SelWave SelSoft
2004-06-03 08:02:20 UTC
WurfWeiten-System OutbackBrumby - eine Gewinn-Machine!
Werte Gambler,
ich habe heute ein neues Software-Update ins Internet gestellt, welches Sie
gratis downloaden können.
Alle neuen Systeme sind im bereich SystemTester enthalten.
Insbesondere das WurfWeiten-System OutbackBrumby,
eine wahre Gewinnmaschine.
Nachstehend nur mal der Tag 1.6. in Hamburg.
Täöglich bis zu 500 Gewinnstücke kein Problem.
Das System berechnet automatisch, was zu setzen ist.
Zu setzen sind immer 3 Kesselsectoren a 6 Plein, also immer 18 Stücke.
Ein erheblicher Gewinnüberschuss ist drin.
Für die ersten Coups empfiehlt es sich, diese real im casino nicht zu setzen,
da in den ersten 10 Coups 50% Fehltreffer drin sind, weil der bisherige
Permanenzverlauf für das System sehr wichtig ist und es noch nicht in den
ersten Coups
genügend Reflectionen gibt.
Aber dann gehts los, ein Gewinn nach dem anderen.
Sie können es mit Ihren eigenen Permanenzen austesten und auch für das
Live-Gambling werden die entsprechend zu setzenden Pleins immer vorher
ausgegeben.
OutbackBrumby - ein Gewinn-terminator ohnes Gleichens.
free download
http://www.Roulette-Prognose.de.vu
http://5304.Rapidforum.com
http://www.SelWave.com
http://www.CasinoDeutschland.de
http://www.Gambling-Television.com
http://www.Gratis-Roulettesysteme.de.vu
http://www.Methodicus.de.vu
SelMcKenzie® SelWave® SelNeuron®
SelMedical® Selzer-McKenzie®
WurfWeiten-System *OutbackBrumby* Ein WurfWeiten-System, berechnet nach den
SelWave®-Waves, dem Fibonacci-Retracements und der Chaos-Fractal-Theory.
/copyright by SelMcKenzie®
SelMcKenzie® SelWave® SelNeuron® SelMedical®
Selzer-McKenzie®
©SelMcKenzie® SelWave®
Das Selzer-McKenzie Wellen Prinzip (SelWave) wurde in den 90er-Jahren durch
Selzer-McKenzie konzipiert. Er entdeckte, dass die Finanzmärkte nicht
chaotisch sind, sondern dass sich die Märkte in bestimmten Zyklen bewegen, die
die menschlichen Aktionen, hervorgerufen durch Ihre Emotionen bzw. durch
Massenpsychologie, reflektieren. Selzer-McKenzie fand heraus, dass sich Ebbe
und Flut der Massenpsychologie in immer wiederkehrenden Mustern, die sich in
sogenannte Wellen unterteilen lassen, wiederholen.Teilweise basierte
Selzer-McKenzie seine Arbeit auf der Dow Theorie, die Kursbewegungen ebenfalls
als Wellen definiert, Selzer-McKenzie entdeckte jedoch die fraktale Natur
dieser Kursbewegungen. Aus diesem Grund konnte Selzer-McKenzie die Märkte
tiefer analysieren und detaillierte Kursprognosen erstellen, indem er die
spezifischen Charakteristiken der Wellenmuster auf Basis der von ihm entdeckten
Muster identifizierte.Fraktale sind mathematische Strukturen, die sich auf
einer immer kleiner werdenden Skala unendlich wiederholen. Die von
Selzer-McKenzie erkannten Muster sind in der gleichen Art aufgebaut. Eine
Impulswelle, die mit dem Haupttrend geht, zeigt immer 5 Wellen in Ihrem Muster.
Auf einer kleineren Skala bestehen alle Impulswellen dieser zuvor erwähnten
Impulswelle wieder aus 5 Wellen. In diesem kleineren Muster wiederholen sich
die gleichen Muster ad finitium. Diese immer kleiner werdenden Muster werden im
Selzer-McKenzie Wellen Prinzip als unterschiedliche Wellengrade bezeichnet.Erst
nach Jahren des Studiums lernte Selzer-McKenzie diese sich wiederholenden
Muster der Aktienmärkte zu entdecken. Ausser auf diese Muster basierte
Selzer-McKenzie seine Marktprognosen auf die Fibonacci Zahlen. Lassen Sie uns
als erstes einen Blick auf die von Selzer-McKenzie identifizierten Muster
werfen.Das Studium der Muster ist äusserst wichtig zur korrekten Anwendung der
Selzer-McKenzie Wellen. Wenn die Muster der Marktbewegungen korrekt bestimmt
werden, erfahren Sie nicht nur auf welches Niveau der Markt steigen oder fallen
wird, sondern auch wie (in welchen Mustern) dies geschehen wird.Wenn Sie die
Muster korrekt erkennen und anwenden, können Sie nach den Selzer-McKenzie
Wellen handeln. Dies ist nicht einfach zu bewerkstelligen, aber nach etwas Zeit
der Einarbeitung und mit Hilfe von SelWave werden Sie immer bessere Ergebnisse
erzielen.Fibonacci
Fibonacci entwickelte die nach ihm benannte Zahlenfolge, welche sich darstellt
als 1-1-2-3-5-8-13-21-34-55-89-144 usw. Der Reiz der Fibonacci-Folge ist, dass
sich mit ihr ein mathematisches Verhältnis beschreiben lässt. Teilt man jede
Zahl durch die vorhergehende Zahl (z.B. 13 ./. 8 oder 21 ./. 13), nähert sich
die resultierende Zahlenfolge asymptotisch einer konstanten Relation, welche
1,61803398875... lautet und eine irrationale Zahl ist, d.h. das Verhältnis
kann niemals exact bis auf die letzte Stelle nach dem Komma bestimmt werden.
Für die Verwendung bei diesem System rechnen wir deshalb mit einem
abgerundeten Fibonacci-Quotienten von 1,618. Wenn jede Zahl der Fibonacci-Folge
durch die nachfolgende Zahl geteilt wird, ergibt dies einen asymptotischen
Prozess, der zu der Relation Trend-Channels führt mit 0,618. Analytisch wird
diese Fibonacci-Fiolge etwas modifiziert und umgeschrieben zur
Trend-Channels-Folge, die sich wie folgt darstellt:
0,618-1,000-1,618-2,618-4,236-6,854-11,090-17,944...Wenn wir jedes Element der
Trend-Channels-Folge durch das je vorhergehende Element teilen (z.B. 4,236 ./.
2,618 oder 6,854 ./. 4,236) erhalten wir als Ergebnis die angenäherte Relation
Trend-Channels=1,618. Dividieren wir andersherum jedes Element der
Trend-Channels-Folge durch das jeweils nachfolgende Element (z.B. 2,618 ./.
4,236 oder 4,236 ./. 6,854) ergibt das als Resultat den Kehrwert zur
Trend-Channels als Trend-Channels = 0,618. Bei dem Fibonacci-Quotient handelt
es sich um eine wichtige mathematische Repräsentation natürlicher Phänomene.
Bei der Analyse von Permanenz-Verläufen und der Entwicklung von Strategien
kann nach Strukturen und Pattern gesucht werden, die sich bisher als profitable
erwiesen haben und denen deshalb eine Wahrscheinlichkeit für weitere
Profitabilität zugeschrieben werden sollte. Die Fibonacci-Verhältniszahl
stellt eine derartige Struktur oder solche Patterns dar. Ein brauchbarer Weg,
den Fibonacci-Quotienten in der Geometry anzuwenden, um diese Relation als
geometrisches Instrument beim Roulette mittels Trend-Channels-Spiralen und
Trend-Channels-Ellipsen anzuwenden, wurde von uns bisher einzig und allein
publiziert („The Gemetry of Gambling“, Author Dieter Selzer-McKenzie,
SelMcKenzie-Publishing) . Sowohl Trend-Channels-Spiralen als auch
Trend-Channels-Ellipsen besitzen aussergewöhnliche Eigenschaften, die in
zweierlei Hinsicht in Bezug zur Fibonacci-Relation Trend-Channels stehen:
Geworfener Abstand in Kessel-Fächern und Links- oder Rechtsdrehung. Es ist
sehr wahrscheinlich, dass die Integration von Trend-Channels-Spiralen und
Trend-Channels-Ellipsen die Interpretation und den Verwendungsnutzen der
Fibonacci-Relation auf ein deutlich höheres Niveau heben wird. Fibonacci’s
Trend-Channels ist ein Werkzeug zur Messung von Korrekturen und Extensionen in
Wurfweiten. Die Berücksichtigung von Trend-Channels-Spiralen und
Trend-Channels-Ellipsen erlauben zusätzlich die adäquate Verbindung von
Kessel-Fächer-Abständen, Links- und Rechts-Drehungen in einem geometrischen
Analyseansatz. Trend-Channels-Spiralen und Trend-Channels-Ellipsen basieren auf
den sogenannten Goldenen Schnitt einer Strecke bzw. dem Goldenen Schnitt eines
geometrischen Körpers (hier: Roulette-Kessel). Die Verwendung von
Kessel-Fächer-Abstands-Zielen als zweites der geometrischen
Fibonacci-Werkzeuge ist aus der selben Logik abgeleitet, wie die
Fibonacci-Folge. Kessel-Fächer-Abstands-Ziele sind jene Kessel-Sectoren, an
denen ein Ereignis auftreten könnte. Durch Multiplikation des Abstandes von
Punkt A zu Punkt B (oder jeder anderen Abstands-Messung) mit der
Fibonacci-Relation wird errechnet aus dem Wendepunkt C als C=B+1,618x(B-A).
