Rsx Trading System

O indicador RSI popular mede simultaneamente a velocidade e a qualidade da tendência. RSI dá um forte sinal quando uma tendência é rápida e limpa. No entanto, o RSI é um sinal nervoso, tornando a análise técnica muito difícil. 1. Jitter produz falsos desencadeantes de comércio 2. Jitter degrada a análise da direção da tendência do mercado 3. Jitter degrada análise de reversão do mercado Quer uma versão melhor do RSI. Sua busca acabou. Juriks RSX é muito superior. O gráfico compara o RSI clássico com Juriks RSX. As reversões podem ser mais óbvias com os sinais de limpeza RSX com RSXs mais precisos, você pode definir paradas mais apertadas e limiares mais significativos. Você também pode permitir que o RSX seja executado um pouco mais rápido, sem medo de degradação do ruído excessivo. Isso permite que você obtenha sinais de disparo anteriores. Paradas mais apertadas Limites mais precisos Sintomas de disparo anteriores Melhor análise de aceleração TAMBÉM PARA NEGOCIAÇÃO SUCEDIDA Não, as chaves para o sucesso não são nossos produtos, nem ninguém. Em vez disso, para ser um comerciante de sucesso que você precisa. Um sistema de negociação com expectativa rentável, princípios sólidos de gerenciamento de dinheiro, a força psicológica para negociar consistentemente e capitalização adequada. Contrariamente à crença popular, seu sistema comercial básico só precisa ser modestamente lucrativo. Um esquema de gerenciamento de dinheiro adequado projetado para controlar seu tamanho de quotbet pode expandir substancialmente esses lucros escassos. Além disso, uma vez que a natureza humana tende a obter lucros muito cedo e deixar as perdas correrem demais, você precisa estar familiarizado com o mercado e não ser emocionalmente apanhado e, em seguida, ter medo de seguir as recomendações dos seus sistemas comerciais. Portanto, nós não oferecemos esquemas get-rich-quick. Eles não trabalham. Também não insultamos você com sugestões de que, se uma empresa de gerenciamento de capital de bilhões de dólares se encaixasse diretamente em Wall Street com uma vasta instalação informática e dezenas de doutores podem fazer milhões usando o produto X, então você também. Você provavelmente não vai. Nem podemos prometer que os mercados são tão ineficientes que são fáceis de obter lucros. Não é, simplesmente porque você estará competindo com outros jogadores muito inteligentes, que querem seu dinheiro. Por outro lado, oferecemos ferramentas poderosas e produtos educacionais para ajudar os investidores individuais, como você, a conseguir um sistema comercial eficaz. As ferramentas Jurik são compatíveis com muitos produtos de software. Nossos clientes satisfeitos concordam com os SISTEMAS DE NEGOCIAÇÃO PRÉ-CONSTRUÍDA É um erro assumir que os sistemas de negociação descritos em livros, revistas ou em seu lixo eletrônico diário são lucrativos. Eles precisam ser testados durante um período prolongado de dados históricos (o suficiente para pelo menos 500 negócios). O melhor teste único que você pode aplicar a qualquer estratégia de negociação para venda é o seguinte: O vendedor fornecerá uma declaração de corretores mostrando os mais recentes 200 negócios consecutivos chamados pela estratégia Se o vendedor não está disposto a fazê-lo, vá embora. Se você for fornecido com uma declaração de corretores, traça a curva de equidade e veja se você pode lidar (financeiramente e emocionalmente) com quaisquer trocas de perdas. Além disso, tente obter um diagrama de dispersão que contenha a excursão adversa máxima de todas as trocas comerciais. Às vezes, um comércio primeiro perde grande antes de se tornar rentável. Você consegue lidar com essas situações corretamente Quando o mercado altera seu comportamento, o desempenho do sistema pode se degradar em um perdedor. Você terá que pagar adicionais por atualizações periódicas. Finalmente, quanto você espera aprender sobre negociação de um sistema que você não pode analisar nem modificar. Nós acreditamos que você é melhor fazer seu próprio sistema comercial do que comprar um. Seu sistema será projetado em torno de seus recursos financeiros e zona de conforto psicológico. E você poderá modificá-lo de acordo com as mudanças nas condições do mercado. Por último, mas não menos importante, você saberá exatamente o quanto isso pode ser esperado para executar. SÍNTESIS Sequência para o desenvolvimento avançado do sistema Se alguns seres humanos podem negociar consistentemente bem, então por que não