Deep Moving Average
У каждого индикатора есть свои достоинства и недостатки. Трендовые показывают хорошие сигналы во время тренда, но запаздывают во время флэта. Флэтовые прекрасно себя чувствуют во флэте, но при наступлении тренда сразу же умирают. Все это не было бы проблемой если было бы просто предсказать, когда тренд сменится флэтом, а флэт сменится трендом, но на практике это крайне серьезная задача.
Что если разработать такой алгоритм, который сможет в индикаторе устранить недостатки и усилить его достоинства? Что если такой алгоритм сможет улучшить работу трендового индикатора во флэте, но при этом, увеличит работоспособность в тренде, а сигналы флэтового индикатора исправить в тренде, и довести до совершенства во флэте?
«Deep» – это и есть тот самый алгоритм, который усиливает достоинства индикатора и сводит до минимума его недостатки. Одним словом, этот алгоритм делает индикатор лучше. В попытке объединить нейронные сети со стандартным индикатором, на свое удивление, я получил весьма интересные результаты.

О концепции «Deep».
Поставленную задачу, из-за неповторимости ситуаций и сложной закономерности, лучше всего решают нелинейные алгоритмы. Нейронные сети - очень гибкий и мощный инструмент, который позволяет добиться многого если задача поставлена правильно, а решение сконструировано разумно. Этот инструмент и лежит в основе алгоритма.
По сути, алгоритм вычисляет оптимальные периоды скользящей средней по всему участку, в зависимости от состояния тренда и флэта. Во флэтовом участке алгоритм адаптирует период скользящей средней в сторону флета, в трендовом участке в сторону тренда. Повысив глубину "Deep", тем самым, вы повысите гибкость адаптивных свойств у алгоритма.
Архитектура сети и эвристический алгоритм поиска конструировалась специально для решения поставленной задачи. Многослойность и количество нейронов в слое регулируются динамически, от пользователя требуется лишь указать максимальное количество нейронов в слое, максимальный размер слоя и максимальное количество слоев.