Punkt C wird als Fibonacci-Abstands-Ziel bezeichnet.Ziel-Korrekturen und
Ziel-Extensionen sind die dritte Kategorie des geometrischen
Fibonacci-Instrumentes. Der gängigste Ansatz zur Definition der Ziel-Korrektur
erfolgt über die Anbindung der Grösse der Ziel-Korrektur an einem
Prozentsatz einer vorhergegangenen Impulsbewegung dieser Abstands-Messung. Bei
der Analyse interessieren drei ausgewiesene Prozentsätze, die unmittelbar aus
der Fibonacci-Folge und den Quotienten der Trend-Channels-Folge abgeleitet
werden können, und zwar 38,2% ist das Resultat der Division 0,618 ./. 1,618,
50,0% ist die Transformation des Verhältnisses 1,000, 61,8% ist die
unmittelbare Fibonacci-Relation 1,000 ./. 1,618. Trend-Channels-Kanäle, als
viertes Instrument in unserem geometrischen Instrumentensatz, werden generiert
durch die Zeichnung von parallelen Linien durch Abwurf-Event und
Zielwurf-Event. Die Weite des Trend-Channels-Kanals wird berechnet als Distanz
zwischen Base und Parallele. Diese Distanz wird gleich 1,000 gesetzt. Weitere
Parallelen ergeben sich im Trend-Channels-Folge-Abstand, beginnend mit
0,618-mal der Abstand des Trend-Channels-Kanals, dann 1,000-mal, 1,618-mal,
2,618-mal, 4,236-mal usw. der Distanz zwischen Base und Parallele.
Trend-Channels-Spiralen, als fünftes Instrument stellen die optimale
Verbindung zwischen Base und parallele dar. Geometrisch ist die Grösse der
Trend-Channels-Spirale determiniert durch den Abstand zwischen dem Zentrum X
der Spirale und dem Startpunkt A (Abwurfpunkt). Die Trend-Channels-Spirale
dreht entweder je nach Kessel-Drehung nach links oder rechts, um die
Basislinie, die vom Zentrum der Spirale zum Startpunkt läuft. Während die
Trend-Channels-Spirale wächst, dehnt sie sich mit einer konstanten Rate bei
jeder vollen Umdrehung aus. Alle diejenigen Spiralen, welche mit Raten wachsen,
die Elemente der Trend-Channels-Folge 0,618-1,000-1,618-2,618-usw. sind, sind
als Trend-Channels-Spiralen für die jeweilige Satz-Berechnung anzuwenden.
Trend-Channels-Ellipsen sind das sechste Instrument. Eine Ellipse wird zu einer
Trend-Channels-Ellipse in allen Fällen, in denen der Quotient aus Hauptachse
und Nebenachse der Ellipse ein Element der Trend-Channels-Folge
0,618-1,000-1,618-2,618-usw. ist. Ein Kreis ist in diesem Sinne eine spezielle
Trend-Channels-Ellipse, für die gilt: a=b (Quotient a ./. b = 1). Anwendung
der speziell von SelMcKenzie entwickelten bzw.veränderten Indicatoren bzw.
Oszillatoren:
Coppock:
Der Coppock misst langfristige Trends, in dem zwei langfristige Momentums
addiert werden. Auf Basis dieser Summe wird ein gewichteter Gleitender
Durchschnitt der gefallenen Kessel-Fächer-Abstands-Längen gebildet. Da die
Basis des Indikators vom Momentum gebildet wird, oszilliert auch der Coppock um
die Zeroline.
Formel/Berechnung
Coppock = WMAx(ROCy + ROCz)
wobei: WMA = Weighted Moving Average
Der Coppock wird auf zwei verschiedene Weisen interpretiert. Standard ist die
Drehung des Kessels oberhalb der Zeroline nach unten als Mass-Signal, die
Drehung der Linie unterhalb der Zeroline nach oben als Conform-Signal zu
interpretieren.
Envelopes:
Für die Envelopes wird ein Gleitender Durchschnitt der gefallenen
Kessel-Fächer-Abstands-Längen berechnet, auf Basis dessen zwei (obere und
untere) Bänder berechnet werden. Der Abstand der Bänder vom Gleitenden
Durchschnitt der gefallenen Kessel-Fächer-Abstands-Längen ist in der Regel
identisch. So wird ein Grossteil der satzreifen Pleins in einem Envelope
eingefangen.
Gleitender Durchschnitt Kessel-Fächer-Abstands-Längen:
Der Gleitender Durchschnitt der Kessel-Fächer-Abstands-Längen drückt die
beiden wichtigsten Eigenschaften des Indikators aus. Durchschnitt heisst, dass
über eine bestimmte Anzahl von Coups ein Mittelwert der gefallenen
Kessel-Fächer-Abstands-Längen gebildet wird. Gleitend drückt aus, dass die
Berechnung mit jedem neuen Coup um eine Coup-Messung nach vorne verschoben
wird, der bis dahin letzte Coup fällt also aus der Berechnung hinaus. Die
Mittelwert ist natürlich im wahrsten Sinne des Wortes trendfolgend, daher ist
der Gleitende Durchschnitt Kessel-Fächer-Abstands-Längen ein wichtiger
Trendfolger.
Gleitender Durchschnitt Weighted Kessel-Fächer-Abstands-Längen:
Bei dieser Berechnung werden alle Kessel-Fächer-Abstands-Längen nochmals mit
einem Gewichtungsfaktor versehen. Im allgemeinen werden die Factoren mit
zunehmender Nähe der Coups grösser. So wird erreicht, dass die aktuelleren
Coups mit einer höheren Gewichtung in die Satz-Findung einfliessen.
Gleitender Durchschnitt Kessel-Fächer-Abstands-Längen:
Der Gleitender Durchschnitt der Kessel-Fächer-Abstands-Längen drückt die
beiden wichtigsten Eigenschaften des Indikators aus. Durchschnitt heisst, dass
über eine bestimmte Anzahl von Coups ein Mittelwert der gefallenen
Kessel-Fächer-Abstands-Längen gebildet wird. Gleitend drückt aus, dass die
Berechnung mit jedem neuen Coup um eine Coup-Messung nach vorne verschoben
wird, der bis dahin letzte Coup fällt also aus der Berechnung hinaus. Die
Mittelwert ist natürlich im wahrsten Sinne des Wortes trendfolgend, daher ist
der Gleitende Durchschnitt Kessel-Fächer-Abstands-Längen ein wichtiger
Trendfolger.
Gleitender Durchschnitt Weighted Kessel-Fächer-Abstands-Längen:
Bei dieser Berechnung werden alle Kessel-Fächer-Abstands-Längen nochmals mit
einem Gewichtungsfaktor versehen. Im allgemeinen werden die Factoren mit
zunehmender Nähe der Coups grösser. So wird erreicht, dass die aktuelleren
Coups mit einer höheren Gewichtung in die Satz-Findung einfliessen.
Mit Bezug zu den Trend-Channels sind drei wichtige Prozentsätze möglicher
Korrekturen, die direkt aus den Quotienten 0,618, 1,000 und 1,618 der
Trend-Channel-Folgen abgeleitet werden.
38,2 % ist das Ergebnis der Division 0,618 ./. 1,618
50,0% ist die Transformation des Verhältnisses 1,000
61,8 % ist die unmittelbare Fibonacci-Relation 1,000 ./. 1,618
Jede Korrektur kann (prozentmässig) als Rückschwung von 38,2%, 50,0%, 61,8%
oder 100,0% des Ausgangsschwungs am Beginn der Impulswave angesehen werden.
FibonacciZahlen als Grundlage des Selzer-McKenzie-Wave-Principles® (SelWave®)
Selzer-McKenzie konstatierte in Scientifics Journal, dass eine von Fibonacci
entdeckte Zahlenreihe die mathematische Grundlage seines Wave-Principles
bilden.
Die Zahlenreihe lautet 1,1,2,3,5,8,13,21,34,55,89,144 und so weiter bis ins
Unendliche.
Die Sequenz hat eine Anzahl interessanter Eigenschaften, nicht zuletzt die,
dass zwischen den Zahlen ein beinah konstantes Verhältnis besteht.
1.) Die Summe von zwei aufeinanderfolgenden Zahlen ergibt die nächst höhere
Zahl.
z.B. ergeben 3 und 5 zusammen 8, und 5 plus 8 sind 13, und so weiter.
2.) Das Verhältnis einer Zahl zu ihrer nächst höheren Zahl nähert sich nach
den
ersten vier Gliedern der Reihe dem Wert 0.618. z.B. 1/1 = 1,00; 1/2 = 0,50;
2/3 = 0,67; 3/5 = 0.60; 5/8 = 0,625; 8/13 = 0,615; 13/21 = 0,619 usw.
