【交易陷阱】关于孕线的诱多与诱空解析。
孕线通常是经常三角整理之后的突破形态，
但在一些特殊情况下就能成为反转形态。
===================================
常规形态：
孕线突破后通常会向突破方向继续运行，
运行的距离至少子线1：1，一般为2：1.
===================================
反转形态：
反转形态的形成是在常规形态失败后形成的，
如果你是一个聪明的交易者，你是完全可以
先做一个常规形态1：1减仓推保护.如果价格
是假突破自然会回来打掉你的保护。如果是
真的突破，那你后面的半仓可以有更多盈利
的可能。如果你想参与这波假突破也是一个
不错的交易机会。因为反转的盈利空间是远
远大于一个中继交易的盈利空间。
===================================
因此，你需要注意的是：
1、母线必须是阴动线，实体越饱满越好。
2、子线是阳动线或阴静线，不要回到超
过母线的一半以上。
3、突破的K线收盘价必须高于子线的开
盘价格，这样才能有更高的胜率，因为突破
K线的收盘位置决定买盘强度。强度越强，收
盘价越高，收盘后上涨空间更大。
===================================
实战交易技巧：
1、当价格孕线下破后但是快速收回到子线开
盘价格上方时，可以在收盘前几秒提前买入。
2、可以在价格上破突破K线的开盘价后追多。
3、可以用PINBAR回撤一半的规则买入。
===================================
交易预期：
什么是交易预期？
当你入场后快速向你预期的方向运行，你的
账户能够快速进入获利水平并且在不断扩大
你的账面浮盈，这才是最好的预期，而如果
入场后就一直是浮亏的，那么你的计划极有
可能会亏损。
基于LSTM的股票预测模型_python实现_超详细
zxm_ 已于 2022-07-14 11:17:07 修改 88637 收藏 2101
近年来，股票预测还处于一个很热门的阶段，因为股票市场的波动十分巨大，随时可能因为一些新的政策或者其他原因，进行大幅度的波动，导致自然人股民很难对股票进行投资盈利。因此本文想利用现有的模型与算法，对股票价格进行预测，从而使自然人股民可以自己对股票进行预测。
理论上，股票价格是可以预测的，但是影响股票价格的因素有很多，而且目前为止，它们对股票的影响还不能清晰定义。这是因为股票预测是高度非线性的，这就要预测模型要能够处理非线性问题，并且，股票具有时间序列的特性，因此适合用循环神经网络，对股票进行预测。
虽然循环神经网络（RNN），允许信息的持久化，然而，一般的RNN模型对具备长记忆性的时间序列数据刻画能力较弱，在时间序列过长的时候，因为存在梯度消散和梯度爆炸现象RNN训练变得非常困难。Hochreiter 和 Schmidhuber 提出的长短期记忆（ Long Short-Term Memory，LSTM）模型在RNN结构的基础上进行了改造，从而解决了RNN模型无法刻画时间序列长记忆性的问题。
综上所述，深度学习中的LSTM模型能够很好地刻画时间序列的长记忆性。
二、主要技术介绍
1、RNN模型
2、LSTM模型
长短期记忆模型（long-short term memory）是一种特殊的RNN模型，是为了解决反向传播过程中存在梯度消失和梯度爆炸现象，通过引入门（gate）机制，解决了RNN模型不具备的长记忆性问题，LSTM模型的结构如图：
具体来说，LSTM模型的1个神经元包含了1个细胞状态（cell）和3个门（gate）机制。细胞状态（cell）是LSTM模型的关键所在，类似于存储器，是模型的记忆空间。细胞状态随着时间而变化，记录的信息由门机制决定和更新。门机制是让信息选择式通过的方法，通过sigmoid函数和点乘操作实现。sigmoid取值介于0～1之间，乘即点乘则决定了传送的信息量（每个部分有多少量可以通过），当sigmoid取0时表示舍弃信息，取1时表示完全传输(即完全记住)股票中的“孕线”形态 [2]。
