Mekaniske Handelssystemer Forex

Hvordan å vinne med mekaniske handelssystemer. Mange blekk har vært viet til å identifisere årsakene til mekaniske handelssystemfeil, spesielt etter det faktum. Selv om det kan virke oksymoronisk eller, for noen handelsmenn, bare moronske, er hovedårsaken til at disse handelssystemene mislykkes fordi de stoler for mye på håndfri, brann og glem natur av mekanisk handel Algoritmer mangler selv det objektive menneskelige tilsyn og tiltak som er nødvendige for å hjelpe systemene utvikle seg i takt med endrede markedsforhold. Manglende mekaniske handelssystemer eller svikt i handelsbransjen. I stedet for å bekjempe handelssystemssvikt, er det mer konstruktivt å vurdere hvordan handelsmenn kan få det beste fra begge verdener. Det vil si at handelsmenn kan nyte fordelene ved algoritmforvaltede mekaniske handelssystemer, for eksempel automatiske henrettelser med rask brann og følelsesfrie handelsbeslutninger, mens de fremdeles bruker sin medfødte menneskelige evne til å tenke på feil og suksess. Den viktigste e lement av enhver trader er menneskelig evne til å utvikle Traders kan endre og tilpasse sine handelssystemer for å fortsette å vinne før tapene blir økonomisk eller følelsesmessig ødeleggende. Velg riktig type og mengde markedsdata for testing. Suksessfulle handelsmenn bruker et system med repeterende Regler for å høste gevinster fra kortvarige ineffektiviteter i markedet For små, uavhengige forhandlere i den store verden av verdipapirer og derivathandel, hvor spreads er tynne og konkurranseharde, kommer de beste mulighetene for gevinster fra å spotte markedets ineffektivitet basert på enkle, enkle å kvantifisere data og deretter ta til handling så raskt som mulig. Når en næringsdrivende utvikler og driver mekaniske handelssystemer basert på historiske data, håper han eller hun på fremtidige gevinster basert på ideen om at dagens markedseffektivitet vil fortsette hvis en handelsmann velger feil datasett eller bruker feil parametere for å kvalifisere dataene, kan dyrebare muligheter gå tapt samtidig. o da ineffektiviteten oppdaget i historiske data ikke lenger eksisterer, svikter handelssystemet ikke. Årsakene til at det forsvunnet er ubetydelig for den mekaniske forhandleren. Kun resultatene er avgjørende. Klikk på de mest relevante datasettene når du velger datasettet hvorfra du skal lage og teste mekanisk handelssystemer og for å kunne teste et utvalg som er stort nok til å bekrefte om en handelsregel fungerer konsekvent under et bredt spekter av markedsforhold, må en næringsdrivende bruke den lengste praktiske perioden med testdata. Så synes det hensiktsmessig å bygge mekaniske handelssystemer basert på både det lengste mulige historiske datasettet og det enkleste settet med designparametere. Robusthet anses generelt for evne til å motstå mange typer markedsforhold. Robusthet bør være iboende i ethvert system testet på tvers av et langsomt utvalg av historiske data og enkle Regler Langvarig testing og grunnleggende regler bør gjenspeile den bredeste rekke potensielle markedsforhold i fremtiden. Alle mekaniske t radsystemer vil etter hvert mislykkes fordi historiske data tydeligvis ikke inneholder alle fremtidige hendelser. Et system basert på historiske data vil til slutt møte historiske forhold. Menneskelig innsikt og intervensjon hindrer automatiserte strategier fra å løpe av skinnene. Folkene på Knight Capital vet noe om live trading snafus. Enkelhet vinner ved sin tilpasningsevne. Suksessfulle mekaniske handelssystemer er som levende og pustende organismer. Verdens geologiske lag er fylt med fossiler av organismer som, selv om de er ideell for kortsiktig suksess i sine historiske tidsperioder, var for spesialiserte for langsiktig Overlevelse og tilpasning Enkle algoritmiske mekaniske handelssystemer med menneskelig veiledning er best fordi de kan gjennomgå rask, enkel utvikling og tilpasning til endringsforholdene i miljøet, les markedsplassen. Enkelte handelsregler reduserer potensiell innvirkning av data mining bias Bias fra data mining er problematisk fordi det kan overst spiste hvor godt en historisk regel vil gjelde under fremtidige forhold, spesielt når mekaniske handelssystemer er fokusert på korte