Zu beachten ist,wie die Werte der ersten Brüche abwechselnd über und unter
0,618 liegen,
wobei sich die Amplitude verkleinert.
3.) Das Verhältnis einer Zahl zu ihrer nächst niedrigeren Zahl beträgt ca.
1,618,
was dem Kehrwert von 0,618 entspricht. z.B. 13/8 = 1,625; 21/13 = 1,615; 34/21
= 1,619;
Je höher die Zahlen werden, umsomehr nähern sich die Ratios den erten 0,618
und 1,618.
4.) Das Verhältnis einer zahl und der übernächsten Zahl nähert sich dem
Wert 2,618
bzw. dem kehrwert 0,382. z.B. 13/24 = 0,382; 34/13 = 2,615;
Das Selzer-McKenzie-Wave-Principle® umfasst also drei Aspekte,
Waveform, Ratio und Zeit.
Die Basiswelle wird immer in Fibonacci-Zahlen heruntergebrochen.
Ein kompletter Zyklus enthält 8 Wellen, fünf nach oben und drei nach unten -
alles
Fibonacci-Zahlen. Zwei weitere Unterteilungen produzieren 34 und 144 Wellen -
ebenfalls Fibonacci-Zahlen. Die mathematische Grundlage für das
Selzer-Mckenzie-
Wave-Principle® geht aber über das reine Abzählen der ellen hinaus. Sie
deckt
auch die Frage der proportionalen Beziehungen zwischen den verschiedenen Wellen
ab.
Folgende Beziehungen gehören zu den Fibonacci-Ratios:
1.) Eine von drei Impulswellen dehnt sich aus, die anderen beiden sind
in Zeit und Grösse gleich. Erfährt Welle 5 eine Extension sollten die Wellen
1 und 3
gleich sein. Ist Welle 3 ausgedehnt, so tendieren die Wellen 1 und 5 zur
Gleichheit.
2.) Ein Minimum-Ziel für den Endpunkt der Welle 3 erhält man durch
Multiplikation
der Länge von Welle 1 und dem Faktor 1,618 und Addition dieser Strecke zum
Bottom der Welle 2.
3.) Das Top der Welle 5 erhält man näherungsweise durch Multiplikation der
Länge von Welle 1 und dem Faktor 3,236 (2 x 1,618) und Addition dieser
Strecke
zum Toppoint und Bottom der Welle 2.
4.) Wenn die Wellen 1 und 3 ungefähr gleich sind und bei Welle 5 eine
Extension
erwartet werden kann, erhält man das Ziel, in dem man zunächst die Distance
vom Bottom der Welle 1 zum Top der Welle 3 feststellt, diesen Wert mit 1,618
multipliziert und dann das Ergebnis zum Bottom der Welle 4 addiert.
Ein weiterer Weg zur Zielermittlung ist der Einsatz von prozentualen
Retracements.
Die am häufigsten benutzen Zahlen bei der Analyse von Retracements sind
62%,38% und 50%.
In einer starken Phase liegt das Minimum-Retracement bei ca. 38%,
in einer schwächeren Phase bewegt sich das Maximum-Retracement um 62%.
Das Fibonacci-Ratio tendiert aber erst nach den ersten 4 Ratios gegen 0,618.
Die ersten drei atios sind 1/1 (100%), 1/2 (50%) und 2/3 (66%).
SelMcKenzie® SelWave® SelNeuron® SelMedical®
Selzer-McKenzie®
Neuronale Netze
® SelMcKenzie Börsen- and Daytrading-Software
Um zu verdeutlichen, worin der Sinn von Neuronalen Netzen und wo dessen
Möglichkeiten und Grenzen liegen, ist es hilfreich, das Neuronale Netz mit
einem menschlichen Experten, einem Analysten zu vergleichen. Wie dieser soll
das Neuronale Netz eine Prognose für zukünftige Entwicklungen abgeben. Und
wie bei diesem basieren die Prognosen auf den Erfahrungen, die das Neuronale
Netz mit Daten und Kursverläufen der Vergangenheit gemacht hat. Doch es gibt
natürlich auch Unterschiede. Neben der selbstgemachten Erfahrung aus
vergangenen Entwicklungen greift der menschliche Experte auch oft auf
theoretische Voraussetzungen wie zum Beispiel Markttheorien zurück. Ein
Neuronales Netz lernt dagegen einzig direkt aus den Daten der Vergangenheit und
kennt keine Markttheorie. Es muss ohne diese Theorien auskommen und
selbständig Beziehungen herstellen - doch dies kann auch gerade ein Vorteil
sein, da es auf diese Weise frei von Vorurteilen ist, welche mit fertigen
Theorien auch immer mit ins Spiel kommen können.
Das wesentliche Merkmal von Neuronalen Netzen besteht also darin, dass sie dazu
in der Lage sind, aus der Vergangenheit zu lernen. Sie suchen dabei
selbständig Lösungswege für die gestellte Aufgabe und berücksichtigen die
Ähnlichkeit von Mustern.
Neuronale Netze und Prognosen:
Prinzipiell können Neuronale Netze für beliebige Aufgabenstellungen
eingesetzt werden. Voraussetzung für einen erfolgreichen Einsatz dieser
Technik ist aber in jedem Fall, dass die Daten oder Muster, auf die das
Neuronale Netz angesetzt wird, nicht blosse Zufallswerte ohne irgendeinen Sinn
oder Zusammenhang darstellen. Es kann mit anderen Worten nur dann von einem
Neuronalen Netz erwartet werden, dass es eine Entwicklung oder einen
Zusammenhang entdeckt, wenn in den zur Verfügung stehenden Mustern eine solche
Entwicklung oder ein solcher Zusammenhang prinzipiell ablesbar ist.
Neuronales Netz prüft Theorien:
Umgekehrt kann ein Neuronales Netz auch dazu eingesetzt werden festzustellen,
ob bestimmte Daten oder Analyse-Ansätze prinzipiell aussagekräftig sind: Wenn
man zum Beispiel annimmt, dass sich die Kursentwicklung eines Titels aufgrund
von bestimmten Indikatoren vorhersagen lässt, kann man mit einem Neuronalen
Netz feststellen, ob oder wie gut diese Vermutung zutrifft. Abhängig davon,
wie gut oder wie schlecht ein Neuronales Netz eine bestimmte Entwicklung auf
der Basis eines bestimmten Inputs prognostizieren kann, lässt sich sagen,
welche Aussagekraft diese Inputs für die Entwicklung besitzen. Der Prozess der
Entwicklung von Neuronalen-Netz-Modellen hat insofern zwei Richtungen. Zum
einen lernen die Netze etwas über den Zusammenhang der Daten zum Erstellen
möglichst guter Prognosen. Zum anderen lernt aber auch der Entwickler des
Modells etwas darüber, welche Daten, Indikatoren und Analyseverfahren für
einen bestimmten Prognosezweck etwas bringen und welche nicht.
Realistische Zielsetzung:
Eine realistische Zielsetzung erspart manche Enttäuschung und unnötigen
Zeitverlust. Es ist daher wichtig sich klarzumachen, dass Neuronale Netze kein
Wundermittel sind. Sie liefern nicht automatisch hervorragende Prognosen, egal
wie man sie einsetzt. Es ist nicht zu erwarten, dass ein einfaches Neuronales
Netz mehr leistet als ein guter Analyst. Umgekehrt sollte von einem wirklich
gut aufgebauten Neuronalen Netz in einem sinnvollen Handelssystem schon die
Qualität eines guten oder auch sehr guten Analysten erwartet werden, und das
heisst zum Beispiel, dass man mit ihm deutlich über einer einfachen
Buy-and-Hold-Strategie liegt.
Overfitting und Generalisierung:
Das größte Problem bei der Entwicklung von Neuronalen Netzen besteht im so
genannten Overfitting . Damit ist gemeint, dass das Neuronale Netz im
Trainingszeitraum eine eigentlich zu gute Prognose erreicht. Dies äussert sich
darin, dass das Neuronale Netz zwar im Trainingsbereich hervorragend arbeitet,
dabei aber offenbar keine hinreichend gute Generalisierung (Verallgemeinerung)
erzielt, so dass die Performance im Kontrollzeitraum stark nachlässt. Der
häufigste Fehlschluss beim Aufbau von Neuronalen Netzen ist der Ansatz, dass
möglichst viele Inputdaten und eine mächtige Architektur ja wohl
ausgezeichnete Ergebnisse liefern sollten. Dies trifft auch tatsächlich zu,
wenn man die Performance der Netze im Trainingszeitraum betrachtet. Es gibt
keine andere Technik, mit der sich ein Kursverlauf so gut auch mit relativ
einfachen Inputdaten abbilden lässt. Doch was nützt dies, wenn die
Abweichungen dann, sobald das Neuronale Netz tatsächlich eingesetzt wird, um
so grösser sind? Ziel ist es ja nicht, eine möglichst gute Abbildung des
Kurses in der Vergangenheit zu liefern, sondern eine Prognosefähigkeit, die
auch in Zukunft Bestand hat.
