for menor, esse estado "não seguro" é válido. Quanto aos sinais de compra, tudo é o contrário: o sinal anterior (não presente na figura) foi falso quando a resposta da rede A foi negativa e a da rede B foi positiva. No sinal de compra atual, a situação é oposta, então nós assumimos que esse sinal é válido, e é recomendável comprar um comércio.
Fig. 8. Reclassificação do sinal "Não seguro" de acordo com os valores de cada uma das redes de comitês.
Pessoalmente, eu prefiro o primeiro método de classificação para o estado "não seguro", e tem uma explicação bastante lógica. Ao usar um comitê de duas redes, recebemos três aulas: "Sim", "Não" e "Não tenho certeza". Os dados são distribuídos para esses três grupos. O importante não é que tenhamos três grupos, mas que eles são fundamentalmente diferentes. Depois de obter o sinal "não seguro" e depois descobrir sua direção, acredita-se que os sinais subseqüentes neste grupo tenham a mesma direção. A experiência atual mostra que esse método é mais confiável que o segundo.
Previsão de mercados financeiros é difícil: eles são um organismo vivo e imprevisível, onde pessoas reais trabalham. Durante o dia, a situação do mercado pode mudar tão drasticamente que ninguém assumiria que - nem os fabricantes de mercado, nem os principais jogadores, muito menos nós. O caráter de tais mudanças consiste em dois componentes. O primeiro é o contexto do mercado, que foi discutido. O segundo motivo é a atividade de compradores e vendedores em tempo real, aqui e agora. Portanto, a principal coisa na negociação é orientar no tempo e estar em alerta alto!
Usar um AI não é uma panacéia, nem o Santo Graal. Claro, quando você troca com o uso de redes neurais, definitivamente vale a pena ouvir o que a inteligência artificial tem a dizer. No entanto, use sua cabeça ao fazer negócios. Uma vez recebido um sinal da AI, é necessário aguardar a confirmação, selecionar o nível correto, avaliar a probabilidade de reversão, etc. Isso é o que eu queria discutir no terceiro artigo, que seria dedicado às peculiaridades práticas de negociação com base na estratégia Seqüencial com o uso de redes neurais.
7. Conclusão.
Mais uma vez, quero enfatizar que este artigo é de natureza puramente metodológica. Todos os métodos descritos podem ser usados ​​em seus sistemas de negociação e, espero, as sugestões encontrarão seu uso.
Estou certo de que haverá tanto apoiantes quanto adversários do método descrito. Se você lê estas linhas, então você tem pelo menos algum interesse. I would highly appreciate your opinion on what you disagree with, especially if you have a constructive solution, refinement or modification. In other words, criticize constructively! The sustainability of this approach can be proven by constructing an artificial intelligence system in conjunction with me. I would be glad to work on this project alongside a professional programmer, and I invite you to cooperate.
The code of TD Sequential is provided at the end of the article, as well as the indicators that filter or classify the buy and sell signals with consideration of the daily context and orientation at the beginning of trading. Please note that the indicators have been rewritten from MQL4 and do not provide the full functionality to completely reproduce everything that is shown in the article. The reason is that the input data for the NN require a set of indicators of the ClusterDelta project, which are available only for paid subscription.
I am willing to provide a prepared file for the indicators' operation to all interested. It would be intriguing to rewrite all the required indicators to MQL5 in order to completely reproduce the operation algorithm. My task here was to show how an open source code for creating and training neural networks can be used in the famous DeMark's strategy. I will be glad to see your comments and answer your questions.
Programs used in the article:
Traduzido do russo pela MetaQuotes Software Corp.

Demark's sequential trading system

Thomas DeMark's Approach - Part V - Sequential Mechanical Trading System.
Sequential - Demark's mechanical trading system.
Any signal on this trading tactic begins with the formation of setup to buy or sell.
It is assumed that the setup to buy (sell) is formed, if for at least nine consecutive bars closing prices were lower (higher) than the closing price four bars before for each bar of the sequence.
In the setup there must be at least nine bars.
Intersection is the process of determining the truth of the setup.