tidsrammer. Enkle og robuste mekaniske handelssystemer bør ikke påvirkes av tidsrammer som brukes til testformål. Antall testpunkter funnet i en gitt Rekkevidden av historiske data skal fortsatt være stor nok til å bevise eller motbevise gyldigheten av handelsreglene som blir testet. Angitt på annen måte, vil enkle, robuste mekaniske handelssystemer overskride data mining bias. Hvis en forhandler bruker et system med enkle designparametere, for eksempel QuantBar-systemet og tester det ved å bruke den lengste passende historiske tidsperioden, vil de eneste andre viktige oppgavene være å holde fast ved disiplinen med å handle systemet og overvåke resultatene fremover Observasjon muliggjør evolusjon. På den annen side handler handelsmenn som bruker mekaniske handelssystemer som er bygget fra et komplekst sett med flere parametere, kan risikere å utvikle systemene tidlig utryddelse. Build et robust system som utnytter det beste av mekanisk handel uten å falle bytte til svakhetene. Det er viktig å ikke forveksle robustheten i mekaniske handelssystemer med deres tilpasningsevne. Systemer utviklet basert på en rekke parametre som førte til vinnende handler under historisk perioder og selv i nåværende observerte perioder blir ofte beskrevet som robuste. Det er ingen garanti for at slike systemer kan vellykkes tweaked når de har handlet forbi deres bryllupsreise. Det er en første handelsperiode hvor forholdene skjer sammenfallende med en viss historisk periode som systemet var basert på. Enkelte mekaniske handelssystemer er lett tilpasset nye forhold, selv om de grunnleggende årsakene til markedsendringer forblir uklare og komplekse systemer faller ned. Når markedsforholdene endrer seg, som de kontinuerlig gjør, er handelssystemene som er mest Sannsynligvis fortsette å vinne er de som er enkle og lettest tilpassbare til n ew forholdene er et virkelig robust system, en som har lang levetid fremfor alt. Enkelte algoritmiske mekaniske handelssystemer med menneskelig veiledning er best fordi de kan gjennomgå rask, enkel utvikling og tilpasning til endringsforholdene i miljøet, les markedsplassen. Dessverre, etter å ha opplevd en første periode med gevinster ved bruk av altfor komplekse mekaniske handelssystemer, faller mange handelsmenn inn i fellen for å forsøke å tilpasse disse systemene til suksess Markedet er ukjent, men i endring, forholdene kan allerede ha dømt hele arten av mekaniske handelssystemer til utryddelse igjen , enkelhet og tilpasningsevne til endrede forhold, gir det beste håp om å overleve ethvert handelssystem. Bruk en objektiv måling for å skille mellom suksess og fiasko. En næringsdrivendes mest vanlige fall er et psykologisk vedlegg til hans eller hennes handelssystem. Når handelssystem feil oppstår, det er vanligvis fordi handelsmenn har vedtatt en subjektiv snarere enn objektiv vie wpoint, spesielt med hensyn til stopp-tap under bestemte bransjer. Menneskets natur driver ofte en næringsdrivende for å utvikle et følelsesmessig vedlegg til et bestemt system, spesielt når handelsmannen har investert betydelig tid og penger i mekaniske handelssystemer med mange komplekse deler som er vanskelig å forstå Men det er kritisk viktig for en næringsdrivende å gå utenfor systemet for å vurdere det objektivt. I noen tilfeller blir forhandleren forvirret om det forventede suksess for et system, til og med for å fortsette å handle Et åpenbart tapende system langt lenger enn en subjektiv analyse ville ha tillatt, eller etter at en periode med fett har vunnet, kan en handler bli gift med et tidligere vinnende system, selv om skjønnheten falmer under presset av tap. Verre, en næringsdrivende kan falle inn i fellen for selektivt å velge testperioder eller statistiske parametere for et allerede tapt system, for å opprettholde falsk håp for at systemet fortsetter verdi. En objektiv målestokk, for eksempel ved å bruke standardavviksmetoder for å vurdere sannsynligheten for nåværende svikt, er den eneste vinnende metoden for å avgjøre om mekaniske handelssystemer virkelig har mislyktes. Gjennom et objektivt øye er det enkelt for en næringsdrivende å raskt oppdage feil eller potensiell svikt i mekaniske handelssystemer, og et enkelt system kan raskt og