Úvod velmi lehký

Přiznejme si to rovnou: většina indikátorů na trhu buď vypadá příliš sebevědomě, nebo příliš barevně. Tento se snaží o něco skromnějšího. Místo velkých prohlášení typu „teď to určitě poroste“ raději říká: „Podle známých struktur a dostupných dat to vypadá takto, ale nechci ze sebe dělat geologickou autoritu na burzovní duny.“

A to je podle mého správný přístup. Trh totiž není beton. Trh je písek. Někdy zhutněný, někdy sypký, někdy tě podrží a někdy se pod tebou rozjede ve směru, o který nikdo neprosil.

Co přesně indikátor zobrazuje

V samostatném okně vykresluje hlavní křivku BUY Prob (%), tedy pravděpodobnost býčího scénáře. Hodnoty se pohybují od 0 do 100 %. Současně používá tři orientační zóny:

Kromě hlavní křivky indikátor zobrazuje i šipky při průrazech důležitých úrovní: Cross Up 30 a Cross Down 70. Tyto šipky nejsou kouzelné runy, ale jednoduché vizuální značky změny stavu.

Proč LSTM a proč Multi-Timeframe

Jaká data model skutečně dostává

Indikátor nekrmí síť jen holými cenami. To by bylo příliš prosté. Z každé svíčky skládá bohatší sadu příznaků, které se snaží vystihnout charakter pohybu. Na každý timeframe připadá 18 feature, při třech timeframech tedy celkem 54 feature na jeden bar.

Shannonova entropie: elegantní způsob, jak říct „tady je to divné“

Jedna z nejzajímavějších částí tohoto indikátoru je práce s entropií. Nejde jen o to odhadnout směr. Ještě důležitější je odhadnout, zda má vůbec smysl se o směr pokoušet.

Když je trh strukturálně čitelný, entropie bývá nižší. Když se trh rozpadá do chaotických pohybů, entropie roste. A právě v této chvíli systém dělá něco, co působí překvapivě dospěle: snižuje vlastní jistotu.

double ApplyEntropyConfidenceFilter(double pBull, double entropySlow)
{
    if(!InpUseEntropyFilter) return pBull;
    if(entropySlow <= InpEntropyChaosLevel) return pBull;

    double excess = (entropySlow - InpEntropyChaosLevel) / (1.0 - InpEntropyChaosLevel);
    double mix = excess * InpEntropyFilterPower;

    return pBull * (1.0 - mix) + 0.5 * mix;
}

Přeloženo do lidské řeči: když trh vypadá jako sypká halda bez struktury, model se přestane tvářit, že ví něco zásadního, a stáhne svůj názor blíž k 50 %. To je výborné. Méně hrdinství, více pokory.

Jak funguje trénování modelu

Síť se nevytvoří jako výzdoba. Skutečně se trénuje. A to na GPU přes externí DLL, což je praktické řešení pro výpočetně těžší architekturu. Hlavní výhoda je zřejmá: větší dávky dat, rychlejší inferenční i trénovací cykly a menší šance, že CPU začne při pohledu na lookback předstírat smrt.

První trénink

Při inicializaci se systém pokusí načíst existující model ze souboru. Pokud se to nepodaří, začne od nuly. To je sympaticky poctivé. Žádné kouzlení, žádné „to nějak dopadne“. Buď model existuje, nebo ne. Písek se také netváří, že je žula.

Periodický retrénink

Trh se mění. To je známá a zároveň otravná vlastnost trhu. Proto se po určitém počtu nových barů spouští další retrénink. Model tak není navždy zamrzlý ve staré realitě, což bývá osud mnoha systémů, které fungují hlavně v backtestech a nostalgii.

Train/Test split a OOS validace

Tady indikátor ukazuje, že nechce být jen technicky efektní, ale i metodicky slušný. Data jsou rozdělena na trénovací a testovací část. Testovací část slouží jako Out-of-Sample prostor, tedy něco jako zkouška charakteru.