pode um computador Por que não pode ser seu computador Tons de inteligência artificial, não ouvimos essas questões antes da Inteligência Artificial, independentemente da sua definição formal (se alguma vez tivesse Qualquer), traduz-se em trabalhos difíceis, e muitas vezes infrutíferos. Persistência não vale, no entanto. Metodologia estruturada e experimentação sistemática é o modus operandi recomendado. Nós definimos um sistema avançado como aquele que inclui algum aspecto de um indicador líder, o que implica que a previsão está envolvida. Os indicadores principais podem ser projetados para quase qualquer coisa, mas preferimos usá-lo para prever uma faixa de preço superior e menor, bem como futuros valores de MACD. O desenvolvimento adequado de indicadores avançados exige pré-processamento com WAV e DDR e modelagem com um programa de rede neural. Por fim, tudo isso precisa ser realizado de forma sistemática. Para realizar isso, projetei este diagrama de fluxo para ver o quadro geral. Subdivide o esforço de desenvolvimento do sistema comercial em várias etapas. Aqui está uma revisão em vários estágios do 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 construo meus próprios sistemas de negociação. O fluxograma mostra seis etapas do desenvolvimento do sistema de negociação. Selecionar dados explicativos (etapa de coleta) Criar indicadores de baixo atraso (fase de pré-processamento) Criar indicadores avançados (estágio de modelagem) Construir seu sistema de negociação (etapa de estratégia) Fazer o teste de seu sistema comercial (etapa de verificação 1) Trocar com um corretor simulado (etapa de verificação 2) ETAPA 1 Isso envolve a tarefa irrelevante de coletar e verificar dados financeiros. Isso não ajuda a auto-imagem dos seus sistemas para dar preços históricos salpicados de espaços em branco e zeros. Eyeball para todos os problemas. A pesquisa mostrou que se você converter dados de preço para o LOG (logaritmo) de dados de preços, as estratégias funcionarão melhor durante um período mais longo. Isso ocorre porque os dados de preços agora são expressos em uma relação multiplicativa um com o outro, em vez de aditivos, e isso tende a ser preservado à medida que os preços mudam a escala ao longo do tempo. Esta etapa envolve o pré-processamento de dados. Resumidamente, é aqui que extraímos indicadores significativos de dados financeiros brutos. Um bom pré-processamento faz o próximo estágio (modelagem) funcionar sem problemas. Os modeladores profissionais percebem a importância deste passo e concentram a maior parte de sua energia aqui. No entanto, para o amador tem o mesmo apelo que lavar a roupa. Determine o horizonte ideal do quotforecast para a série temporal a ser prevista. Por exemplo, a distância ótima para prever no futuro ao usar barras diárias de T-Bonds de 30 anos é de 5,5 dias. Esse valor varia de mercado para mercado e o método para o cálculo é explicado no meu livro Financial Forecasting and Neural Networks. Determine a quantidade de dados históricos necessários para fazer uma previsão ÚNICA. Eu me refiro a essa quantidade de tempo histórico, pois o quotlookback horizontalquot e seu tamanho geralmente são 4 vezes o horizonte de previsão. Por exemplo, se minha previsão for para prever 5.5 barras para o futuro, meu horizonte de lookback (L) para cada previsão precisará ser de 22 barras. (L22) Todos os indicadores precisam considerar a atividade de pelo menos as barras L mais recentes. Selecione os dados explicativos apropriados, como altos, baixos, volume, etc. Eu encorajo você a investigar os dados de preço de pré-suavização 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 do preço bruto. Defina o parâmetro quotlengthquot de seus indicadores para que o número de barras consideradas por cada fórmula seja aproximadamente o horizonte de lookback (L). Certifique-se de que cada coluna de valores de indicador se assemelhe a um oscilador de média zero, padronizado (ou seja, série Z-score), e não é uma caminhada aleatória (por exemplo, preços do mercado bruto). Isso ocorre porque uma caminhada aleatória finalmente entrará em um intervalo que o modelo não viu durante o desenvolvimento, induzindo falha. Aplica WAV aos indicadores acima, para 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 comprimidos de cada indicador (ou seja, saída WAV) em uma matriz (uma coluna por indicador) e aplique DDR. Este procedimento reduz o número de colunas na matriz extraindo toda a redundância entre as 