Für das Overfitting gibt es die folgenden Ursachen:
Die eingesetzte Architektur ist zu mächtig: Das Neuronale Netz ist so gross
dimensioniert, dass es in der Lage ist, die vorgelegten Daten auswendig zu
lernen, ohne einen allgemeineren Zusammenhang zu entdecken. Dieser Fall kann
eintreten, wenn zu viele (vor allem redundante) Inputdaten oder zu viele Units
in den verdeckten Schichten eingesetzt werden. Es ist daher empfehlenswert, das
gewünschte Ergebnis mit möglichst wenig Inputdaten und Hidden-Units zu
erreichen. Das Neuronale Netz wird übertrainiert: Bei längerem Training nimmt
die Fähigkeit des Netzes im Trainingszeitraum zwar immer mehr zu, in den
Kontrollzeiträumen dagegen meistens wieder ab. Dieses Problem lässt sich
durch sinnvolle Wahl von Bewertungszeiträumen und Abbruchbedingungen relativ
gut beherrschen. Die vorgelegten Muster sind stark verrauscht, also mehr oder
weniger zufälligen Schwankungen ausgesetzt. Dadurch lernt das Neuronale Netz
zuviel Unnötiges, wodurch die zugrunde liegenden grösseren Zusammenhänge
verdeckt werden. Hier können eine Veränderung der Periodeneinstellung der
Indikatoren oder eine Glättung der Indikatoren weiterhelfen. Eine
Generalisierung setzt voraus, dass das Neuronale Netz beim Training einen
Zusammenhang zwischen den Inputdaten und dem Prognoseziel findet, gemäss dem
auch unbekannte Muster sinnvoll eingeordnet werden können. Nicht immer ist es
nun möglich, aus den gegebenen Lernmustern einen allgemeineren Zusammenhang
abzuleiten. Falls dies aber möglich ist, das Neuronale Netz aber dennoch keine
gute Generalisierung leistet, so kann dies auch daran liegen, dass sich die
zugrunde liegenden Zusammenhänge geändert haben. Ein typisches Beispiel
hierfür ist der Zusammenhang von Aktienkursen und Dollarkurs. Diese zeigen
Phasen einer gleichgerichteten Entwicklung, die von anderen Phasen des
fehlenden Zusammenhanges oder der gegensätzlichen Entwicklung abgelöst
werden. Dies kann natürlich zu entsprechenden Unterschieden auch zwischen
Trainings- und Kontrollzeitraum führen. Um dies zu umgehen, kann versucht
werden, eine weitere Einflussgrösse in den Input einzubeziehen, welche die
unterschiedlichen Phasen erklärt, oder auch eine Korrelationsanalyse, welche
die gegenwärtige Phase des Zusammenhangs anzeigt.
Die Basisarchitektur:
Ein Neuronales Netz besteht allgemein gesprochen aus mehreren Elementen, auch
Units genannt, die als Speicher für Daten dienen. Die Units treten im
Neuronalen Netz in einer bestimmten Anordnung auf, und zwar in Schichten. Jede
Schicht setzt sich aus einer Reihe von untereinander unabhängigen Units
zusammen. Im einfachsten Fall besteht ein Neuronales Netz aus zwei Schichten,
der Input- und der Outputschicht. Während die Inputschicht die von aussen
kommenden Reize aufnimmt, liefert die Outputschicht nach der Verarbeitung der
Daten das Ergebnis. Wie ersichtlich, sind die Units zwischen den beiden
Schichten vollständig miteinander verbunden. Dasselbe gilt für ein Netz mit
einer zusätzlichen Hiddenschicht (= verdeckte Schicht). Der Name dieser
Schicht rührt daher, dass sie im Unterschied zur Input- und zur Outputschicht
keinen Kontakt nach aussen hat, sondern lediglich Verbindungen zur Input- bzw.
zur Outputschicht. Anders als ein einfaches zweischichtiges Modell kann ein
Neuronales Netz mit Hiddenschicht auch komplexe Aufgaben verarbeiten.
Verarbeitung einer Aufgabe im Neuronalen Netz:
Für die Verarbeitungsvorgänge im Innern eines Neuronalen Netzes sind die
Verbindungen zwischen den Units zuständig. Diese leiten die in den Units
anfallenden Daten in die nächste Schicht und nehmen dabei eine individuelle
Gewichtung vor - weswegen man die Verbindungen auch kurz als
Verbindungsgewichte bezeichnet. Das Training eines Neuronalen Netzes beruht
dann - vereinfacht dargestellt - darauf, dass die Verbindungsgewichte angepasst
werden. Die Anpassung der Gewichte verfolgt das Ziel, dass die Inputdaten durch
die Verarbeitung im Innern des Netzes einen möglichst sinnvollen Output
(Prognose) liefern.
Anzahl der Units pro Schicht:
Die Anzahl der Units in der Inputschicht ist durch die Menge der in das
Neuronale Netz einfliessenden Daten festgelegt. Wenn Sie als Input für das
Netz zum Beispiel die Absolutwerte eines RSI-Indikators in den letzten 10
Perioden verwenden, hat das Neuronale Netz automatisch 10 Input-Units. Die
Outputschicht wiederum besitzt im hier verwendeten Modell immer genau eine
Unit, welche die gesuchte Prognose ausgibt. Die Anzahl der Hidden-Units ist
dagegen variabel. Mit ihr regelt der Entwickler des Neuronalen Netzes, wie viel
interne Rechenkapazität bzw. Speicherplatz das Neuronale Netz erhalten soll.
Reduktionsschicht:
Das SelMcKenzie-Software-Programm stellt eine spezielle verdeckte Schicht, die
Reduktionsschicht, zur Verfügung. Die Reduktionsschicht befindet sich zwischen
der Input- und der verdeckten Schicht. Im Unterschied zur vollständig
vernetzten Hiddenschicht sind die Reduktions-Units immer nur mit den Inputs
jeweils einer Inputschablone verknüpft. Diese Art der teilweisen Verknüpfung
hat zum Zweck, die Informationsverarbeitung im Netz in einem gewissen Masse zu
kanalisieren. Das Neuronale Netz wird auf diese Weise gezwungen, die
Informationen aus einer Gruppe von Inputschablonen zunächst zu verarbeiten, um
dann erst in der zweiten verdeckten Schicht ein Gesamtbild zu erhalten (die
zweite verdeckte Schicht kann wahlweise auch ausgeschaltet werden).
Inputrekonstruktion:
Das Konzept der Inputrekonstruktion stellt eine Möglichkeit dar, dem
Neuronalen Netz zu einer verbesserten Fähigkeit zur Verallgemeinerung zu
verhelfen. Das Grundproblem beim Entwurf und Training von Neuronalen Netzen
besteht ja darin, dass es relativ leicht ist, mit einem Neuronalen Netz
hervorragende Ergebnisse im Trainingsbereich zu erzielen, aber schwerer, auch
nur annähernd so gute Ergebnisse in den Kontrollbereichen zu erreichen. Dies
liegt daran, dass Neuronale Netze eigentlich zu leistungsfähig sind und
dadurch leicht übertrainiert werden. Die Grundidee der Inputrekonstruktion
besteht darin, dem Neuronalen Netz wesentlich mehr abzuverlangen, als nur die
Berechnung des eigentlichen Prognoseziels. Neben dem Prognoseziel soll es
nämlich auch die Inputdaten in der Outputschicht intern wiedergeben (nach
aussen gegeben wird natürlich trotzdem nur die Prognose selbst). Die
Rekonstruktion des Inputs durch die zusätzlichen Units in der Outputschicht
verlangt vom Neuronalen Netz, den Input in den verdeckten Schichten zu
repräsentieren. Das Neuronale Netz kann also nicht so einfach das Prognoseziel
in den Gewichten speichern und auswendiglernen, da die Hauptwirkung der
Gewichte für die meist aufwendigere Aufgabe der Inputrekonstruktion (viele
Inputs, nur ein Prognoseziel) benötigt wird. Der Output des Prognoseziels ist
somit lediglich noch gewissermaßen ein Abfallprodukt, das aber dafür auf
einer tatsächlichen Abstraktion der Inputdaten beruht.
Als Effekt lässt sich feststellen, dass der Qualitätsunterschied der
Prognosen im Trainings- und Kontrollzeitraum oftmals weniger
auseinanderdriftet. Dies liegt allerdings nicht in allen Fällen daran, dass
das Ergebnis im Kontrollzeitraum besser wird, sondern auch oft daran, dass das
Ergebnis auch im Trainingszeitraum bei weitem nicht die Qualität erreicht wie
ohne die Inputrekonstruktion. In so manchem Fall ist aber auch eine
Verbesserung der Generalisierung im Kontrollzeitraum erkennbar. Dies gilt z.B.
oft dann, wenn der Input aus Stichproben, d. h. einem Zeitfenster einer oder
mehrerer Zeitreihen besteht (z.B. Wertänderungen des RSI der letzten 30 Tage
o.ä.). Zudem wird durch diese Art des Trainings eine bessere Abschätzung der
Generalisierungsqualität eines Neuronalen Netzes möglich, da die Ergebnisse
von Training und Kontrolle nicht so stark voneinander ab
Werte Gambler,
ich habe heute ein neues Software-Update ins Internet gestellt, welches Sie
gratis downloaden können.