LSTM 拥有三个门，来保护和控制细胞状态：遗忘门（forget gate）、更新门（update gate）和输出门（output gate）。
细胞状态类似于传送带。直接在整个链上运行，只有一些少量的线性交互。信息在上面流传保持不变会很容易。
如图：
3、控制门工作原理
遗忘门
更新门
输出门
四、代码实现
五、案例分析
1、数据说明
本实验分析了两种股票种类，为某单支股票（6109个连续时间点）数据data2上证综合指数前复权日线（6230个连续时间点，1991年到2016年）数据作为data2，分别保存在两个文件中，将两个数据集的最后一列设定为label。前90%数据作为训练集，后10%作为测试集。
Data1:
本次实验所采用的为LSTM模型：
输入神经元个数 input_size = 选取列数
输出神经元个数 output_size = 1 （预测值个数）
学习率 lr = 0.0006
随机初始化初始化网络权重
2、数据预处理
零-均值规范化（z-score标准化）：
标准化值，是讲集合中单个数与集合的均值相减的结果除以集合的标准差得到的标准化的结果，该方法类似与正态分布标准化转换，转换函数公式为：
公式中x为需要被标准化的原始值，μ为均值，σ为标准差，σ不等于0。
Z分数标准化处理后的值代表原始值和集合均值之间的举例，以标准差为单位计算。该值存在正负值，低于均值均为辅助，反之则为证书，其范围为[-∞，+∞],数据均值为0，方差为1。
3、损失函数
损失函数（Loss function）是用来估量网络模型的预测值X与真实值Y的不一致程度，它是一个非负实值函数，通常用 L(Y,f(x))来表示。损失函数越小，模型的鲁棒性就越好。损失函数是经验风险函数的核心部分，也是结构风险函数的重要组成部分。
本实验采取十分常用的均方误差损失：
平方损失也可以理解为是最小二乘法，一般在回归问题中比较常见，最小二乘法的基本原理是：最优拟合直线是使各点到回归直线的距离和最小的直线，即平方和最。同时在实际应用中，均方误差也经常被用为衡量模型的标准：
4、误差标准
相对偏差是指某一次测量的绝对偏差占平均值的百分比。
5、可视化UI
六、参数设置
1、输入维度及迭代次数
由表一可见，输入维度越多，网络训练效果越好；迭代次数在100次时，网络已经比较稳定。
2、忘记偏置
由表二可见，在data1(单支股票)forget_bias适当减小，即忘记部分信息，网络训练效果有些许提高，但在data2(大盘)中，网络训练效果却有所下滑。个人认为，可能是因为对于单支股票来说，近2天的数据相关程度比较小，而在大盘中，因为近2天的数据相关程度比较大，毕竟有多方面因素影响股价。
3、LSTM单元数
4、可视化结果
选取数据集data1，迭代次数为200次
（1）、忘记偏置=1.0 ， LSTM单元数 = 2
（2）、忘记偏置=0.7 ， LSTM单元数 = 2（表现最好）
（3）、忘记偏置=1.0 ， LSTM单元数 = 7
（4）、忘记偏置=1.0 ， LSTM单元数 = 14
（5）、忘记偏置=0.7， LSTM单元数 = 7
（6）、忘记偏置=0.4 ， LSTM单元数 = 7
（7）、忘记偏置=0.4 ， LSTM单元数 = 14
完整程序下载
注意，代码下载后仍需自行调试~
积分值为5（如果有变为csdn自行修改）——完整代码其实和上面贴出的差别不大，酌情下载~
https://download.csdn.net/download/zxm_jimin/12126063
参考文献
[1] 陈卫华. 基于深度学习的上证综指波动率预测效果比较研究[D].统计与信息论坛，2018.
[2] Hochreiter & Schmidhuber. Long short-term memory［ J］. Neural Computation， 1997， 9（ 8）.