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 ponto, seus dados são temporariamente e espacialmente compactados. Se seu modelo tiver que receber os 73 valores mais recentes de cada um dos 10 indicadores sem compressão espaço-temporal, seu modelo de previsão seria analisar uma matriz de entrada de 730 valores para cada previsão. No entanto, após a compressão espaço-temporal, a nova matriz provavelmente seria 13 valores para cada uma de apenas 4 colunas, apenas 52 valores totais. Isso representa uma compressão final de 93. O 3º está onde você consegue brincar e aprender sobre ferramentas de modelagem sexy, como ARIMA, sistemas especializados, algoritmos genéticos e redes neurais. Normalmente, o novato esquecerá completamente o estágio 2 e passará meses tentando fazer tudo acontecer no estágio 3. Isso leva a queixas de que a rede neural eliminada expletiva é cérebro-morta. Escolha o que deseja que o modelo preveja. Mantenha-o simples, como estimar o MACD cinco barras para fora, ou estimar resistência e suporte (em relação ao preço médio atual) 10 barras para fora. Evite as tentativas de previsão dos preços do mercado bruto (a menos que você seja realmente bom na predição de variáveis ​​pseudo-aleatórias). Certifique-se de que sua coluna de valores-alvo de previsão se assemelhe a um oscilador de média-média, padronizado (ou seja, série Z-score), e não é uma caminhada aleatória (por exemplo, preços brutos do mercado). Isso ocorre porque uma caminhada aleatória finalmente entrará em um intervalo que o modelo não viu durante o desenvolvimento, induzindo falha. Alimente a matriz comprimida que você criou no estágio 2 e dados de destino para o seu modelo. Verifique todos os modelos com dados que não foram usados ​​durante o desenvolvimento. Como regra geral, para cada variável de entrada (independente) alimentada em seu modelo, você precisará de treinamento suficiente e dados de verificação para suportar pelo menos 100 previsões. Assim, se o seu 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 comprimida que você criou no estágio 2 e dados de destino para o seu modelo. Verifique todos os modelos com dados que não foram usados ​​durante o desenvolvimento. Como regra geral, para cada variável de entrada (independente) alimentada em seu modelo, você precisará de treinamento suficiente e dados de verificação para suportar pelo menos 100 previsões. Assim, se o seu 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. A informação sobre diferentes paradigmas para modelagem de indicadores avançados é fornecida mais abaixo nesta página. (Continue lendo, você chegará lá). Este estágio é para o desenvolvimento da lógica de negociação. É a parte mais importante da construção do sistema, desde que você saiba o que está fazendo. Existem muitos livros sobre esse assunto. Com relação ao uso de modelos de previsão, aqui estão algumas dicas: Criar regras para gerenciamento de risco e dinheiro. Existem livros para ajudá-lo com esse assunto. Uma técnica inteligente de gerenciamento de riscos é criar vários modelos treinados de forma estocástica (por exemplo, redes neurais) para fazer a mesma previsão. Quando todos os modelos estão em forte concordância, aumente seu risco. Quando eles estão em forte desacordo, abaixe seu risco. Durante o backtesting, examine as estatísticas, como o retorno da conta (considerando a redução máxima), gráficos de excursão adversos máximos, simulações de Monte Carlo da meia-vida fiscal esperada, etc. Ao fazê-lo, procure os sistemas de transações ruins e evite modificações de design. Considere quantas variáveis, constantes e linhas de código que você está ajustando (otimizando). Cada um é um grau de liberdade com o qual você está brincando. Ao testar, use dados de mercado suficientes para o sistema criar 100 trocas para cada grau de liberdade. Assim, se você está otimizando 5 constantes e ajustando 4 linhas de código, as chamadas de verificação para cada execução para produzir pelo menos 100 (45) ou 900 negociações. Esteja atento sobre otimizar os sistemas de negociação. O conjuramento de código não disciplinado e excessivo pode levar a uma lógica de espaguete sobre otimizada, um pesadelo para manter. Além disso, muita otimização renderá um ótimo desempenho em seu conjunto de dados atual, mas um desempenho miserável em dados futuros. Nosso livro Financial Forecasting and Neural Networks e fita de áudio Space, Time, Cycles e Phase oferecem uma explicação desse fenômeno. Para uma explicação desse