IA et recherche Elliott : protocole de validation
Un neurone pédagogique, des blocs temporels et un filtrage explicite des candidats.
Publié le (UTC+3)
Русский · English · Deutsch · Español · Français · Italiano · 繁體中文 · 日本語 · 한국어
Décompte automatique, recherche structurelle et réseau neuronal entraîné sont des mécanismes différents. Les valeurs fictives rendent les contrôles reproductibles ; elles ne décrivent pas un code interne vérifié de versions commerciales.
IA et réseaux neuronaux : séparer le temps
Le neurone pédagogique z=0.5 x−0.5, y=1/(1+exp(−z)) donne 0.622459 pour x=2. C’est la sortie d’une fonction choisie, pas une probabilité mesurée de fin de vague. Les poids sont fixés à la main ; aucun entraînement, calibrage ou score de marché n’est revendiqué.
Avec une cible à 2 barres, partagez 100 : entraînement 1–60 (signaux 1–58), validation 61–80 (61–78), test 81–100 (81–98). Les caractéristiques n’utilisent que le passé disponible ; ajustez la normalisation sur l’entraînement seul. Figez version et paramètres avant test, conservez la disponibilité des étiquettes et les frais. Un réseau n’élimine pas les fuites du futur dans l’annotation.
Recherche : contraintes avant classement
Définissez plage, plafond de candidats et disponibilité des pivots. Éliminez les violations de règles avant de classer les survivants. Les subdivisions inconnues restent inconnues. Un score ne remplace aucune règle et n’est pas une probabilité de succès.
Dans les six points fictifs, A avec quatrième à 119 et score 0.9 viole le non-chevauchement. B à 125 avec 0.6 passe seulement la partie prix. Atteindre le plafond de recherche ne prouve pas absence d’autres structures. Conservez rejets, version, entrées et date de disponibilité ; cet exemple n’est pas présenté comme le code source de Pro.