enkelt tilpasses for å skape et nytt vinnende system. Failure of mechanical trading systems blir ofte kvantifisert basert på en sammenligning av de nåværende tapene målt mot det historiske tapet eller drawdowns En slik analyse kan føre til en subjektiv og feil konklusjon Maksimal drawdown blir ofte brukt som terskelmetrisk som en forhandler vil forlate et system uten å vurdere hvordan systemet nådde det drawdown-nivået eller hvor lenge det var nødvendig for å nå det nivået, bør en næringsdrivende ikke konkludere med at systemet er en taper basert på drawdown alene. Standardavvik versus drawdo wn som en metrisk av feil. Faktisk er den beste metoden for å unngå å kaste bort et vinnende system, å bruke en objektiv måle standard for å bestemme gjeldende eller nylig distribusjon av avkastning fra systemet oppnådd mens det faktisk handles. Sammenlign denne måling mot den historiske fordeling av avkastning beregnet fra back-testing, mens tildeling av en fast terskelverdi i henhold til sikkerheten om at den nåværende tapende fordeling av mekaniske handelssystemer faktisk er utenfor normale, forventbare tap, og derfor bør kastes som mislykket. Så for For eksempel, anta at en næringsdrivende ignorerer det nåværende utvinningsnivået som har signalisert et problem og utløst sin undersøkelse. I stedet sammenligner den nåværende tapstreken mot de historiske tapene som ville ha oppstått under handel i systemet under historiske testperioder Avhengig av hvor konservativ en forhandler er , kan han eller hun oppdage at det nåværende eller siste tapet er utover, si 95 sikkerhetsnivået i mplied av to standardavvik fra det normale historiske tapsnivået Dette ville sikkert være et sterkt statistisk tegn på at systemet utfører dårlig, og har derfor mislyktes. I motsetning kan en annen næringsdrivende med større appetitt for risiko objektivt bestemme at tre standardavvik fra norm, dvs. 99 7 er riktig sikkerhetsnivå for å bedømme et handelssystem som mislykket. Den viktigste faktoren for enhver handelssystems suksess, enten manuell eller mekanisk, er alltid den menneskelige beslutningsevne Verdien av gode mekaniske handelssystemer er det, Som alle gode maskiner, minimerer de menneskelige svakheter og gir muligheter til å nå langt bedre enn de som kan oppnås gjennom manuelle metoder. Men når de er riktig bygget, tillater de fortsatt kontroll i henhold til dommernes dom og lar ham eller henne unngå å hindre hindringer og potensielle feil. Selv om en næringsdrivende kan bruke matte i form av en statistisk beregning av standardfordeling for å vurdere om en lo ss er normalt og akseptabelt i henhold til historiske poster, er han eller hun fortsatt avhengig av menneskelig vurdering i stedet for å gjøre rentmekaniske, mattebaserte beslutninger basert på algoritmer alene. Tradere kan nyte det beste fra begge verdener Algoritmer og mekanisk handel minimerer effektene av menneskelig følelse og tardiness på ordreplassering og utførelse, spesielt med hensyn til å opprettholde stopp-tap disiplin. Det bruker fortsatt den objektive vurderingen av standardavvik for å beholde menneskelig kontroll over handelssystemet. Be forberedt på forandring, og vær forberedt på å forandre handelssystemet. Sammen med objektiviteten for å oppdage når mekaniske handelssystemer skifter fra vinnere til tapere, må en næringsdrivende også ha disiplin og fremsyn for å utvikle og endre systemene slik at de kan fortsette å vinne under nye markedsforhold. I noen miljøet fylles med forandring, jo enklere systemet, jo raskere og lettere vil evolusjonen bli. Hvis en kompleks strategi mislykkes, kan det være enklere å erstatte enn å endre det, mens noen av de enkleste og mest intuitive systemene, som for eksempel QuantBar-systemet, er relativt enkle å endre på flyet for å tilpasse seg fremtidige markedsforhold. Sammendrag kan det være sa at ordentlige mekaniske handelssystemer bør være enkle og tilpasningsdyktige og testet i henhold til riktig type og mengde data slik at de vil være robuste nok til å produsere gevinster under mange forskjellige markedsforhold og et vinnende system må dømmes av Den riktige metriske suksess I stedet for å bare stole på algoritmiske handelsregler eller maksimale utvinningsnivåer, må