fenômeno. Um sistema que comercializa bem dados históricos e dados futuros é mais desejável. Durante o quotpaper ao vivo, fique atento para a rapidez com que o sistema se degrada. Isso sugere a frequência com que os modelos precisam ser atualizados. Também pode sugerir uma lógica de negociação fraca. Um exemplo de um sistema de comércio aprimorado de rede neural que funcionou bem, sem reciclagem, durante 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 tenha sido o melhor, o resultado provou ser lucrativo no entanto. Você realmente não precisa otimizar o descarte de seu sistema comercial, desde que você empregue uma boa gestão de riscos. Ele aborda a questão: quanto você está colocando em risco em um comércio versus o lucro esperado para assumir esse risco. Como um jogador de poker especialista, com gerenciamento de dinheiro adequado você avalia quanto investir e quanto você está disposto a perder em cada jogo . Portanto, o princípio básico da gestão do dinheiro é o gerenciamento de riscos. Abertura de posições com risco coberto é fundamental para negociação bem-sucedida. Em outras palavras, gerencie o risco primeiro e os lucros seguirão quando sua aposta for correta. É incrível o quanto essa disciplina pode melhorar a rentabilidade global do seu sistema. Ao longo de um período de anos, esta técnica pode melhorar os lucros comerciais mais do que dez vezes. Alguns livros sobre gerenciamento de dinheiro estão listados AQUI. PRINCIPAIS INDICADORES são difíceis de fazer. O quotComposite of Leading Economic Indicatorsquot é avaliado pela Reserva Federal e investidores de longo prazo para o seu potencial de previsão. Em contrapartida, os investidores especulativos preferem usar indicadores técnicos e fundamentais com potencial de previsão de curto prazo. O problema é que quase todos os indicadores comumente usados ​​(MACD, ADX, CCI, RSI, etc.) ficam atrás e resumem o que ocorreu, e não o que ocorrerá. A raridade de bons indicadores de curto prazo nos diz que eles são difíceis de produzir, e mais importante, porque poucos investidores os exploram, esses indicadores podem gerar uma vantagem comercial significativa. Mas por que eles são tão raros O que é tão difícil de criar um indicador de curto prazo. Quando todos os economistas foram colocados de ponta a ponta, eles ainda apontariam em todas as direções. Arthur H. Motley O motivo da sua raridade é devido, em parte , À natureza dos mercados. No passado, quando a negociação não era dominada por computadores, a maioria dos analistas financeiros usava a teoria macro e microeconômica, bem como as técnicas clássicas de modelagem quotlinearquot. Os modelos de mercado tradicionais, baseados em teorias e técnicas lineares e seus pressupostos simplificadores, tornam as previsões cada vez mais imprecisas a cada ano. Os analistas de Wall Street perderam consistentemente todos os principais pontos de viragem do mercado nos últimos 30 anos. Por exemplo, seis meses antes da recessão de 1990, 34 dos 40 economistas concordaram que a economia de quotthe provavelmente evitará uma recessão. Além disso, apenas duas semanas antes do enorme mercado de touro em 1991, o consenso desses 40 economistas foi: a economia de quotthe encolherá nos próximos seis meses. Os comerciantes e os investidores que usam sistemas baseados em análises clássicas também sofrerão grandes perdas quando as condições do mercado mudarem Muito rápido para que seus modelos quotprepreendam. Jurik Research acredita que os problemas com os modelos de mercado tradicionais decorrem de seus pressupostos, que dividi 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 dados novos. Tais interdependências existem (por exemplo, a relação inversa entre commodities e títulos) e os modelos que não respondem por esse fato terão problemas. Hoje, o mercado se move mais rápido e mais caótico. Exibindo relações disjuntas e não-lineares entre as forças do 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, comerciantes de piso, comerciantes de curto e longo prazo, gestores de fundos, hedgers, comerciantes de programas e fabricantes de mercado usam diferentes níveis de risco e reagem em diferentes prazos. Claramente, precisamos de uma nova família de modelos que possam simular relações não-lineares e que os jogadores pensem em diferentes prazos. Conseqüentemente, os esforços para encontrar e explorar nichos rentáveis ​​nos mercados estão precedendo técnicas clássicas para métodos comerciais mais poderosos. Novas ferramentas