Novo para estes conselhos, saudações. Eu uso um indicador baseado em entropia como um elemento central da minha estratégia comercial. Este em particular: no entanto, a linha de desenho na janela do indicador que atualiza com o movimento do tiquetaque, funciona apenas como pretendido quando acoplado com um gráfico off-line anexado a um gráfico normal com um script de conversor de período em execução. Quando usado com um gráfico on-line, a linha desenha o movimento de preço correto para dados históricos (antes dos tiques atuais), mas os tiques atuais deixam a linha em um zero plano (o que não significa movimento de preço), o que é incorreto. Normalmente, eu consideraria essa programação com indicadores defeituosos, mas funciona com gráficos off-line como pretendido. E às vezes, funciona por longos períodos de tempo nas tabelas on-line, bem como em vários minutos a uma hora. Eu tenho cerca de 100 indicadores, e nenhum deles já exibiu esse problema. Problematicamente, os gráficos off-line não funcionam bem no meu MT4 por qualquer motivo. Eu uso 9 indicadores e executo um PC high-end, mas o gráfico geralmente desacelera, corre muito devagar ou, eventualmente, congela. Eu uso configurações mínimas para o histórico de barras e qualquer outro recurso de otimização nas configurações MT4. Agora, a única maneira de usar o indicador efetivamente em um gráfico on-line é atualizando-o constantemente, o que apresenta riscos para a minha estratégia de negociação semiautomática de 8 horas. Atualizando mostra o movimento correto da linha de desenho histórico na janela do indicador, mas a ponta principal da linha retornará a uma leitura plana 0 após um movimento de tiquetaque. A ajuda ou o conselho sobre esta questão seria muito apreciado. Eu também estaria disposto a aceitar outros indicadores de entropia que podem estar disponíveis (eles parecem ser raros), desde que eles sigam o método de autorregressão ou entropia máxima. Indicador funciona em um gráfico de modo offline que está anexado a um gráfico on-line, mas não dentro de um gráfico on-line. Mycroft: Normalmente, eu consideraria essa programação com indicadores defeituosos, mas funciona com gráficos off-line como pretendido. Mas o gráfico geralmente desacelera, corre muito devagar, ou eventualmente congela. Isso é porque é defeituoso. Os gráficos off-line recebem uma mensagem de atualização e o indicador recalcula todas as barras (isto é seu atraso). Reduzir as barras máximas no gráfico para algo razoável (1K) Os gráficos normais não recebem uma mensagem de atualização, (apenas novos carrapatos) e deve recalcular apenas a barra zero. O indicador está quebrado. Código atual. (Eu suspeito que esse é o problema.) Você deve contar para baixo ao fechar o encerramento em um loop de posição. Tenha o hábito de sempre contar. O indicador deve, portanto, não devemos verificar se eles estão repaintiando. Projeto de sistema de comércio intra-dia com base no modelo integrado de Wavelet De-Noise e programação genética recebido: 13 de outubro de 2017 Revisado: 24 de novembro de 2017 Aceito: 1 de dezembro de 2017 Publicado: 6 de dezembro 2017 Figura 1 ltcaptiongt ltpgtFlow gráfico da experiência. ltpgt ltcaptiongt Figura 2 ltcaptiongt ltpgtOriginal data PL de cada dia de negociação. ltpgt ltcaptiongt Figura 3 ltcaptiongt ltpgtHard limiar de-noised dados PL de cada dia. ltpgt ltcaptiongt Figura 4 ltcaptiongt ltpgtSoft limiar de-noised dados PL de cada dia. ltpgt ltcaptiongt Figura 5 ltcaptiongt ltpgt PL cumulativo de dados originais. ltpgt ltcaptiongt Figura 6 ltcaptiongt ltpgt PL cumulativo de dados de desníveis com limiar rígido. ltpgt ltcaptiongt Figura 7 ltcaptiongt ltpgt PL cumulativo de limiar macio dados desativados. ltpgt ltcaptiongt Análise técnica Provou ser capaz de explorar as flutuações de curto prazo nos mercados financeiros. Resultados recentes indicam que a abordagem de timing de mercado supera muitas abordagens tradicionais de compra e retenção na maioria dos períodos de negociação de curto prazo. A programação genética (GP) foi usada para gerar regras comerciais de curto prazo nos mercados de ações nas últimas décadas. No entanto, alguns dos estudos relacionados na análise de séries temporais financeiras com programação genética consideraram as características não estacionárias e ruidosas das séries temporais. Neste artigo, para desativar as séries temporais financeiras originais e para pesquisar regras de negociação rentáveis, um método integrado é proposto com base no método Wavelet Threshold (WT) e GP. Uma vez que a informação relevante que afeta o movimento das séries temporais é assumida como totalmente digerida durante os períodos de fechamento do mercado, para evitar os pontos de salto dos dados diários ou mensais, neste artigo, as séries temporais de alta freqüência intra-dia são usadas para Explorar plenamente a vantagem de previsão de curto prazo da análise técnica. Para validar a abordagem integrada proposta, um estudo empírico é conduzido com base nos futuros do Mercado de Valores da China (CSI) 300 no mercado emergente da Bolsa de Futuros Financeiros da China (CFFEX). Os resultados da análise mostram que a abordagem do ruído-ruído da wavelet supera muitos modelos comparativos. Veja o texto completo Figura 1 ltcaptiongt ltpgtFlow gráfico da experiência. ltpgt ltcaptiongt Figura 2 ltcaptiongt ltpgtOriginal data PL de cada dia de negociação. ltpgt ltcaptiongt Figura 3 ltcaptiongt ltpgtHard limiar de-noised dados PL de cada dia. ltpgt ltcaptiongt Figura 4 ltcaptiongt ltpgtSoft threshold de - dados não divulgados PL de cada dia. ltpgt ltcaptiongt Figura 5 ltcaptiongt ltpgt PL acumulativo de dados originais. ltpgt ltcaptiongt Figura 6 ltcaptiongt ltpgt PL acumulativo de dados de desativação do limite rígido. ltpgt ltcaptiongt Figura 7 ltcaptiongt ltpgt PL cumulativo de limiar macio de-ruído data. ltpgt Ltcaptiongt Este é um artigo de acesso aberto distribuído sob a Licença de atribuição de Commons, que permite uso, distribuição e reprodução sem restrições em qualquer meio, desde que o trabalho original seja devidamente citado. (CC BY 4.0). Alerta de Scifeed para novas publicações Nunca perca nenhum artigo que corresponda à sua pesquisa de qualquer editor Receba alertas para novos artigos que correspondem à sua pesquisa Descubra os novos artigos de autores selecionados Atualizado diariamente para 49000 revistas e 6000 editores Definir seu Scifeed agora Compartilhar Citar este artigo MDPI e ACS Estilo Liu, H. Ji, P. Jin, J. Projeto de sistema de comércio intra-dia com base no modelo integrado de Wavelet De-Noise e programação genética. Entropy 2017. 18. 435. Liu H, Ji P, Jin J. Intra-Day Trading System Design Baseado no Modelo Integrado de Wavelet De-Noise e Programação Genética. Entropia. 2017 18 (12): 435. Liu, Hongguang Ji, Ping Jin, Jian. 2017. Projeto do sistema de negociação intra-dia com base no Modelo Integrado de Deslizamento Wavelet e Programação Genética. Entropy 18, no. 12: 435. Encontre outros estilos Artigos relacionados Artigo Métricas Estatísticas de acesso ao artigo
No comments:
Post a Comment