enhver beslutning om hvorvidt et system har feilet, gjøres i henhold til næringsdrivendes vurdering og basert på en vurdering av antall standardavvik fra systemets nåværende ytelse når det måles mot historiske tapstester Hvis mekaniske handelssystemer ikke klarer å utføre, skal næringsdrivende foreta de nødvendige endringene i stedet for å klamre seg til en losi bare fordi et system fungerte for 20 år siden, betyr det ikke at det skal fungere i dag. Vær forsiktig når du foreslår å teste et system over en lengre periode. Hvor lenge er lang. Likeledes, hvor enkelt er enkelt Fire regler med totalt fire variabler Syv Regler med totalt ti variabler Jeg vil generelt være enig i at enklere er bedre, men hva er enkelt. Bruke standardavviket av avkastning bør gi tilsvarende konklusjoner for å kjøre en Monte Carlo-analyse som ikke er vanskelig med programvare som er tilgjengelig. Med en MC-analyse, Som du er klar over, kan man se de mulige avkastningene og mulige trekk. Fremtiden må ikke ligne fortiden, men en MC-analyse er en måte å teste et system på. Enkel å gi retningslinjer vanskelig å utvikle et system med en kant som er vanskeligst å handle om mulig, del noen variabel 2 gjør et handelssystem for enkelhets skyld, gjør det enkelt. Bruksregler Avslutningsregler Stopp eller fortjeneste Exit. Short Regler Kortutganger Stopp eller fortjeneste Exit. Stay ut hvis nødvendig som per systemposisjon siz jeg vurderer maksimal drawdown. Thats det kan legge til noe råd du vil. Takk for innlegget, jeg er enig med mange ting du nevnte Og dessuten gir meg et par ideer å prøve. Han er alle Shaun, jeg er enig i å fokusere på ikke å miste er en veldig viktig suksess. Tarun, en EA som jeg har bygget som er veldig vellykket, bruker en enkel pivot punkt swing trading strategi En tilpasset indikator for min egen gir meg en premarket bias opp eller ned og min trigger for oppføring er markedet prisen innenfor et 2 pip-område av den viktigste daglige pivot exit-strategien er enkel også, prisen vil enten stoppe ut eller lukke halvparten av posisjonen til Support1 eller Resistance1 Stoploss blir deretter flyttet for å bryte, og prisen vil da stoppe eller nå S2 eller R2 hvor punkt halvparten av gjenværende stilling er lukket igjen, stoploss er flyttet til S1 eller R1 Prisen vil da stoppe eller flytte til S3 eller R3 hvor det gjenværende stillingen er stengt Den enkle strategien er verdt 1 million dollar over en 15 års periode fri, min glede folk flest vil ikke gjør noe med denne informasjonen uansett lol. Dilema Simple strategi, svært komplisert EA hvorfor fordi hver strategi har grenser og å vite hva som får det til å mislykkes, er det første skrittet for å fokusere på ikke å miste aka, legge til rette for å markedsføre markedet og lage din EA enten stengt av eller tilpasser seg når markedet virker på en måte som er dårlig for strategien din også, RR, balansevern og bruk av LOT-skala gjør EA ganske komplisert, men det er vel verdt innsatsen kombinere en enkel strategi med et detaljert styringssystem inne av en kompleks EA er verdt 50million over 15 år Ikke forvent at denne typen system kommer sammen om natten, jeg tilbrakte 2 år med å bygge mine, men det har vært en veldig spennende reise. Hvis du er lidenskapelig om handel og EA, er det bare ikke å gi opp opphold fokusert og fortsett å lære. Indeed Du kan publisere de fleste strategier i avisen Nesten ingen ville gjøre noe med det. Jeg elsker vekten på å ikke miste heller enn å vinne. Du snakker språket mitt. Jeg vil legge til 3 poeng å vurdere når evaluering av ytelsen til programmerte handelssystemer Først og fremst når du tester et system i MetaTrader på nytt, er det viktig å huske at MT4 ikke gir en sann tick-datastrøm. Det simulerer bare kryssdataene ved å bruke databarmer lagret i History Center , Dette betyr at svært nylig prishistorikk kan bygges fra 1 eller 5 minutters barer og historien lenger ut kan bygges fra 15 eller 30 minutters barer. Runningstester over flere år kan tvinge MT4 til å simulere tippdataene ved hjelp av barer med enda større tidsperioder Dette er grunnen til at du vil se mange ytelsestester som ble kjørt i MetaTrader over en periode på flere år som har en karakteristisk kurve. Det er en bratt lønnsom