Alle neuen Systeme sind im bereich SystemTester enthalten.
Insbesondere das WurfWeiten-System OutbackBrumby,
eine wahre Gewinnmaschine.
Nachstehend nur mal der Tag 1.6. in Hamburg.
Täöglich bis zu 500 Gewinnstücke kein Problem.
Das System berechnet automatisch, was zu setzen ist.
Zu setzen sind immer 3 Kesselsectoren a 6 Plein, also immer 18 Stücke.
Ein erheblicher Gewinnüberschuss ist drin.
Für die ersten Coups empfiehlt es sich, diese real im casino nicht zu setzen,
da in den ersten 10 Coups 50% Fehltreffer drin sind, weil der bisherige
Permanenzverlauf für das System sehr wichtig ist und es noch nicht in den
ersten Coups
genügend Reflectionen gibt.
Aber dann gehts los, ein Gewinn nach dem anderen.
Sie können es mit Ihren eigenen Permanenzen austesten und auch für das
Live-Gambling werden die entsprechend zu setzenden Pleins immer vorher
ausgegeben.
OutbackBrumby - ein Gewinn-terminator ohnes Gleichens.
free download
http://www.Roulette-Prognose.de.vu
http://5304.Rapidforum.com
http://www.SelWave.com
http://www.CasinoDeutschland.de
http://www.Gambling-Television.com
http://www.Gratis-Roulettesysteme.de.vu
http://www.Methodicus.de.vu
SelMcKenzie® SelWave® SelNeuron®
SelMedical® Selzer-McKenzie®
WurfWeiten-System *OutbackBrumby* Ein WurfWeiten-System, berechnet nach den
SelWave®-Waves, dem Fibonacci-Retracements und der Chaos-Fractal-Theory.
/copyright by SelMcKenzie®
SelMcKenzie® SelWave® SelNeuron® SelMedical®
Selzer-McKenzie®
©SelMcKenzie® SelWave®
Das Selzer-McKenzie Wellen Prinzip (SelWave) wurde in den 90er-Jahren durch
Selzer-McKenzie konzipiert. Er entdeckte, dass die Finanzmärkte nicht
chaotisch sind, sondern dass sich die Märkte in bestimmten Zyklen bewegen, die
die menschlichen Aktionen, hervorgerufen durch Ihre Emotionen bzw. durch
Massenpsychologie, reflektieren. Selzer-McKenzie fand heraus, dass sich Ebbe
und Flut der Massenpsychologie in immer wiederkehrenden Mustern, die sich in
sogenannte Wellen unterteilen lassen, wiederholen.Teilweise basierte
Selzer-McKenzie seine Arbeit auf der Dow Theorie, die Kursbewegungen ebenfalls
als Wellen definiert, Selzer-McKenzie entdeckte jedoch die fraktale Natur
dieser Kursbewegungen. Aus diesem Grund konnte Selzer-McKenzie die Märkte
tiefer analysieren und detaillierte Kursprognosen erstellen, indem er die
spezifischen Charakteristiken der Wellenmuster auf Basis der von ihm entdeckten
Muster identifizierte.Fraktale sind mathematische Strukturen, die sich auf
einer immer kleiner werdenden Skala unendlich wiederholen. Die von
Selzer-McKenzie erkannten Muster sind in der gleichen Art aufgebaut. Eine
Impulswelle, die mit dem Haupttrend geht, zeigt immer 5 Wellen in Ihrem Muster.
Auf einer kleineren Skala bestehen alle Impulswellen dieser zuvor erwähnten
Impulswelle wieder aus 5 Wellen. In diesem kleineren Muster wiederholen sich
die gleichen Muster ad finitium. Diese immer kleiner werdenden Muster werden im
Selzer-McKenzie Wellen Prinzip als unterschiedliche Wellengrade bezeichnet.Erst
nach Jahren des Studiums lernte Selzer-McKenzie diese sich wiederholenden
Muster der Aktienmärkte zu entdecken. Ausser auf diese Muster basierte
Selzer-McKenzie seine Marktprognosen auf die Fibonacci Zahlen. Lassen Sie uns
als erstes einen Blick auf die von Selzer-McKenzie identifizierten Muster
werfen.Das Studium der Muster ist äusserst wichtig zur korrekten Anwendung der
Selzer-McKenzie Wellen. Wenn die Muster der Marktbewegungen korrekt bestimmt
werden, erfahren Sie nicht nur auf welches Niveau der Markt steigen oder fallen
wird, sondern auch wie (in welchen Mustern) dies geschehen wird.Wenn Sie die
Muster korrekt erkennen und anwenden, können Sie nach den Selzer-McKenzie
Wellen handeln. Dies ist nicht einfach zu bewerkstelligen, aber nach etwas Zeit
der Einarbeitung und mit Hilfe von SelWave werden Sie immer bessere Ergebnisse
erzielen.Fibonacci
Fibonacci entwickelte die nach ihm benannte Zahlenfolge, welche sich darstellt
als 1-1-2-3-5-8-13-21-34-55-89-144 usw. Der Reiz der Fibonacci-Folge ist, dass
sich mit ihr ein mathematisches Verhältnis beschreiben lässt. Teilt man jede
Zahl durch die vorhergehende Zahl (z.B. 13 ./. 8 oder 21 ./. 13), nähert sich
die resultierende Zahlenfolge asymptotisch einer konstanten Relation, welche
1,61803398875... lautet und eine irrationale Zahl ist, d.h. das Verhältnis
kann niemals exact bis auf die letzte Stelle nach dem Komma bestimmt werden.
Für die Verwendung bei diesem System rechnen wir deshalb mit einem
abgerundeten Fibonacci-Quotienten von 1,618. Wenn jede Zahl der Fibonacci-Folge
durch die nachfolgende Zahl geteilt wird, ergibt dies einen asymptotischen
Prozess, der zu der Relation Trend-Channels führt mit 0,618. Analytisch wird
diese Fibonacci-Fiolge etwas modifiziert und umgeschrieben zur
Trend-Channels-Folge, die sich wie folgt darstellt:
0,618-1,000-1,618-2,618-4,236-6,854-11,090-17,944...Wenn wir jedes Element der
Trend-Channels-Folge durch das je vorhergehende Element teilen (z.B. 4,236 ./.
2,618 oder 6,854 ./. 4,236) erhalten wir als Ergebnis die angenäherte Relation
Trend-Channels=1,618. Dividieren wir andersherum jedes Element der
Trend-Channels-Folge durch das jeweils nachfolgende Element (z.B. 2,618 ./.
4,236 oder 4,236 ./. 6,854) ergibt das als Resultat den Kehrwert zur
Trend-Channels als Trend-Channels = 0,618. Bei dem Fibonacci-Quotient handelt
es sich um eine wichtige mathematische Repräsentation natürlicher Phänomene.
Bei der Analyse von Permanenz-Verläufen und der Entwicklung von Strategien
kann nach Strukturen und Pattern gesucht werden, die sich bisher als profitable
erwiesen haben und denen deshalb eine Wahrscheinlichkeit für weitere
Profitabilität zugeschrieben werden sollte. Die Fibonacci-Verhältniszahl
stellt eine derartige Struktur oder solche Patterns dar. Ein brauchbarer Weg,
den Fibonacci-Quotienten in der Geometry anzuwenden, um diese Relation als
geometrisches Instrument beim Roulette mittels Trend-Channels-Spiralen und
Trend-Channels-Ellipsen anzuwenden, wurde von uns bisher einzig und allein
publiziert („The Gemetry of Gambling“, Author Dieter Selzer-McKenzie,
SelMcKenzie-Publishing) . Sowohl Trend-Channels-Spiralen als auch
Trend-Channels-Ellipsen besitzen aussergewöhnliche Eigenschaften, die in
zweierlei Hinsicht in Bezug zur Fibonacci-Relation Trend-Channels stehen:
Geworfener Abstand in Kessel-Fächern und Links- oder Rechtsdrehung. Es ist
sehr wahrscheinlich, dass die Integration von Trend-Channels-Spiralen und
Trend-Channels-Ellipsen die Interpretation und den Verwendungsnutzen der
Fibonacci-Relation auf ein deutlich höheres Niveau heben wird. Fibonacci’s
Trend-Channels ist ein Werkzeug zur Messung von Korrekturen und Extensionen in
Wurfweiten. Die Berücksichtigung von Trend-Channels-Spiralen und
Trend-Channels-Ellipsen erlauben zusätzlich die adäquate Verbindung von
Kessel-Fächer-Abständen, Links- und Rechts-Drehungen in einem geometrischen
Analyseansatz. Trend-Channels-Spiralen und Trend-Channels-Ellipsen basieren auf
den sogenannten Goldenen Schnitt einer Strecke bzw. dem Goldenen Schnitt eines
geometrischen Körpers (hier: Roulette-Kessel). Die Verwendung von
Kessel-Fächer-Abstands-Zielen als zweites der geometrischen
Fibonacci-Werkzeuge ist aus der selben Logik abgeleitet, wie die
Fibonacci-Folge. Kessel-Fächer-Abstands-Ziele sind jene Kessel-Sectoren, an
denen ein Ereignis auftreten könnte. Durch Multiplikation des Abstandes von
Punkt A zu Punkt B (oder jeder anderen Abstands-Messung) mit der
Fibonacci-Relation wird errechnet aus dem Wendepunkt C als C=B+1,618x(B-A).