que usam métodos de inteligência artificial estão aumentando em popularidade. Essas ferramentas incluem redes neurais e algoritmos genéticos. Agora que as versões fáceis de usar de ambos os paradigmas estão atualmente disponíveis como complementos para o Microsoft Excel, o público está rapidamente se aproximando: não é tão difícil depois de tudo. REDES NEURAS Realmente funcionam O QUE É UMA REDE NEURAL. Uma rede neural (ou NN) é composta por um grande número de elementos de processamento altamente interligados (neurônios) trabalhando em uníssono para resolver problemas específicos. Cada elemento executa uma fórmula matemática, cujos coeficientes são quotlearnedquot quando são fornecidos exemplos de como o NN deve responder a vários conjuntos de dados. As aplicações incluem reconhecimento ou classificação de padrões de dados. Durante uma sessão de quottrainingquot, o NN produz uma coleção de funções matemáticas não lineares simples que se alimente mutuamente valores numéricos de uma maneira que vagamente se assemelha à atividade das células cerebrais neurais. A interação entre os neurônios pode tornar-se tão complexa que esse conhecimento das fórmulas matemáticas oferece pouca ou nenhuma visão sobre o quotlogicquot global dos modelos. Conseqüentemente, enquanto a rede neural funcionar bem, seu usuário raramente se preocupa em saber quais as equações exatas estão dentro. Tenha cuidado para não confundir as redes neurais (NN) com outro paradigma de inteligência artificial chamado sistemas especializados (ES). Os programas ES são projetados para imitar o pensamento racional, conforme descrito por especialistas. No entanto, se o especialista não puder expressar sua lógica de maneira confiável, as decisões corretas, o paradigma ES não pode ser efetivamente empregado. Em contraste, um NN não está preocupado com a simulação da 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 leva inevitavelmente ao argumento incorreto de que, se os modelos ES estiverem fracos, então os modelos NN também. Felizmente, os modelos NN estão funcionando bem no mundo real. APLICAÇÕES DE REDES NEURAS No mundo comercial, as redes neurais estão sendo usadas para. Gerenciar o risco do portfólio avaliar o crédito de crédito risco detectar fraude do cartão de crédito prever vendas de chips de batata detectar células de sangue insalubre otimizar trabalho planejamento previsão atividade de mercado financeiro otimizar laminação a frio de chapa metálica remover ecos de telefone irritantes determinar preços ótimos para mercadorias detectar explosivos dentro de bagagem nos aeroportos prevêem resultados De novas fórmulas para o plástico O QUE É O PAPEL EM UM SISTEMA DE NEGOCIAÇÃO Não espere que um NN faça todo o trabalho para você e produza sinais de venda de compra. NNs devem ser acoplados à análise técnica tradicional, e os melhores resultados provêm de comerciantes experientes. Isso 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 etapas do desenvolvimento do sistema de negociação. As redes neurais são tipicamente usadas no terceiro, ou no estágio MODELING. Nesta fase, as redes neurais são treinadas para modelar algum aspecto do mercado, para classificar as condições atuais ou futuras do mercado, informando ao investidor quando entrar ou sair do mercado. Ao prever as condições futuras, eles são tecnicamente um indicador de quotleading. ELES SÃO FÁCEIS DE USAR. Existem muitos pacotes de redes neurais disponíveis comercialmente. Muitos interagem com o ambiente do Microsoft Excel. UMA DOSE DE REALISMO. Como nossos padrões de integridade são muito elevados, com o risco de perder uma venda, nos sentimos obrigados a mencionar o seguinte. Não implicamos que o desenvolvimento de uma rede neural é um suporte fácil de uma noite. Isso 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 habitual, incluindo: Selecionando a melhor informação Indicadores de construção e teste Interpretando os resultados Decidindo se deve ou não comercializar Decidir quanto investir (gerenciamento de dinheiro) Detalhes sobre questões e considerações ao começar é fornecido Neste relatório. Apresentado por William Arnold, um autor contribuidor para The Journal of Intelligent Technologies. Por fim, surgem dúvidas sobre o quanto um comerciante deve confiar em um modelo NN. Será difícil confiar na decisão dos seus computadores para comprar quando o medo em sua mente exclamar quotSell Sell NOWquot No entanto, na conferência após a conferência, ouvimos usuários comentando que