kurve i de tidlige årene og en flat til å miste kurven i den siste tidsperioden. Hvis systemet var kjøre på de sanne kryssdataene mest sannsynlig vil det utføre dårlig gjennom testperioden fordi de første årene ble simulert på 15M eller 30M barer og var mindre volati le enn den faktiske pris handling av perioden. For det andre, de fleste av de som design trading systemer har en tendens til å over optimalisere sitt system for å maksimere fortjenesten oppnådd i tidsperioden som ble brukt til å teste systemet. Som et eksempel, la s si systemet designer testet sitt system over en 5 års periode Den naturlige tilbøyelighet er å finjustere variablene for å maksimere fortjenesten Tankeprosessen går noe slikt Hvis systemet gir en 50 fortjeneste og en 2 5 profittfaktor i løpet av denne testperioden, så burde jeg komme til minst en akseptabel ytelse i sanntid bruk Tro meg dette er døds kyss i EA-programmering og årsaken til at så mange kommersielle ekspertrådgivere feiler Kunden kjøper inn i den lønnsomme ytelsen i løpet av testperioden og deretter uunngåelig taper når han prøver å kjøre EA med ekte penger Riktig back testing forsøker å finne den ekte gjennomsnittlige ytelsen til EA basert på flere testperioder. Endelig er det problemet som ble berørt på Artikkelen om å vite om resultatene du opplever er statisk gyldige Selvfølgelig, som Mr Flower sier om en tapende strikke er utenfor 2 standardavvik, så er sjansen for at noe har endret. Jeg vil påpeke at fordelingen av vinnende og tapende handler alltid er tilfeldig og bestemt av den totale prosentvis av vinnere eller tapere i en prøve av handler som antar at den er stor nok til å være statisk gyldig. For eksempel, la si at systemet krever en 50 vinnersats for å være lønnsomt Vel, vi vet allerede fra å bla en mynt som har samme 50 vinnersats som vinnerne og taperne vil ha en tendens til å klumpe sammen i vinnende striper og miste striper. Videre vet vi fra studien av statistikk at fordelingen av vinnere og tapere i EA med en 50 vinnersats vil være det samme som fordelingen som er oppnådd ved å kaste en mynt Namely, vil det være i en gruppe på 1000 handler i gjennomsnitt 8 tapende striper på 5 tapere på rad og 8 vinnende striper på 5 seier Ners i rad Likhet i en gruppe på 1000 handler, du bør også se i gjennomsnitt 4 tapende og vinnende striper på 6 på rad, 2 tapende og vinnende striper på 7 på rad og 1 vinnende og tapende strikke på 8 og 1 vinnende og taper stripe på 9 i en ro. Det er viktig at brukeren har en realistisk oppfatning av størrelse og antall tapende striper han vil møte ved å bruke EA Ellers vil han sikkert gi opp og ganske første gang han møter en forventet, miste serie av trades. That er en av de mange grunnene til at jeg ikke teste noe i MetaTrader. Jeg bruker den bare til live trading. De svake dataene og manglende evne til å teste porteføljer gjør det ubrukelig for mine formål. Du har rett til å overoptimalisere. Den enkleste måten å unngå dette er å minimere antall parametere i din strategi. Jeg har bare 4 i min Dominari-strategi, for eksempel. Takk for de detaljerte tankene. Manuell Forex Trading Systems. Stealth Forex Trading System. Stealth Forex Trading System ble designet med målet å lage mer vindende handler ved å gi deg enkle fargekodede kjøp og salg indikatorer som forteller deg når du skal handle med forhåndsdefinerte inntaksregistreringsregler Stealth Forex trading system gir 4 forskjellige handelsstiler, slik at du får maksimal fleksibilitet om hvordan og når du handler Kommer med penger - back-garanti Les mer. Hvordan gjør man manuelt handelssystem s? Manuelle handelssystemer i denne sammenheng er indikatorbaserte systemer som genererer kjøp og salg av signaler på hjemmedatamaskinen din i henhold til de forhåndsdefinerte reglene i strategien. Traders må manuelt sette handelen inn i deres konto basert på signaler generert av det indikatorbaserte manuelle handelssystemet. En generell polynomisk tidsbasert SL TP-mekanisme for vår PA-gruvedrift. Hvis du har fulgt bloggen min for en stund, kan du kanskje huske at jeg er en stor fan av funksjonsjustert utgangsmekanismer Jeg har diskutert dem lenge tidligere og til og med skrevet en artikkel i FX Trader magazine for å snakke