Punkt C wird als Fibonacci-Abstands-Ziel bezeichnet.Ziel-Korrekturen und
Ziel-Extensionen sind die dritte Kategorie des geometrischen
Fibonacci-Instrumentes. Der gängigste Ansatz zur Definition der Ziel-Korrektur
erfolgt über die Anbindung der Grösse der Ziel-Korrektur an einem
Prozentsatz einer vorhergegangenen Impulsbewegung dieser Abstands-Messung. Bei
der Analyse interessieren drei ausgewiesene Prozentsätze, die unmittelbar aus
der Fibonacci-Folge und den Quotienten der Trend-Channels-Folge abgeleitet
werden können, und zwar 38,2% ist das Resultat der Division 0,618 ./. 1,618,
50,0% ist die Transformation des Verhältnisses 1,000, 61,8% ist die
unmittelbare Fibonacci-Relation 1,000 ./. 1,618. Trend-Channels-Kanäle, als
viertes Instrument in unserem geometrischen Instrumentensatz, werden generiert
durch die Zeichnung von parallelen Linien durch Abwurf-Event und
Zielwurf-Event. Die Weite des Trend-Channels-Kanals wird berechnet als Distanz
zwischen Base und Parallele. Diese Distanz wird gleich 1,000 gesetzt. Weitere
Parallelen ergeben sich im Trend-Channels-Folge-Abstand, beginnend mit
0,618-mal der Abstand des Trend-Channels-Kanals, dann 1,000-mal, 1,618-mal,
2,618-mal, 4,236-mal usw. der Distanz zwischen Base und Parallele.
Trend-Channels-Spiralen, als fünftes Instrument stellen die optimale
Verbindung zwischen Base und parallele dar. Geometrisch ist die Grösse der
Trend-Channels-Spirale determiniert durch den Abstand zwischen dem Zentrum X
der Spirale und dem Startpunkt A (Abwurfpunkt). Die Trend-Channels-Spirale
dreht entweder je nach Kessel-Drehung nach links oder rechts, um die
Basislinie, die vom Zentrum der Spirale zum Startpunkt läuft. Während die
Trend-Channels-Spirale wächst, dehnt sie sich mit einer konstanten Rate bei
jeder vollen Umdrehung aus. Alle diejenigen Spiralen, welche mit Raten wachsen,
die Elemente der Trend-Channels-Folge 0,618-1,000-1,618-2,618-usw. sind, sind
als Trend-Channels-Spiralen für die jeweilige Satz-Berechnung anzuwenden.
Trend-Channels-Ellipsen sind das sechste Instrument. Eine Ellipse wird zu einer
Trend-Channels-Ellipse in allen Fällen, in denen der Quotient aus Hauptachse
und Nebenachse der Ellipse ein Element der Trend-Channels-Folge
0,618-1,000-1,618-2,618-usw. ist. Ein Kreis ist in diesem Sinne eine spezielle
Trend-Channels-Ellipse, für die gilt: a=b (Quotient a ./. b = 1). Anwendung
der speziell von SelMcKenzie entwickelten bzw.veränderten Indicatoren bzw.
Oszillatoren:
Coppock:
Der Coppock misst langfristige Trends, in dem zwei langfristige Momentums
addiert werden. Auf Basis dieser Summe wird ein gewichteter Gleitender
Durchschnitt der gefallenen Kessel-Fächer-Abstands-Längen gebildet. Da die
Basis des Indikators vom Momentum gebildet wird, oszilliert auch der Coppock um
die Zeroline.
Formel/Berechnung
Coppock = WMAx(ROCy + ROCz)
wobei: WMA = Weighted Moving Average
Der Coppock wird auf zwei verschiedene Weisen interpretiert. Standard ist die
Drehung des Kessels oberhalb der Zeroline nach unten als Mass-Signal, die
Drehung der Linie unterhalb der Zeroline nach oben als Conform-Signal zu
interpretieren.
Envelopes:
Für die Envelopes wird ein Gleitender Durchschnitt der gefallenen
Kessel-Fächer-Abstands-Längen berechnet, auf Basis dessen zwei (obere und
untere) Bänder berechnet werden. Der Abstand der Bänder vom Gleitenden
Durchschnitt der gefallenen Kessel-Fächer-Abstands-Längen ist in der Regel
identisch. So wird ein Grossteil der satzreifen Pleins in einem Envelope
eingefangen.
Gleitender Durchschnitt Kessel-Fächer-Abstands-Längen:
Der Gleitender Durchschnitt der Kessel-Fächer-Abstands-Längen drückt die
beiden wichtigsten Eigenschaften des Indikators aus. Durchschnitt heisst, dass
über eine bestimmte Anzahl von Coups ein Mittelwert der gefallenen
Kessel-Fächer-Abstands-Längen gebildet wird. Gleitend drückt aus, dass die
Berechnung mit jedem neuen Coup um eine Coup-Messung nach vorne verschoben
wird, der bis dahin letzte Coup fällt also aus der Berechnung hinaus. Die
Mittelwert ist natürlich im wahrsten Sinne des Wortes trendfolgend, daher ist
der Gleitende Durchschnitt Kessel-Fächer-Abstands-Längen ein wichtiger
Trendfolger.
Gleitender Durchschnitt Weighted Kessel-Fächer-Abstands-Längen:
Bei dieser Berechnung werden alle Kessel-Fächer-Abstands-Längen nochmals mit
einem Gewichtungsfaktor versehen. Im allgemeinen werden die Factoren mit
zunehmender Nähe der Coups grösser. So wird erreicht, dass die aktuelleren
Coups mit einer höheren Gewichtung in die Satz-Findung einfliessen.
Gleitender Durchschnitt Kessel-Fächer-Abstands-Längen:
Der Gleitender Durchschnitt der Kessel-Fächer-Abstands-Längen drückt die
beiden wichtigsten Eigenschaften des Indikators aus. Durchschnitt heisst, dass
über eine bestimmte Anzahl von Coups ein Mittelwert der gefallenen
Kessel-Fächer-Abstands-Längen gebildet wird. Gleitend drückt aus, dass die
Berechnung mit jedem neuen Coup um eine Coup-Messung nach vorne verschoben
wird, der bis dahin letzte Coup fällt also aus der Berechnung hinaus. Die
Mittelwert ist natürlich im wahrsten Sinne des Wortes trendfolgend, daher ist
der Gleitende Durchschnitt Kessel-Fächer-Abstands-Längen ein wichtiger
Trendfolger.
Gleitender Durchschnitt Weighted Kessel-Fächer-Abstands-Längen:
Bei dieser Berechnung werden alle Kessel-Fächer-Abstands-Längen nochmals mit
einem Gewichtungsfaktor versehen. Im allgemeinen werden die Factoren mit
zunehmender Nähe der Coups grösser. So wird erreicht, dass die aktuelleren
Coups mit einer höheren Gewichtung in die Satz-Findung einfliessen.
Mit Bezug zu den Trend-Channels sind drei wichtige Prozentsätze möglicher
Korrekturen, die direkt aus den Quotienten 0,618, 1,000 und 1,618 der
Trend-Channel-Folgen abgeleitet werden.
38,2 % ist das Ergebnis der Division 0,618 ./. 1,618
50,0% ist die Transformation des Verhältnisses 1,000
61,8 % ist die unmittelbare Fibonacci-Relation 1,000 ./. 1,618
Jede Korrektur kann (prozentmässig) als Rückschwung von 38,2%, 50,0%, 61,8%
oder 100,0% des Ausgangsschwungs am Beginn der Impulswave angesehen werden.
FibonacciZahlen als Grundlage des Selzer-McKenzie-Wave-Principles® (SelWave®)
Selzer-McKenzie konstatierte in Scientifics Journal, dass eine von Fibonacci
entdeckte Zahlenreihe die mathematische Grundlage seines Wave-Principles
bilden.
Die Zahlenreihe lautet 1,1,2,3,5,8,13,21,34,55,89,144 und so weiter bis ins
Unendliche.
Die Sequenz hat eine Anzahl interessanter Eigenschaften, nicht zuletzt die,
dass zwischen den Zahlen ein beinah konstantes Verhältnis besteht.
1.) Die Summe von zwei aufeinanderfolgenden Zahlen ergibt die nächst höhere
Zahl.
z.B. ergeben 3 und 5 zusammen 8, und 5 plus 8 sind 13, und so weiter.
2.) Das Verhältnis einer Zahl zu ihrer nächst höheren Zahl nähert sich nach
den
ersten vier Gliedern der Reihe dem Wert 0.618. z.B. 1/1 = 1,00; 1/2 = 0,50;
2/3 = 0,67; 3/5 = 0.60; 5/8 = 0,625; 8/13 = 0,615; 13/21 = 0,619 usw.