For the setup to buy (sell) the intersection occurs when the high (low) price of the eighth or ninth bar will be higher (lower) or equal to the low (high) price of third, fourth, fifths, sixth or seventh bar.
If the intersection at the eighth or ninth bar did not happen, the next phase of the "countdown" is postponed until the moment when the intersection does take place. That is, one should wait for the next bar, at which the intersection of the corresponding bars happens.
Setup is canceled in two cases: Loop (discussed below); If one of the subsequent closing prices will be higher than the highest price in the buy setup or lower the lowest price in the sell setup.
Countdown and the opening position in the sequent - Demark's mechanical trading system.
When the setup intersection is happened (but not before the ninth bar of the setup), begins the process of countdown.
For sell (buy) setups countdown reflects the ratio between the closing price and the high (low) price of two bars ago. The closing price must be higher (lower) than highest (lowest) price of two bars ago. As soon as the recorded 13 such prices (not necessarily consecutive), signal occurs.
Countdown phase cannot be completed earlier than 12 bars after the setup (it is assumed that the ninth bar also includes a phase reference), but usually there are 15 to 30 bars between the setup and countdown completion.
Countdown and the setup are cancelled in two cases: Opposite direction setup has been formed There is a "loop", i. e., a new setup in the same direction.
Entering the market (Entry)
There are three ways to open a position: at the closing price of the bar, which completed the countdown. This is the most risky way, since a loop can happen. after a "flip": in buy (sell) case, the closing price must be higher (lower) the closing price four bars ago; after 2-bar "jump": in buy (sell) case, the closing price must be higher (lower) than the maximum (minimum) price two bars ago.
The third way is a compromise between the first and second.
Sequential: closing the position.
To determine the Stop Loss levels the author used the true price range of the day with the lowest minimum (highest maximum) for the entire period of setup and countdown formation for the buy (sell) signal.
There are two methods of exit by Stop Loss: The true range is calculated as follows: a bar's low price is subtracted from the bar's high price or from the closing price of the previous bar, if the latter is higher. In the case of a signal to buy (sell) Stop Loss level is determined by subtracting (adding) the obtained value from the low (high) price of the bar. More conservative is the second method. Bar for the calculation of Stop Loss is chosen the same way. However, when buying a Stop Loss level is determined by subtracting difference between the closing price and the low price from the low price, in sell case the Stop Loss is determined by adding difference between the high price and closing price to the high price.
Since the trader entering the market, expects to receive profit, it is important to determine the target profit levels in the case of a favorable price movement.
There are two ways to exit the market at a profit: a new setup formation is completed and price fails to reach the extreme price level recorded during the formation of the nearest non-active setup There is a trend reverse signal.
Sequential is successfully used not only on the daily charts, but the author is advised to apply it only at this time interval.
Copyright © 2008-2017 Market In & amp; Out. Todos os direitos reservados.

R & amp; D Blog.
I. Indicador de negociação.
Desenvolvedor: Thomas DeMark: TD Sequential. Conceito: reversão da tendência usando pontos de exaustão. Fonte: (i) DeMark, T. R. (1994). A Nova Ciência da Análise Técnica. Nova Jersey: John Wiley & amp; Sons, Inc .; (ii) Kaufman, P. J. (2005). Novos sistemas de negociação e métodos. Nova Jersey: John Wiley & amp; Sons, Inc. Objetivo da pesquisa: verificação do desempenho do padrão TD Sequential ™ com o tempo sai apenas (TD Sequential ™ é uma marca registrada da Market Studies, LLC). Especificação: Tabela 1. Resultados: Figura 1-2. Configuração de comércio: existem etapas de árvore explicadas na Tabela 1 (Configuração, Intersecção e Contagem regressiva). Entrada comercial: Existem três métodos de entrada explicados na Tabela 1. Aplicamos o 2º método. Long Trades: Insira o fechar se Fechar [i] & gt; Fechar [i - 4]; Operações curtas: insira o fechar se Fechar [i] & lt; Feche [i - 4]. Índice: i.
