Azimuth: pengambilan keputusan neural kepemilikan untuk Emas

Azimuth dibangun di atas dasar kepemilikan yang sama persis dengan Meridian, tetapi memperkenalkan representasi pasar internal yang berbeda dan arsitektur yang lebih maju.

Alih-alih mengandalkan langsung pada candle timeframe konvensional, Azimuth menggunakan struktur bar kustom internal yang dibangun langsung dari data tick. Bar-bar tersebut dihasilkan dari aktivitas pasar daripada hanya dari berlalunya waktu.

Karena itu, data tick sangat penting saat menguji Azimuth. Sistem harus selalu diuji menggunakan tick, terlepas dari timeframe klasik mana yang dipilih di Strategy Tester.

Hasilnya adalah model yang tidak bergantung secara eksklusif pada cara broker mengagregasi pasar ke dalam candle M1, M5, M15, atau H1 konvensional.

Arsitektur neural

Model ini didasarkan pada struktur neural kepemilikan yang sama yang digunakan sebagai dasar Meridian, di mana neuron itu sendiri telah didefinisikan ulang.

Jaringan neural konvensional pada dasarnya mengandalkan neuron yang mengagregasi input mereka sebelum meneruskan informasi hasil melalui fungsi aktivasi. Arsitektur ini sangat kuat dan bekerja dengan baik untuk banyak kelas masalah.

Namun, pasar keuangan sangat sulit untuk dimodelkan.

Hubungan antara dua input pasar dapat berubah tergantung pada konteks, volatilitas, struktur terbaru, dan perilaku yang mendahului sinyal saat ini. Input yang sama oleh karena itu dapat memiliki makna yang sangat berbeda di bawah kondisi pasar yang berbeda.

Azimuth dan Meridian dirancang dengan topologi internal yang berbeda, yang secara khusus dibangun untuk memproses hubungan non-linear ini.

Alih-alih memperlakukan setiap input sebagai sinyal independen yang hanya berkontribusi pada skor akhir, struktur ini dirancang untuk menganalisis bagaimana informasi berinteraksi dan berkembang di dalam jaringan.

Ini memungkinkan model untuk bekerja dengan hubungan yang lebih kompleks antara inputnya dan bereaksi terhadap struktur sinyal daripada hanya menambahkan sinyal bersama-sama.

Arsitektur ini bersifat kepemilikan dan topologi internalnya tidak diungkapkan.

Dirancang untuk pasar yang tidak stasioner

Pasar keuangan bukan sistem statis.

Volatilitas berubah. Struktur pasar berubah. Hubungan antara variabel yang berbeda berubah. Perilaku yang menguntungkan pada satu periode bisa hilang sepenuhnya di periode lain.

Ini adalah salah satu alasan utama mengapa sebuah model bisa terlihat luar biasa pada data historis dan kemudian berperilaku sangat berbeda setelah terpapar data yang belum pernah dilihat.

Azimuth dirancang dengan masalah ini dalam pikiran.

Tujuannya bukan untuk menemukan konfigurasi yang menjelaskan satu periode historis dengan sempurna. Tujuannya adalah menemukan model yang dapat terus berperilaku dengan benar saat data berubah.

Pelatihan walk-forward

Proses pelatihan adalah salah satu bagian terpenting dari Azimuth.

Model tidak dilatih pada satu dataset historis besar dan diterima hanya karena kurva ekuitas akhir terlihat bagus.

Sebaliknya, Azimuth dilatih melalui matriks walk-forward dengan beberapa periode out-of-sample independen.

Proses dimulai dengan:

15% Pembelajaran → 5% data OOS yang benar-benar belum terlihat

Jika model melewati periode OOS pertama, proses bergerak maju dan mengulangi:

15% Pembelajaran → 5% OOS
15% Pembelajaran → 5% OOS
15% Pembelajaran → 5% OOS
15% Pembelajaran → 5% OOS
15% Pembelajaran → 5% OOS

Ini menciptakan lima periode validasi out-of-sample terpisah.

Data OOS tidak digunakan untuk melatih model.

Yang lebih penting, jika ada periode OOS yang menunjukkan penurunan di luar kriteria yang diperlukan, model akan dibuang dan seluruh proses pembelajaran dimulai lagi.

Model tidak diperbaiki.
Model tidak disesuaikan secara manual.
Proses pelatihan dimulai ulang.

Hanya model yang mampu bertahan dalam urutan lengkap periode yang belum terlihat yang dipertahankan.

Pendekatan ini menekankan pada generalisasi dan perilaku out-of-sample, bukan hanya sekadar menyesuaikan data historis.

Cara Azimuth berdagang

Azimuth menggunakan eksekusi pasar langsung daripada pendekatan pending-order yang digunakan oleh Meridian.

Ketika model mengidentifikasi peluang yang valid, sistem mengeksekusi langsung di pasar.

Model terus-menerus mengevaluasi representasi pasar internal dan menentukan apakah struktur saat ini menyediakan peluang perdagangan yang valid.

Setelah posisi dibuka:

• Sistem tidak melakukan averaging down.
• Tidak ada grid.
• Tidak ada martingale.
• Posisi memiliki masa hidup maksimum yang ditentukan.
• Parameter risiko ditentukan sesuai dengan penilaian pasar model saat ini.

Tujuannya adalah memungkinkan model membuat keputusan sendiri daripada mengelilingi jaringan dengan kumpulan besar aturan perdagangan tetap.

Frekuensi perdagangan tinggi

Kombinasi representasi pasar internalnya, eksekusi pasar langsung, dan arsitektur menghasilkan frekuensi perdagangan yang tinggi.