参考博客
https://blog.csdn.net/jiaoyangwm/article/details/79725445
https://blog.csdn.net/mylove0414/article/details/56969181
感谢各位大佬看到最后~
本文为原创。转载请注明出处。
注：原理部分，参考了一些文章，博客，如有侵权请联系，我附上原出处。
Small_Inside_Bar_Strategy - MetaTrader 5EA
* 对于挂单 (以及止损或止盈)，放置停止单的最小允许距离是 StopLevel。 即，挂单 (以及止损或止盈) 不能放置在比上述距离更靠近现价的地方。 但是，如果 StopLevel为零，它只是说明 StopLevel 处于浮动状态，而并非不存在。 在这种情况下，最小距离通常是 spread*2 的值，但有时甚至是双倍点差也是不够的。 这就是为什么我们为 EA 引入自定义点差乘数来计算挂单的最小距离。
*** EA 参数中设置这种逐笔报价间等待时间的数量。 尝试获取有关环境准确信息的努力之后，智能交易系统退出处理并等待下一次逐笔报价。 如果此时更新交易环境失败，则 EA 将在这新的逐笔报价来临时重复尝试。
为了检验策略，在 2016.01.04 至 2018.03.29 的时间段内，使用 EURUSD H1 在 1 分钟 OHLC 模式下测试默认设置。 然后，为了找到止损和止盈的最佳值，后者在相同的模式和相同的时间段内进行了优化。
基于LSTM的股票预测模型_python实现_超详细
zxm_ 已于 2022-07-14 11:17:07 修改 88638 收藏 2101
近年来，股票预测还处于一个很热门的阶段，因为股票市场的波动十分巨大，随时可能因为一些新的政策或者其他原因，进行大幅度的波动，导致自然人股民很难对股票进行投资盈利。因此本文想利用现有的模型与算法，对股票价格进行预测，从而使自然人股民可以自己对股票进行预测。
理论上，股票价格是可以预测的，但是影响股票价格的因素有很多，而且目前为止，它们对股票的影响还不能清晰定义。这是因为股票预测是高度非线性的，这就要预测模型要能够处理非线性问题，并且，股票具有时间序列的特性，因此适合用循环神经网络，对股票进行预测。
虽然循环神经网络（RNN），允许信息的持久化，然而，一般的RNN模型对具备长记忆性的时间序列数据刻画能力较弱，在时间序列过长的时候，因为存在梯度消散和梯度爆炸现象RNN训练变得非常困难。Hochreiter 和 Schmidhuber 提出的长短期记忆（ Long Short-Term Memory，LSTM）模型在RNN结构的基础上进行了改造，从而解决了RNN模型无法刻画时间序列长记忆性的问题。
综上所述，深度学习中的LSTM模型能够很好地刻画时间序列的长记忆性。
二、主要技术介绍
1、RNN模型
2、LSTM模型
长短期记忆模型（long-short term memory）是一种特殊的RNN模型，是为了解决反向传播过程中存在梯度消失和梯度爆炸现象，通过引入门（gate）机制，解决了RNN模型不具备的长记忆性问题，LSTM模型的结构如图：
具体来说，LSTM模型的1个神经元包含了1个细胞状态（cell）和3个门（gate）机制。细胞状态（cell）是LSTM模型的关键所在，类似于存储器，是模型的记忆空间。细胞状态随着时间而变化，记录的信息由门机制决定和更新。门机制是让信息选择式通过的方法，通过sigmoid函数和点乘操作实现。sigmoid取值介于0～1之间，乘即点乘则决定了传送的信息量（每个部分有多少量可以通过），当sigmoid取0时表示舍弃信息，取1时表示完全传输(即完全记住)[2]。
LSTM 拥有三个门，来保护和控制细胞状态：遗忘门（forget gate）、更新门（update gate）和输出门（output gate）。
细胞状态类似于传送带。直接在整个链上运行，只有一些少量的线性交互。信息在上面流传保持不变会很容易。
如图：
3、控制门工作原理