om noen generelle aspekter av disse morsomme ctions I pKantu vår GPU-baserte systemgruveprogramvare har vi implementert 7 forskjellige funksjonsbaserte dynamiske SL TP-mekanismer, men vi har nå implementert en åtte mekanisme som i utgangspunktet tillater oss å ha en nesten uendelig variasjon i måten vi varierer på våre SL TP-verdier I dag vil jeg snakke om denne nye generiske polynomimekanismen, og hvorfor det er så viktig å utvide våre gruvegrenser. Ideen til disse funksjonsbaserte utgangsmekanismer er rett og slett å justere SL TP av en posisjon som en funksjon av tid ikke pris i rekkefølge å regne for det naturlige forfallet i forventning om lønnsomhet etter at en handel er inngått. I utgangspunktet forutsetter vi at når vi går inn i en handel, har vi maksimal forventning om å tjene penger og etter den tiden reduserer vi vårt akseptable tap SL, vår forventede fortjeneste TP eller bare både Siden vi mine systemer som passer til en bestemt type funksjonell utgangsmekanisme, har vi en tendens til å finne hvilke innføringer som er best tilpasset for å gi denne typen evolusjon som en funksjon av t Ime Siden i utgangspunktet enhver differensierbar funksjon kan brukes til å implementere dette konseptet, er det viktig å velge funksjoner som realistisk speiler en forventet priskurveprogresjon. Polynomialfunksjonene er spesielt godt tilpasset dette fordi de kan brukes til å lage kurver som tilbyr variasjoner som de som viste i det første bildet ovenfor I dette bildet kan du se SL TP evolusjonskurver du forventer for forskjellige polynomiske funksjoner for en initial SL TP på 50 pips med et BE-punkt på 20 barer. Alle disse funksjonene når en verdi på null etter 20 barer, men som du kan se oppføres veldig annerledes før og etter BE-punktet er nådd. Tanken er at ved å bare variere eksponenten til polynomfunksjonen, kan vi få forskjellige forskjellige typer prisutviklingsgrafer. Et system som bruker en SL-funksjon med X 0 25 funksjon forventer at prisen skal bevege seg veldig raskt i sin favør og da regner med at prisen går veldig sakte etter det mens X 4-funksjonen forventer det motsatte være havior å skje, pris å forbli relativt rolig i begynnelsen og deretter flytte raskt til fordel etter en gang Det er oppføring logikk sett som ville favorisere en av disse funksjonene. En generell polynom SL TP mekanisme utfører bare det ovenfor på en måte hvor Eksponenten til funksjonen er en variabel som gjør at vi i utgangspunktet kan få ethvert utvalg av atferd vi ønsker når det gjelder hastigheten som vi forventer at prisen skal flytte i vår favør. Den andre grafen som viser derivatene til disse funksjonene, lar oss se hvordan skråningen av funksjonene endres gjennom tid For X 0 25-funksjonen, for eksempel, blir initial SL redusert med 23 pips etter 1 bar mens for X 4-funksjonen er denne reduksjonen bare 0 0003 pips, eller i utgangspunktet null i reelle handelsvilkår. Men etter å ha nådd BE i stang 20 er variasjonen av X 0 25-funksjonen nå bare 0 63 pips, mens X 4-funksjonen nå har en mye større variasjon på 9 27 pips. Vi kan derfor oppnå et meget godt utvalg av innledende til siste pipendringer i SL TP-verdier ved å justere eksponenten til våre generiske polynomiske SL TP-funksjoner som også varierer typer og mangfold av systemer vi kan mines. Siden vi kan bruke et flytende tall for å justere eksponenten, så kan vi oppnå nesten alle innledende eller endelige variasjoner i evolusjon av SL TP vi ønsker. Selvfølgelig er det enda flere funksjoner som kan brukes, og det er enda mer komplekse funksjonsbaserte mekanismer som kan implementeres, for eksempel kombinere flere polynomiske funksjoner. Men den enkle generiske polynomimekanismen med en enkelt eksponentparameter tillater oss å holde gruvedriftskonsekvensen betydelig redusert, mens økningen i kompleksiteten ved valg av parametere som brukes til disse funksjonene utvilsomt vil øke vår gruvedriftskompensasjon til nivåer som ville gjøre systemutvinningen vanskeligere. Hvis du vil lære mer om pKantu og hvordan vi min handelsstrategier ved hjelp av GPU-teknologi, vær så snill å bli med på et nettsted fylt med utdanningsvideoer, trading sys tems, utvikling og en lyd, ærlig og gjennomsiktig tilnærming til automatisert.