重复的模式和其他模式 - 页 2

[Denis Lazarev]

在这种情况下，具有一定周期的ZigZag指标可能非常有用。

1）我们采取两个峰值之间的距离，这样的指标允许你从市场噪音中抽象出来

2）然后我们通过相互除法来比较这些数值，并推导出比率（第一条直线是后面一条直线的两倍，代表趋势的量，等等）。

3) 然后写下这个 "模式 "之后到底应该是什么，并开始追踪。

好处是，相对价值允许中和市场波动因素，无论数字大小，我们知道肯定会有一段时间的下跌。

人字形指标会起作用，因为它没有考虑到噪音，分形指标 也会起作用。

[Vladimir Kustikov]

gpwr:

谁能为这个有趣的东西编程？

这个话题很有趣，但太复杂了，无法实现自动化。

首先，尽管你发表的图画很美，但在图形结构 上有许多不准确的地方，例如最后一个红色通道明显符合 "崩溃通常成为新通道的中间 "的原则，因为它的底线应该画得更高。

第二个棘手的问题是假性破损。我们如何判断它是突破还是趋势线修正？历史很好地表明了这一点，但在实践中却没有这样的事情。

我自己对渠道交易感兴趣已经很长时间了，我对这个问题的任何想法都很感兴趣。

[Rustamzhan Salidzhanov]

还有一个问题--可重复性和零散性，尽管这些东西似乎应该有助于分析，但你永远不会真正知道你目前在层次结构中的哪个通道（我们现在的位置）。这里有一个例子--尽管我后来画了通道（时间上更远），但它们都与历史完全吻合，也就是说，在未来，价格会按照旧的通道移动。但哪一个呢？而这幅图只是可以画出的一小部分。

[Vladimir]

因此，前一页的预测结果相当准确。红色模式几乎已经结束。现在我们预计会有一个向上的突破。

[Vladimir]

Vladix:

......最后一条红色通道显然符合 "突破通常成为新通道的中间 "的原则，因为它的底线应该画得更高。

... 我们如何判断这是一个突破还是一个趋势线修正？

同意。最后一条下降趋势线的下边界也可能被拉高。这不会有太大的区别，因为我们感兴趣的是接触点和下跌趋势的上限 的突破。下行边界通常从之前上升趋势的第三点开始，触及之前通道的上边界（绿色的3）。

最好不要等待触及下降趋势上边界的第二个点，而是在前一个通道的破损价格（黄圈黑边）设置警报，目标至少是前一个通道的一半宽度。或者你可以用腕表来跟踪价格走势。假性突破确实存在，这就是为什么你应该始终使用止损。让我们考虑一下其他的参赛方案。

[secret]

gpwr: 例如，这两个红色图案在眼睛看来是一样的，但第二个图案几乎是第一个图案的两倍。沿着价格轴线的运动在幅度上也有所不同。如果我们试图取 "之 "字形的顶点，一个图案的顶点会比另一个多，网会被卡住。 有何想法？

你要的是通道还是图案？如果是模式，那么：使时间和振幅达到相对值（正常化）。完全不需要之字形，除非是浅层，或者更好的是浅层近似。然后将其插入任何传统的图像识别器，甚至是二维相关器。由于窗口不同，你必须在一定的尺寸范围内进行搜索，而且你会不断地怀疑 "这还是以前的模式 "或 "下一个已经开始"。所有的imho。它将不得不接受测试。我想自己做，但没有时间。

[Vladimir]

bas:

那么，你是要渠道还是要模式？

一个通道内的模式--稍后会有更多关于这个问题。如果价格形态本身不依附于通道或支撑/阻力水平，那么它就没有意义。这就是网络用户的主要缺点--他们采取不受水平约束的价格，以为网络会找到他们。此外，神经网络用户向网络的输入发送一个恒定的历史部分，认为网络会自己找到线性或非线性的压缩或拉伸的模式。是的，这样的网络存在，在我们的大脑中。人工网络还达不到这一点，即使是拨号器，也是如此，它从大小大致相同的已标记的例子中学习。

[secret]

>因此，网络用户的主要缺点是--他们采取与任何水平无关的价格，认为网络本身会弄清楚并找到这些水平。

我想它会的，如果你以单独的方式给它这个任务。只是，任务的设定通常是不同的。

>另外，神经网络学家将历史的连续部分送入网络的输入，认为网络本身会找到在时间上被线性或非线性压缩或拉伸的模式。

线性失真通过归一化而最小化，非线性失真可以通过转为范围表示而最小化，但动量/校正变得无法区分，如果这一点很重要的话。

[Vladimir]

价格触及当前通道的下边界，确认边界毕竟是正确设置的。很有可能这种下降趋势模式已经结束，我们已经开始了一个上升趋势，这将由对上界的突破来证实。

[Vladimir]

bas:

>因此，网络用户的主要缺点是--他们采取与任何水平无关的价格，认为网络本身会弄清楚并找到这些水平。

我想它会的，如果你以单独的方式给它这个任务。只是，任务的设定通常是不同的。

>另外，神经网络学家将历史的连续部分送入网络的输入，认为网络本身会找到在时间上被线性或非线性压缩或拉伸的模式。

线性失真可以通过归一化来最小化，非线性失真可以通过转为范围呈现来最小化，但它会使动量/校正无法区分，如果这一点很重要的话。

所以我们都同意，网络本身没有能力检测出通道等结构，我们需要相应地设置任务，即提示它。请注意，在价格第二次触及最后一个通道的底线之前，我画了这个通道的底线。你可以从第一个接触点画出无限多的直线，但事实证明，与上限平行的直线才是下限。

作为对形态扭曲的确认，我将之前的下跌形态拉长并叠加在当前的形态上。

自动寻找类似模式的问题是，我们事先不知道

1. 当前图案的长度。例如，在这次讨论中，模式被约束在通道上，它的开始或多或少被定义。如果我们不把模式与渠道联系起来，我们从哪里得到开始？
2. 与过去的模式相比，当前模式的失真。我们需要用一些平滑函数来描述当前的模式，将其压缩一格，与之前的所有模式进行比较，然后再压缩一格，如此反复。然后按条状拉伸。简而言之，这将需要大量的时间。或者创建一个以我们的视觉皮层为原则的网络。