Model se neučí na všem naráz a netleská si za to, že si zapamatoval vlastní minulost. Místo toho se ověřuje na datech, která při tréninku neviděl. Je to výrazně zdravější přístup než tradiční „podívej, jak krásně to sedí na historii“, což je často jen jiný název pro optimizační písečné sochařství.

Systém „graduation“: když model dostane diplom a trochu víc důvěry

Jedna z nejchytřejších částí indikátoru je mechanismus graduace. Pokud model na OOS datech dosáhne minimální požadované úspěšnosti, hranice mezi train a test oblastí se posune. Jinými slovy: část dat, která obstála jako zkouška, se může stát součástí učícího prostoru.

To je velmi elegantní myšlenka. Model se neučí všechno najednou. Nejdřív musí ukázat, že si něco zaslouží. Teprve potom dostane další vrstvu důvěry. Skoro jako člověk. Jen bez kávy a bez potřeby dramaticky vzdychat nad trhem.

Šipky, úrovně a interpretace výstupu

Vizuální část indikátoru je jednoduchá, což je dobře. Když už je vnitřek složitý, je slušné, aby se výsledek netvářil jako palubní deska raketoplánu.

Jak číst křivku

• Nad 70 %: model vidí převahu býčího scénáře.
• Pod 30 %: model vidí převahu medvědího scénáře.
• Okolo 50 %: model připouští nejistotu. A to je často nejcennější informace ze všech.

Jak číst šipky

• Cross Up 30: přechod z výrazně slabé oblasti výš.
• Cross Down 70: pokles z výrazně silné oblasti níž.

Šipky není rozumné chápat jako příkazy. Jsou to spíš poznámky na okraji statistik. Něco jako když si v poušti všimneš, že se změnil směr větru. Je to důležité, ale ještě to neznamená, že máš okamžitě stavět nový dům z písku.

Technické drobnosti, které potěší náročnější čtenáře

Co je na tom všem možná nejhezčí

Tento indikátor nepůsobí dojmem, že se snaží dělat velké divadlo. Naopak. Je v něm cítit technická poctivost:

• oddělení train a test dat,
• měření chaosu,
• snižování jistoty v nepřehledných podmínkách,
• postupná graduace místo bezhlavého sebevědomí,
• průběžné retrénování a ochrana proti degradaci vah.

To je přesně ten typ konstrukce, který nevzniká z potřeby vytvořit marketingový trik, ale z potřeby vytvořit nástroj, který se aspoň trochu chová dospěle.

Pro koho je indikátor určen

Je vhodný pro uživatele, kteří nečekají mechanickou krabičku na peníze, ale chtějí sofistikovanější pohled na pravděpodobnost a stav trhu. Hodí se zejména pro ty, kdo dokážou chápat výstup jako informaci, nikoli jako rozkaz.

Není určen pro lidi, kteří po každé šipce očekávají, že se otevře brána ke zlatu. To by musel být jiný software. Spíš archeologický. Nebo náboženský.

Poctivé upozornění na závěr

I když tento indikátor využívá neuronovou síť, více timeframe, entropii, GPU a poměrně inteligentní mechanismy validace, stále pracuje s trhem, který je nevyzpytatelný. Model může být disciplinovaný. Trh ne.

Proto je nejrozumnější chápat tento nástroj jako: statisticky informovaný kompas, nikoli jako automat na pravdu.

Závěrečné shrnutí

Pure MTF LSTM v5.23 je detailně promyšlený indikátor, který kombinuje:

• LSTM architekturu,
• multi-timeframe vstupy,
• Shannonovu entropii,
• GPU trénink a inferenci,
• Out-of-Sample validaci,
• graduaci modelu podle výsledků,
• a průběžnou adaptaci na nové podmínky.

Pokud hledáš přehnané sliby, tady je nenajdeš. Pokud hledáš skromný, technicky chytrý a přitom lidsky napsaný nástroj, který chápe, že trh bývá někdy spíš písečná lavina než organizovaná struktura, pak jsi pravděpodobně na správném místě.