AI與艾略特搜尋：模型驗證流程

以教學神經元、時間切分與候選過濾說明可驗證的邊界。

Student Wyckoff 編輯團隊

發布日期： 25.10.2026 (UTC+3)

自動計數、結構搜尋與訓練後的神經網路是不同機制。以下使用虛構資料重現檢查程序，不宣稱商業版本內部採用這些程式。

AI與神經網路：依時間驗證

教學神經元z=0.5x−0.5，y=1/(1+exp(−z))，在x=2時輸出0.622459。這只是指定函數的值，並非實測的波浪完成機率。權重為手動設定，不宣稱訓練、校準或市場準確率。

目標向後看兩棒時，把100棒切為訓練1–60（訊號1–58）、驗證61–80（61–78）、測試81–100（81–98）。特徵只取當時已知歷史，正規化只由訓練區估計。測試前固定版本與參數，保存標籤可知時點並計入成本。神經網路不會自動消除訓練標記中的未來資訊。

先確定區間、候選數上限及轉折何時可知。違反硬性約束的候選先剔除，再對剩餘方案評分。未知子浪應保留未知；分數不能取代規則，也不是成功機率。

六點範例中，A第四點119，即使score0.9仍違反不重疊；B為125、score0.6，只通過價格子集。達到搜尋上限不等於不存在其他結構。保存拒絕原因、版本、輸入與截止時點；這段教學程式不自稱Pro原始演算法。