Zu beachten ist,wie die Werte der ersten Brüche abwechselnd über und unter
0,618 liegen,
wobei sich die Amplitude verkleinert.
3.) Das Verhältnis einer Zahl zu ihrer nächst niedrigeren Zahl beträgt ca.
1,618,
was dem Kehrwert von 0,618 entspricht. z.B. 13/8 = 1,625; 21/13 = 1,615; 34/21
= 1,619;
Je höher die Zahlen werden, umsomehr nähern sich die Ratios den erten 0,618
und 1,618.
4.) Das Verhältnis einer zahl und der übernächsten Zahl nähert sich dem
Wert 2,618
bzw. dem kehrwert 0,382. z.B. 13/24 = 0,382; 34/13 = 2,615;
Das Selzer-McKenzie-Wave-Principle® umfasst also drei Aspekte,
Waveform, Ratio und Zeit.
Die Basiswelle wird immer in Fibonacci-Zahlen heruntergebrochen.
Ein kompletter Zyklus enthält 8 Wellen, fünf nach oben und drei nach unten -
alles
Fibonacci-Zahlen. Zwei weitere Unterteilungen produzieren 34 und 144 Wellen -
ebenfalls Fibonacci-Zahlen. Die mathematische Grundlage für das
Selzer-Mckenzie-
Wave-Principle® geht aber über das reine Abzählen der ellen hinaus. Sie
deckt
auch die Frage der proportionalen Beziehungen zwischen den verschiedenen Wellen
ab.
Folgende Beziehungen gehören zu den Fibonacci-Ratios:
1.) Eine von drei Impulswellen dehnt sich aus, die anderen beiden sind
in Zeit und Grösse gleich. Erfährt Welle 5 eine Extension sollten die Wellen
1 und 3
gleich sein. Ist Welle 3 ausgedehnt, so tendieren die Wellen 1 und 5 zur
Gleichheit.
2.) Ein Minimum-Ziel für den Endpunkt der Welle 3 erhält man durch
Multiplikation
der Länge von Welle 1 und dem Faktor 1,618 und Addition dieser Strecke zum
Bottom der Welle 2.
3.) Das Top der Welle 5 erhält man näherungsweise durch Multiplikation der
Länge von Welle 1 und dem Faktor 3,236 (2 x 1,618) und Addition dieser
Strecke
zum Toppoint und Bottom der Welle 2.
4.) Wenn die Wellen 1 und 3 ungefähr gleich sind und bei Welle 5 eine
Extension
erwartet werden kann, erhält man das Ziel, in dem man zunächst die Distance
vom Bottom der Welle 1 zum Top der Welle 3 feststellt, diesen Wert mit 1,618
multipliziert und dann das Ergebnis zum Bottom der Welle 4 addiert.
Ein weiterer Weg zur Zielermittlung ist der Einsatz von prozentualen
Retracements.
Die am häufigsten benutzen Zahlen bei der Analyse von Retracements sind
62%,38% und 50%.
In einer starken Phase liegt das Minimum-Retracement bei ca. 38%,
in einer schwächeren Phase bewegt sich das Maximum-Retracement um 62%.
Das Fibonacci-Ratio tendiert aber erst nach den ersten 4 Ratios gegen 0,618.
Die ersten drei atios sind 1/1 (100%), 1/2 (50%) und 2/3 (66%).
SelMcKenzie® SelWave® SelNeuron® SelMedical®
Selzer-McKenzie®
Neuronale Netze
® SelMcKenzie Börsen- and Daytrading-Software
Um zu verdeutlichen, worin der Sinn von Neuronalen Netzen und wo dessen
Möglichkeiten und Grenzen liegen, ist es hilfreich, das Neuronale Netz mit
einem menschlichen Experten, einem Analysten zu vergleichen. Wie dieser soll
das Neuronale Netz eine Prognose für zukünftige Entwicklungen abgeben. Und
wie bei diesem basieren die Prognosen auf den Erfahrungen, die das Neuronale
Netz mit Daten und Kursverläufen der Vergangenheit gemacht hat. Doch es gibt
natürlich auch Unterschiede. Neben der selbstgemachten Erfahrung aus
vergangenen Entwicklungen greift der menschliche Experte auch oft auf
theoretische Voraussetzungen wie zum Beispiel Markttheorien zurück. Ein
Neuronales Netz lernt dagegen einzig direkt aus den Daten der Vergangenheit und
kennt keine Markttheorie. Es muss ohne diese Theorien auskommen und
selbständig Beziehungen herstellen - doch dies kann auch gerade ein Vorteil
sein, da es auf diese Weise frei von Vorurteilen ist, welche mit fertigen
Theorien auch immer mit ins Spiel kommen können.
Das wesentliche Merkmal von Neuronalen Netzen besteht also darin, dass sie dazu
in der Lage sind, aus der Vergangenheit zu lernen. Sie suchen dabei
selbständig Lösungswege für die gestellte Aufgabe und berücksichtigen die
Ähnlichkeit von Mustern.
Neuronale Netze und Prognosen:
Prinzipiell können Neuronale Netze für beliebige Aufgabenstellungen
eingesetzt werden. Voraussetzung für einen erfolgreichen Einsatz dieser
Technik ist aber in jedem Fall, dass die Daten oder Muster, auf die das
Neuronale Netz angesetzt wird, nicht blosse Zufallswerte ohne irgendeinen Sinn
oder Zusammenhang darstellen. Es kann mit anderen Worten nur dann von einem
Neuronalen Netz erwartet werden, dass es eine Entwicklung oder einen
Zusammenhang entdeckt, wenn in den zur Verfügung stehenden Mustern eine solche
Entwicklung oder ein solcher Zusammenhang prinzipiell ablesbar ist.
Neuronales Netz prüft Theorien:
Umgekehrt kann ein Neuronales Netz auch dazu eingesetzt werden festzustellen,
ob bestimmte Daten oder Analyse-Ansätze prinzipiell aussagekräftig sind: Wenn
man zum Beispiel annimmt, dass sich die Kursentwicklung eines Titels aufgrund
von bestimmten Indikatoren vorhersagen lässt, kann man mit einem Neuronalen
Netz feststellen, ob oder wie gut diese Vermutung zutrifft. Abhängig davon,
wie gut oder wie schlecht ein Neuronales Netz eine bestimmte Entwicklung auf
der Basis eines bestimmten Inputs prognostizieren kann, lässt sich sagen,
welche Aussagekraft diese Inputs für die Entwicklung besitzen. Der Prozess der
Entwicklung von Neuronalen-Netz-Modellen hat insofern zwei Richtungen. Zum
einen lernen die Netze etwas über den Zusammenhang der Daten zum Erstellen
möglichst guter Prognosen. Zum anderen lernt aber auch der Entwickler des
Modells etwas darüber, welche Daten, Indikatoren und Analyseverfahren für
einen bestimmten Prognosezweck etwas bringen und welche nicht.
Realistische Zielsetzung:
Eine realistische Zielsetzung erspart manche Enttäuschung und unnötigen
Zeitverlust. Es ist daher wichtig sich klarzumachen, dass Neuronale Netze kein
Wundermittel sind. Sie liefern nicht automatisch hervorragende Prognosen, egal
wie man sie einsetzt. Es ist nicht zu erwarten, dass ein einfaches Neuronales
Netz mehr leistet als ein guter Analyst. Umgekehrt sollte von einem wirklich
gut aufgebauten Neuronalen Netz in einem sinnvollen Handelssystem schon die
Qualität eines guten oder auch sehr guten Analysten erwartet werden, und das
heisst zum Beispiel, dass man mit ihm deutlich über einer einfachen
Buy-and-Hold-Strategie liegt.
Overfitting und Generalisierung:
Das größte Problem bei der Entwicklung von Neuronalen Netzen besteht im so
genannten Overfitting . Damit ist gemeint, dass das Neuronale Netz im
Trainingszeitraum eine eigentlich zu gute Prognose erreicht. Dies äussert sich
darin, dass das Neuronale Netz zwar im Trainingsbereich hervorragend arbeitet,
dabei aber offenbar keine hinreichend gute Generalisierung (Verallgemeinerung)
erzielt, so dass die Performance im Kontrollzeitraum stark nachlässt. Der
häufigste Fehlschluss beim Aufbau von Neuronalen Netzen ist der Ansatz, dass
möglichst viele Inputdaten und eine mächtige Architektur ja wohl
ausgezeichnete Ergebnisse liefern sollten. Dies trifft auch tatsächlich zu,
wenn man die Performance der Netze im Trainingszeitraum betrachtet. Es gibt
keine andere Technik, mit der sich ein Kursverlauf so gut auch mit relativ
einfachen Inputdaten abbilden lässt. Doch was nützt dies, wenn die
Abweichungen dann, sobald das Neuronale Netz tatsächlich eingesetzt wird, um
so grösser sind? Ziel ist es ja nicht, eine möglichst gute Abbildung des
Kurses in der Vergangenheit zu liefern, sondern eine Prognosefähigkeit, die
auch in Zukunft Bestand hat.