Barra atual. Trade Exit: Tabela 1. Carteira: 42 mercados de futuros de quatro principais setores de mercado (commodities, moedas, taxas de juros e índices de participação). Dados: 33 anos desde 1980. Plataforma de teste: MATLAB®.
II. Teste de sensibilidade.
Todos os gráficos 3-D são seguidos por gráficos de contorno bidimensionais para Fator de lucro, Ratio de Sharpe, Índice de Desempenho de Úlcera, CAGR, Drawdown Máximo, Percentagem de Negociações Rentáveis ​​e Média. Win / Avg. Rácio de perda. A imagem final mostra a sensibilidade da Equity Curve.
Variáveis ​​Testadas: Countdown_Length & amp; Time_Index (Definições: Tabela 1):
Figura 1 | Desempenho do portfólio (Entradas: Tabela 1, Comissão e Slippage: $ 0).
Negócios longos: pelo menos 9 fechamentos consecutivos são inferiores aos fechamentos correspondentes 4 dias de negociação anteriores (Close [i] & lt; Close [i-4]; Índice: i.
Barra atual). No caso em que o fechamento de hoje seja igual ou maior que o fechamento de 4 dias de negociação antes, a configuração deve começar novamente.
Negociações curtas: pelo menos 9 fechamentos consecutivos são maiores do que os fechamentos correspondentes 4 dias de negociação anteriores (Close [i] & gt; Close [i - 4]; Índice: i.
Barra atual). No caso em que o fechamento de hoje seja igual ou menor do que o fechamento de 4 dias de negociação antes, a configuração deve começar novamente.
Nota: Cada dia em um período de retrocesso é um dia de negociação.
TD Seqüencial: Intersecção.
Negócios longos: o máximo de qualquer dia após o 8º dia da configuração é maior ou igual ao menor de qualquer dia 3 ou mais dias antes. Esta regra assegura que os preços estão em declínio de forma ordenada.
Negociações curtas: o mínimo de qualquer dia após o 8º dia da instalação é inferior ou igual ao máximo de qualquer dia 3 ou mais dias antes. Esta regra garante que os preços estão a avançar de forma ordenada.
Operações Longas: uma vez que a configuração e a interseção estão satisfeitas, contamos o número de dias em que o fechamento é menor do que os 2 dias mais baixos (Close [i] & lt; Low [i-2]; Índice: i.
Barra atual). Os dias que satisfazem este requisito não precisam estar seguidos. Quando a contagem decrescente atinge 13, a contagem regressiva é concluída e nós recebemos um sinal de compra, a menos que uma das seguintes condições ocorra: (a) Uma nova configuração é formada simultaneamente à medida que o processo de contagem regressiva está ocorrendo; (b) Há um fechamento que excede o alto intradiário mais alto que ocorreu durante a fase de configuração.
Operações curtas: uma vez que a configuração e a interseção estão satisfeitas, contamos o número de dias em que o fechamento é maior do que o alto 2 dias antes (Close [i] & gt; High [i-2]; Índice: i.
Barra atual). Os dias que satisfazem este requisito não precisam estar seguidos. Quando a contagem decrescente atinge 13, a contagem regressiva é concluída e obtemos um sinal de venda a menos que uma das seguintes condições ocorra: (a) Uma nova configuração é formada simultaneamente à medida que o processo de contagem regressiva está ocorrendo; (b) Há um fechamento que excede o mínimo intradiário mais baixo que ocorreu durante o estágio de instalação.
Countdown_Length = [5, 25], Step = 1;
Barra atual. Neste teste aplicamos o 2º método.
Time_Index = [1, 40], Passo = 1.
ATR_Stop = 6 (ATR.
Faixa verdadeira média
Tabela 1 | Especificação: Indicador de negociação.
III. Teste de sensibilidade com a Comissão & amp; Slippage.
Variáveis ​​Testadas: Countdown_Length & amp; Time_Index (Definições: Tabela 1):
Figura 2 | Desempenho do portfólio (Entradas: Tabela 1, Comissão e Slippage: $ 100 Round Turn).
