IA y búsqueda Elliott: protocolo de validación
Una neurona didáctica, particiones temporales y filtrado de candidatos.
Publicado: (UTC+3)
Русский · English · Deutsch · Español · Français · Italiano · 繁體中文 · 日本語 · 한국어
Conteo automático, búsqueda estructural y red neuronal entrenada son mecanismos distintos. Los valores inventados permiten reproducir las comprobaciones; no describen código interno comprobado de versiones comerciales.
IA y redes neuronales: separar el tiempo
La neurona didáctica z=0.5 x−0.5, y=1/(1+exp(−z)) devuelve 0.622459 para x=2. Es la salida de una función elegida, no una probabilidad medida de final de onda. Los pesos son manuales; no se afirma entrenamiento, calibración o precisión de mercado.
Con horizonte objetivo de 2 barras, divida 100: entrenamiento 1–60 (señales 1–58), validación 61–80 (61–78), prueba 81–100 (81–98). Use solo pasado disponible y ajuste la normalización únicamente en entrenamiento. Congele versión y parámetros antes de probar, guarde disponibilidad de etiquetas e incluya costes. Una red neuronal no elimina información futura de las etiquetas.
Búsqueda: restricciones antes que puntuaciones
Defina primero rango, límite de candidatos y disponibilidad de pivotes. Rechace infracciones duras antes de puntuar supervivientes. Mantenga desconocidas las subdivisiones desconocidas. Una puntuación no reemplaza una regla ni es probabilidad de éxito.
En el ejemplo de seis puntos, A con cuarta en 119 y score 0.9 viola el no solapamiento. B con 125 y 0.6 supera solo la parte de precios. Alcanzar el límite de búsqueda no demuestra que no haya otras estructuras. Guarde motivos de rechazo, versión, entradas y corte temporal; este ejemplo no se presenta como algoritmo fuente de Pro.