Für das Overfitting gibt es die folgenden Ursachen:
Die eingesetzte Architektur ist zu mächtig: Das Neuronale Netz ist so gross
dimensioniert, dass es in der Lage ist, die vorgelegten Daten auswendig zu
lernen, ohne einen allgemeineren Zusammenhang zu entdecken. Dieser Fall kann
eintreten, wenn zu viele (vor allem redundante) Inputdaten oder zu viele Units
in den verdeckten Schichten eingesetzt werden. Es ist daher empfehlenswert, das
gewünschte Ergebnis mit möglichst wenig Inputdaten und Hidden-Units zu
erreichen. Das Neuronale Netz wird übertrainiert: Bei längerem Training nimmt
die Fähigkeit des Netzes im Trainingszeitraum zwar immer mehr zu, in den
Kontrollzeiträumen dagegen meistens wieder ab. Dieses Problem lässt sich
durch sinnvolle Wahl von Bewertungszeiträumen und Abbruchbedingungen relativ
gut beherrschen. Die vorgelegten Muster sind stark verrauscht, also mehr oder
weniger zufälligen Schwankungen ausgesetzt. Dadurch lernt das Neuronale Netz
zuviel Unnötiges, wodurch die zugrunde liegenden grösseren Zusammenhänge
verdeckt werden. Hier können eine Veränderung der Periodeneinstellung der
Indikatoren oder eine Glättung der Indikatoren weiterhelfen. Eine
Generalisierung setzt voraus, dass das Neuronale Netz beim Training einen
Zusammenhang zwischen den Inputdaten und dem Prognoseziel findet, gemäss dem
auch unbekannte Muster sinnvoll eingeordnet werden können. Nicht immer ist es
nun möglich, aus den gegebenen Lernmustern einen allgemeineren Zusammenhang
abzuleiten. Falls dies aber möglich ist, das Neuronale Netz aber dennoch keine
gute Generalisierung leistet, so kann dies auch daran liegen, dass sich die
zugrunde liegenden Zusammenhänge geändert haben. Ein typisches Beispiel
hierfür ist der Zusammenhang von Aktienkursen und Dollarkurs. Diese zeigen
Phasen einer gleichgerichteten Entwicklung, die von anderen Phasen des
fehlenden Zusammenhanges oder der gegensätzlichen Entwicklung abgelöst
werden. Dies kann natürlich zu entsprechenden Unterschieden auch zwischen
Trainings- und Kontrollzeitraum führen. Um dies zu umgehen, kann versucht
werden, eine weitere Einflussgrösse in den Input einzubeziehen, welche die
unterschiedlichen Phasen erklärt, oder auch eine Korrelationsanalyse, welche
die gegenwärtige Phase des Zusammenhangs anzeigt.
Die Basisarchitektur:
Ein Neuronales Netz besteht allgemein gesprochen aus mehreren Elementen, auch
Units genannt, die als Speicher für Daten dienen. Die Units treten im
Neuronalen Netz in einer bestimmten Anordnung auf, und zwar in Schichten. Jede
Schicht setzt sich aus einer Reihe von untereinander unabhängigen Units
zusammen. Im einfachsten Fall besteht ein Neuronales Netz aus zwei Schichten,
der Input- und der Outputschicht. Während die Inputschicht die von aussen
kommenden Reize aufnimmt, liefert die Outputschicht nach der Verarbeitung der
Daten das Ergebnis. Wie ersichtlich, sind die Units zwischen den beiden
Schichten vollständig miteinander verbunden. Dasselbe gilt für ein Netz mit
einer zusätzlichen Hiddenschicht (= verdeckte Schicht). Der Name dieser
Schicht rührt daher, dass sie im Unterschied zur Input- und zur Outputschicht
keinen Kontakt nach aussen hat, sondern lediglich Verbindungen zur Input- bzw.
zur Outputschicht. Anders als ein einfaches zweischichtiges Modell kann ein
Neuronales Netz mit Hiddenschicht auch komplexe Aufgaben verarbeiten.
Verarbeitung einer Aufgabe im Neuronalen Netz:
Für die Verarbeitungsvorgänge im Innern eines Neuronalen Netzes sind die
Verbindungen zwischen den Units zuständig. Diese leiten die in den Units
anfallenden Daten in die nächste Schicht und nehmen dabei eine individuelle
Gewichtung vor - weswegen man die Verbindungen auch kurz als
Verbindungsgewichte bezeichnet. Das Training eines Neuronalen Netzes beruht
dann - vereinfacht dargestellt - darauf, dass die Verbindungsgewichte angepasst
werden. Die Anpassung der Gewichte verfolgt das Ziel, dass die Inputdaten durch
die Verarbeitung im Innern des Netzes einen möglichst sinnvollen Output
(Prognose) liefern.
Anzahl der Units pro Schicht:
Die Anzahl der Units in der Inputschicht ist durch die Menge der in das
Neuronale Netz einfliessenden Daten festgelegt. Wenn Sie als Input für das
Netz zum Beispiel die Absolutwerte eines RSI-Indikators in den letzten 10
Perioden verwenden, hat das Neuronale Netz automatisch 10 Input-Units. Die
Outputschicht wiederum besitzt im hier verwendeten Modell immer genau eine
Unit, welche die gesuchte Prognose ausgibt. Die Anzahl der Hidden-Units ist
dagegen variabel. Mit ihr regelt der Entwickler des Neuronalen Netzes, wie viel
interne Rechenkapazität bzw. Speicherplatz das Neuronale Netz erhalten soll.
Reduktionsschicht:
Das SelMcKenzie-Software-Programm stellt eine spezielle verdeckte Schicht, die
Reduktionsschicht, zur Verfügung. Die Reduktionsschicht befindet sich zwischen
der Input- und der verdeckten Schicht. Im Unterschied zur vollständig
vernetzten Hiddenschicht sind die Reduktions-Units immer nur mit den Inputs
jeweils einer Inputschablone verknüpft. Diese Art der teilweisen Verknüpfung
hat zum Zweck, die Informationsverarbeitung im Netz in einem gewissen Masse zu
kanalisieren. Das Neuronale Netz wird auf diese Weise gezwungen, die
Informationen aus einer Gruppe von Inputschablonen zunächst zu verarbeiten, um
dann erst in der zweiten verdeckten Schicht ein Gesamtbild zu erhalten (die
zweite verdeckte Schicht kann wahlweise auch ausgeschaltet werden).
Inputrekonstruktion:
Das Konzept der Inputrekonstruktion stellt eine Möglichkeit dar, dem
Neuronalen Netz zu einer verbesserten Fähigkeit zur Verallgemeinerung zu
verhelfen. Das Grundproblem beim Entwurf und Training von Neuronalen Netzen
besteht ja darin, dass es relativ leicht ist, mit einem Neuronalen Netz
hervorragende Ergebnisse im Trainingsbereich zu erzielen, aber schwerer, auch
nur annähernd so gute Ergebnisse in den Kontrollbereichen zu erreichen. Dies
liegt daran, dass Neuronale Netze eigentlich zu leistungsfähig sind und
dadurch leicht übertrainiert werden. Die Grundidee der Inputrekonstruktion
besteht darin, dem Neuronalen Netz wesentlich mehr abzuverlangen, als nur die
Berechnung des eigentlichen Prognoseziels. Neben dem Prognoseziel soll es
nämlich auch die Inputdaten in der Outputschicht intern wiedergeben (nach
aussen gegeben wird natürlich trotzdem nur die Prognose selbst). Die
Rekonstruktion des Inputs durch die zusätzlichen Units in der Outputschicht
verlangt vom Neuronalen Netz, den Input in den verdeckten Schichten zu
repräsentieren. Das Neuronale Netz kann also nicht so einfach das Prognoseziel
in den Gewichten speichern und auswendiglernen, da die Hauptwirkung der
Gewichte für die meist aufwendigere Aufgabe der Inputrekonstruktion (viele
Inputs, nur ein Prognoseziel) benötigt wird. Der Output des Prognoseziels ist
somit lediglich noch gewissermaßen ein Abfallprodukt, das aber dafür auf
einer tatsächlichen Abstraktion der Inputdaten beruht.
Als Effekt lässt sich feststellen, dass der Qualitätsunterschied der
Prognosen im Trainings- und Kontrollzeitraum oftmals weniger
auseinanderdriftet. Dies liegt allerdings nicht in allen Fällen daran, dass
das Ergebnis im Kontrollzeitraum besser wird, sondern auch oft daran, dass das
Ergebnis auch im Trainingszeitraum bei weitem nicht die Qualität erreicht wie
ohne die Inputrekonstruktion. In so manchem Fall ist aber auch eine
Verbesserung der Generalisierung im Kontrollzeitraum erkennbar. Dies gilt z.B.
oft dann, wenn der Input aus Stichproben, d. h. einem Zeitfenster einer oder
mehrerer Zeitreihen besteht (z.B. Wertänderungen des RSI der letzten 30 Tage
o.ä.). Zudem wird durch diese Art des Trainings eine bessere Abschätzung der
Generalisierungsqualität eines Neuronalen Netzes möglich, da die Ergebnisse
von Training und Kontrolle nicht so stark voneinander ab