REGRA CFTC 4.41: RESULTADOS DE DESEMPENHO HIPOTÉTICOS OU SIMULADOS TÊM CERTAS LIMITAÇÕES. DESEJO UM REGISTRO DE DESEMPENHO REAL, OS RESULTADOS SIMULADOS NÃO REPRESENTAM A NEGOCIAÇÃO REAL. TAMBÉM, DESDE QUE OS NEGÓCIOS NÃO FORAM EXECUTADOS, OS RESULTADOS PODERÃO TER COMPRIMIDO COM COMPENSADO PARA O IMPACTO, SE QUALQUER, DE CERTOS FATORES DE MERCADO, COMO FALTA DE LIQUIDEZ. PROGRAMAS DE NEGOCIAÇÃO SIMULADOS EM GERAL SÃO TAMBÉM SUJEITOS AO FATO QUE ESTÃO DESIGNADOS COM O BENEFÍCIO DE HINDSIGHT. NENHUMA REPRESENTAÇÃO ESTÁ FAZENDO QUE QUALQUER CONTA VOCE OU POSSIBILIDADE DE ALCANÇAR LUCROS OU PERDAS SIMILARES ÀOS MOSTRADOS.
DIVULGAÇÃO DE RISCOS: GOVERNO DOS ESTADOS UNIDOS EXERCÍCIOS RENÚNCIA | REGRA CFTC 4.41.
Nós compartilhamos o que aprendemos.
Inscreva-se para receber notícias de pesquisa e ofertas exclusivas.

sequential trading system.
Tom de mark sequential monitor for nifty50 stocks.
Tom Demark's Sequential.
Need TD sequential formula or indicator for Metastock.
Thomas DeMark Sequential System.
High Volume stocks live on spreadsheet for Intraday trading.
Compartilhe esta página.
Por agentes de ações populares.
Rs 899 Unlimited Equity.
Rs 499 Unlimited Curr.
ou Rs 15 por Comércio.
Menor taxa de transação.
Chamada mais baixa e amp; Taxa de comércio.
Menor cargo de selo.
Operações gratuitas de entrega de capital.
Flat Rs 20 por comércio.
Investimento do Fundo Mútuo Direto.
Reembolso de corretagem de 100% se em 60 dias você obteve lucro líquido.
Iniciante, investidor experiente, comerciante ativo ou HNI. Obtenha soluções personalizadas.
Rs 0 taxa de abertura de conta na negociação on-line + Demat Acct.

Tom DeMark TD Seqüencial EA.
Tom DeMark TD Seqüencial EA.
Enter long or short at a fresh support or resistance signal with stop loss manually defined or at the support or resistance level.
Close the trade at the change of signal or we can use atr_stops for trailing stop.
This indicator can redraw or erase the fresh signal, that is why we are using a sl at the beginning.
On a clear trend this indicator can generate a series of support level or resistance level and we can use this to add more positions but at the change of the signal we must close all open positions.
I really hope that this strategy can generate early enough entry to generate a steady return.
Thank you very much for your work.
In this day on forex I hardly believe that can be made any money consistently with an EA that works with any kind of averages and do not involve large risk. So I am looking on indicators that do not rely on computing averages.
In this day on forex I hardly believe that can be made any money consistently with an EA that works with any kind of averages and do not involve large risk. So I am looking on indicators that do not rely on computing averages.
Another variant is to work with buy limit and sell limit at levels near the signal.
comment="EA"; magic=1234; moneymanagement="Money Management"; lots=1; lotsoptimized=true; risk=1; minlot=0.1; maxlot=10; lotdigits=1; ordersmanagement="Order Management"; oppositeclose=true; reversesignals=false; maxtrades=2; tradesperbar=1; autosl=false; hidesl=true; hidetp=true; stoploss=0; takeprofit=0; trailingonatr=false; trailingstart=0; trailingstop=0; trailingstep=0; breakevengain=0; breakeven=0; stoplevel=0; entrylogics="Entry Logics"; closewhendisappeared=true; length=10; atrperiod=5; kv=2.5; shift=1;
I have tested this on daily EPZ (SP500 Futures) as is cleaner than forex.
Copyright & copy; 2000 - 2017, Jelsoft Enterprises Ltd.