Azimuth: pembuatan keputusan neural proprietari untuk Emas

Azimuth dibina di atas asas proprietari yang sama seperti Meridian, tetapi memperkenalkan representasi pasaran dalaman yang berbeza dan seni bina yang lebih maju.

Daripada bergantung terus pada lilin jangka masa konvensional, Azimuth menggunakan struktur bar tersuai dalaman yang dibina terus dari data tick. Bar-bar ini dijana dari aktiviti pasaran dan bukan hanya dari perjalanan masa.

Disebabkan ini, data tick adalah penting apabila menguji Azimuth. Sistem harus sentiasa diuji menggunakan tick, tanpa mengira jangka masa klasik yang dipilih dalam Penguji Strategi.

Hasilnya adalah model yang tidak bergantung sepenuhnya pada cara broker mengagregatkan pasaran ke dalam lilin M1, M5, M15 atau H1 konvensional.

Seni bina neural

Model ini berdasarkan struktur neural proprietari yang sama digunakan sebagai asas Meridian, di mana neuron itu sendiri telah didefinisikan semula.

Rangkaian neural konvensional secara asasnya bergantung pada neuron yang mengagregatkan input mereka sebelum menghantar maklumat hasil melalui fungsi pengaktifan. Seni bina ini sangat berkuasa dan berfungsi dengan baik untuk banyak kelas masalah.

Pasaran kewangan, bagaimanapun, sangat sukar untuk dimodelkan.

Hubungan antara dua input pasaran boleh berubah bergantung pada konteks, volatiliti, struktur terkini dan tingkah laku yang mendahului isyarat semasa. Input yang sama oleh itu boleh mempunyai makna yang sangat berbeza di bawah keadaan pasaran yang berbeza.

Azimuth dan Meridian direka berdasarkan topologi dalaman yang berbeza, yang dibina khusus untuk memproses hubungan bukan linear ini.

Daripada menganggap setiap input sebagai isyarat bebas yang hanya menyumbang kepada skor akhir, struktur ini direka untuk menganalisis bagaimana maklumat berinteraksi dan berkembang di dalam rangkaian.

Ini membolehkan model berfungsi dengan hubungan yang lebih kompleks antara inputnya dan bertindak balas kepada struktur isyarat dan bukan hanya menambah isyarat bersama-sama.

Seni bina ini adalah proprietari dan topologi dalaman tidak didedahkan.

Direka untuk pasaran tidak stasionari

Pasaran kewangan bukan sistem statik.

Volatiliti berubah. Struktur pasaran berubah. Hubungan antara pembolehubah yang berbeza berubah. Tingkah laku yang menguntungkan dalam satu tempoh boleh hilang sepenuhnya dalam tempoh lain.

Ini adalah salah satu sebab utama mengapa model boleh kelihatan luar biasa pada data sejarah dan kemudian berkelakuan sangat berbeza apabila terdedah kepada data yang belum pernah dilihat.

Azimuth direka dengan masalah ini dalam fikiran.

Objektifnya bukan untuk mencari konfigurasi yang menerangkan satu tempoh sejarah dengan sempurna. Objektifnya adalah untuk mencari model yang boleh terus berkelakuan dengan betul apabila data berubah.

Latihan berjalan ke hadapan

Proses latihan adalah salah satu bahagian paling penting Azimuth.

Model tidak dilatih pada satu set data sejarah besar dan diterima hanya kerana lengkung ekuiti akhir kelihatan baik.

Sebaliknya, Azimuth dilatih melalui matriks berjalan ke hadapan dengan beberapa tempoh luar sampel bebas.

Proses bermula dengan:

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

Jika model lulus tempoh OOS pertama, proses bergerak ke hadapan dan mengulangi:

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

Ini menghasilkan lima tempoh pengesahan luar sampel yang berasingan.

Data OOS tidak digunakan untuk melatih model.

Lebih penting lagi, jika mana-mana tempoh OOS menunjukkan kemerosotan melebihi kriteria yang diperlukan, model itu dibuang dan keseluruhan proses pembelajaran bermula semula.

Ia tidak diperbaiki.
Ia tidak diselaraskan secara manual.
Proses latihan bermula semula.

Hanya model yang mampu bertahan sepanjang urutan lengkap tempoh yang belum dilihat yang dikekalkan.

Pendekatan ini menekankan pada generalisasi dan kelakuan luar sampel, dan bukan hanya menyesuaikan data sejarah.

Bagaimana Azimuth berdagang

Azimuth menggunakan pelaksanaan pasaran langsung dan bukannya pendekatan pesanan tertunda yang digunakan oleh Meridian.

Apabila model mengenal pasti peluang yang sah, sistem melaksanakan terus di pasaran.

Model sentiasa menilai representasi pasaran dalaman dan menentukan sama ada struktur semasa menyediakan peluang perdagangan yang sah.

Setelah posisi dibuka:

• Sistem tidak menambah posisi pada harga yang lebih rendah.
• Tiada grid.
• Tiada martingale.
• Posisi mempunyai jangka hayat maksimum yang ditetapkan.
• Parameter risiko ditentukan mengikut penilaian pasaran semasa model.

Objektifnya adalah membenarkan model membuat keputusan sendiri dan bukannya mengelilingi rangkaian dengan koleksi besar peraturan perdagangan tetap.

Kekerapan perdagangan tinggi

Gabungan representasi pasaran dalaman, pelaksanaan pasaran langsung dan seni bina menghasilkan kekerapan perdagangan yang tinggi.