遗忘门
更新门
输出门
四、代码实现
五、案例分析
1、数据说明
本实验分析了两种股票种类，为某单支股票（6109个连续时间点）数据data2上证综合指数前复权日线（6230个连续时间点，1991年到2016年）数据作为data2，分别保存在两个文件中，将两个数据集的最后一列设定为label。前90%数据作为训练集，后10%作为测试集。
Data1:
本次实验所采用的为LSTM模型：
输入神经元个数 input_size = 选取列数
输出神经元个数 output_size = 1 （预测值个数）
学习率 lr = 0.0006
随机初始化初始化网络权重
2、数据预处理
零-均值规范化（z-score标准化）：
标准化值，是讲集合中单个数与集合的均值相减的结果除以集合的标准差得到的标准化的结果，该方法类似与正态分布标准化转换，转换函数公式为：
公式中x为需要被标准化的原始值，μ为均值，σ为标准差，σ不等于0。
Z分数标准化处理后的值代表原始值和集合均值之间的举例，以标准差为单位计算。该值存在正负值，低于均值均为辅助，反之则为证书，其范围为[-∞，+∞],数据均值为0，方差为1。
3、损失函数
损失函数（Loss function）是用来估量网络模型的预测值X与真实值Y的不一致程度，它是一个非负实值函数，通常用 L(Y,f(x))股票中的“孕线”形态 来表示。损失函数越小，模型的鲁棒性就越好。损失函数是经验风险函数的核心部分，也是结构风险函数的重要组成部分。
本实验采取十分常用的均方误差损失：
平方损失也可以理解为是最小二乘法，一般在回归问题中比较常见，最小二乘法的基本原理是：最优拟合直线是使各点到回归直线的距离和最小的直线，即平方和最。同时在实际应用中，均方误差也经常被用为衡量模型的标准：
4、误差标准
相对偏差是指某一次测量的绝对偏差占平均值的百分比。
5、可视化UI
六、参数设置
1、输入维度及迭代次数
由表一可见，输入维度越多，网络训练效果越好；迭代次数在100次时，网络已经比较稳定。
2、忘记偏置
由表二可见，在data1(单支股票)forget_bias适当减小，即忘记部分信息，网络训练效果有些许提高，但在data2(大盘)中，网络训练效果却有所下滑。个人认为，可能是因为对于单支股票来说，近2天的数据相关程度比较小，而在大盘中，因为近2天的数据相关程度比较大，毕竟有多方面因素影响股价。
3、LSTM单元数
4、可视化结果
选取数据集data1，迭代次数为200次
（1）、忘记偏置=1.0 ， LSTM单元数 = 2
（2）、忘记偏置=0.7 ， LSTM单元数 股票中的“孕线”形态 = 2（表现最好）
（3）、忘记偏置=1.0 ， LSTM单元数 = 7
（4）、忘记偏置=1.0 ， LSTM单元数 = 14
（5）、忘记偏置=0.7， LSTM单元数 = 7
（6）、忘记偏置=0.4 ， LSTM单元数 = 7
（7）、忘记偏置=0.4 ， LSTM单元数 = 14
完整程序下载
注意，代码下载后仍需自行调试~
积分值为5（如果有变为csdn自行修改）——完整代码其实和上面贴出的差别不大，酌情下载~
https://download.csdn.net/download/zxm_jimin/12126063
参考文献
[1] 陈卫华. 基于深度学习的上证综指波动率预测效果比较研究[D].统计与信息论坛，2018.
[2] Hochreiter & Schmidhuber. Long short-term memory［ J］. Neural Computation， 1997， 9（ 8）.
参考博客
https://blog.csdn.net/jiaoyangwm/article/details/79725445
https://blog.csdn.net/mylove0414/article/details/56969181
感谢各位大佬看到最后~
本文为原创。转载请注明出处。
注：原理部分，参考了一些文章，博客，如有侵权请联系，我附上原出处。