teriam ganhado mais dinheiro se não tivessem tentado superar 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 gerenciamento de dinheiro trabalhou intensamente com redes neurais desde 1988. Eles usam 3000 redes neurais, uma para cada estoque que comercializam. Eles usam redes neurais e algoritmos genéticos para prever separadamente o comportamento de ações individuais. Embora as recomendações dos dois citadores restrinjam substancialmente a sua seleção, elas são aprimoradas com o auxílio de análise de portfólio, na tentativa de limitar a sobreexposição a qualquer estoque ou setor. Sua pesquisa pagou bem como estavam, em um ponto, gerenciando meio bilhão de dólares. Outras instituições que implementaram sistemas operacionais de previsão neural incluem Citibank, Nikko Securities, Morgan Stanley, Dai-ichi Kanyo Bank, Nomura Securities, Bear Stern e Shearson Lehman Hutton. Tecnologias avançadas de investimento (AIT), em Clearwater, Flórida tem um dos registros mais longos usando redes neurais. Aqui estão alguns artigos sobre redes neurais para aplicações financeiras que você provavelmente pode encontrar em uma biblioteca: quotTraining Neural Nets for Intermarket Analysisquot, Futures, agosto de 1994, como Predict Tomorrows Indicators Todayquot, Futures, maio de 1996, com o lançamento de uma rede neural, Magazine Futures, Sept. de 1992 QuotForecasting Taxas de T-Bill com uma Rede Neural, quot Análise Técnica de Stocks e Commodities, maio de 1995, utilizando Núcleos Neurais para Intermarket Analysisquot, Análise Técnica de Stocks amp Commodities, novembro de 1992, sobre Desenvolvimento de Redes Neurais para Comerciantes, Análise Técnica de Stocks amp Commodities, abril de 1992, abordagem de rede neuronal para Previsão de Distressquot Financeiro, Journal of Business Forecasting, v10, 4. quotForecasting com redes neurais: uma aplicação usando dados de falência, informações e gerenciamento, 1993, pp 159-167. QuotForecasting SampP e Gold Futures Prices: uma aplicação de Neural Networksquot, J. of Futures Markets, 1993, pp. 631-643. QuotNeural Nets and Stocks: Training a Predictive Systemquot, PC AI, 1993, pp. 45-47. Usando Redes Neurais Artificiais para Escolher Stocksquot, Financial Analysts Journal, 1993, pp 21-27. Análise das Demonstrações Financeiras de Pequenas Empresas Usando Neural Netsquot, Journal of Accounting Auditing and Finance, 1995, pp 147-172. Previsão de preço de estoque usando redes neurais: um relatório de projeto NeuroComputing, 1990, 2 quotForecasting Bankruptcies Using a Neural Network, QUALQUER PODE TRABALHAR DE FORMA. Em contraste com os modelos de regressão linear padrão, NNs realizam regressão não linear Modelagem, que é uma ordem de grandeza mais flexível e poderosa. Quando um usuário decide com sabedoria sobre uma tarefa NNs e alimenta os dados de mercado necessários para executar essa tarefa, o modelo tem potencial para funcionar bem, porque isso. É intrinsecamente não linear e pode ser melhor do que modelos lineares neste ambiente. Pode aprender a ver melhor que os humanos as várias relações entre um grande número de indicadores. Os NN's desapaixonados e consistentes não conhecem medo nem ganância. Pode ser reestruturado automaticamente 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 que utilizam redes neurais é que eles não conseguem pesquisar os dados mais relevantes. Alguns indicadores de alto nível fornecerão melhores resultados do que algumas centenas de irrelevantes. O segundo erro comum é pensar que a alimentação de uma rede neural 100 indicadores produzirá 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 sua forma mais compacta) melhora consideravelmente as chances de sucesso. Duas formas críticas de comprimir dados são amostras históricas escassas (compressão temporal) e redução de redundância (compressão espacial). Muitos indicadores de mercado são redundantes porque refletem as mesmas forças do mercado no trabalho, portanto, eliminar a redundância é puramente vantajoso. Quanto à amostragem histórica esparsa, é importante encontrar valores representativos de pontos passados ​​no tempo, mas feitos de forma a não permitir que padrões de preços importantes sejam ignorados. Juriks WAV realiza amostragem histórica esparsa (compressão temporal). Juriks DDR realiza redução de redundância (compressão espacial). Aqui está um bom tutorial sobre redes neurais. É um filme interativo Macromedia Flash. Selecione o tópico no menu ao longo da parte superior da tela do filme.