KI und Elliott-Suche nachvollziehbar prüfen
Ein Lernneuron, zeitlich getrennte Daten und regelbasierte Kandidatenfilter.
Veröffentlicht: (UTC+3)
Русский · English · Deutsch · Español · Français · Italiano · 繁體中文 · 日本語 · 한국어
Automatische Zählung, Struktursuche und trainierte neuronale Netze sind unterschiedliche Verfahren. Die erfundenen Werte machen Prüfungen nachvollziehbar; sie beschreiben keinen nachgewiesenen Quellcode kommerzieller Produktversionen.
KI und neuronale Netze zeitlich prüfen
Das Lernneuron z=0.5 x−0.5 und y=1/(1+exp(−z)) liefert bei x=2 den Wert 0.622459. Dies ist eine gewählte Funktion, keine gemessene Wahrscheinlichkeit eines Wellenabschlusses. Die Gewichte sind manuell gesetzt; Training, Kalibrierung oder Marktgenauigkeit werden nicht behauptet.
Bei Zielhorizont 2 die 100 Balken aufteilen: Training 1–60 mit Signalen 1–58, Validierung 61–80 mit 61–78, Test 81–100 mit 81–98. Nur verfügbare Vergangenheit als Merkmale verwenden; Normalisierung ausschließlich am Training anpassen. Version und Parameter vor dem Test einfrieren, Verfügbarkeitszeiten der Labels sichern und Kosten berücksichtigen. Neuronale Modelle beseitigen keine Zukunftsinformation in Trainingslabels.
Kandidatensuche: Regeln vor Rangfolge
Zunächst Bereich, Kandidatenlimit und Pivotverfügbarkeit definieren. Verstöße gegen harte Regeln vor der Bewertung verwerfen. Unbekannte Unterwellen bleiben unbekannt. Ein Score ersetzt keine Regel und ist keine Erfolgswahrscheinlichkeit.
Im Sechspunktbeispiel verletzt A mit Welle 4 bei 119 trotz Score 0.9 die Nichtüberlappung. B bei 125 mit 0.6 besteht nur den Preisteil. Ein erreichtes Suchlimit beweist nicht, dass keine anderen Strukturen existieren. Ablehnungsgründe, Version, Eingaben und Stichtakt speichern; der Beispielcode ist kein veröffentlichter Pro-Algorithmus.