|
nein
Erfahrung
|
13
Produkte
|
33
Demoversionen
|
|
0
Jobs
|
0
Signale
|
0
Abonnenten
|
Trixter Night Scalper ist installiertbereit und wartet auf Ihre Anweisungen – nachts oder rund um die Uhr zu handeln. Meine Methode ermöglicht es, mehrere einzigartige Strategien in einem einzigen Handelssystem zu kombinieren, das je nach Marktlage die erfolgreichste Handelsstrategie anwendet. Sie können sicher sein, dass der Bot einen Trade nur nach dem günstigsten Szenario eröffnet und Situationen ignoriert, in denen Handel unerwünscht ist. Ich empfehle den Nachthandel, weil das Risiko pro
KI-basiertes Scalping-Handelssystem – die neueste Entwicklung im Bereich KI und Trading. Dieses System unterscheidet sich vom vorherigen durch eine erhöhte historische Rentabilität . Es werden spezielle Lernalgorithmen für den Handel mit einem hohen Profit Factor eingesetzt. Da ich in den Entwicklungsprozess vertieft bin und viele Handelssysteme im Auftrag für meine Kunden schreibe, habe ich keine Zeit, sie selbst zu testen. Ich lade die verehrten Käufer ein, ihre Handelsberichte mit mir zu
KI-basiertes Scalping-Handelssystem – die neueste Entwicklung im Bereich KI und Trading. Da ich in den Entwicklungsprozess vertieft bin und viele Handelssysteme im Auftrag für meine Kunden schreibe, habe ich keine Zeit, sie selbst zu testen. Ich lade die geschätzten Käufer ein, ihre Handelsberichte mit mir zu teilen; ich bin stets offen für eine fruchtbare Zusammenarbeit. Wenn eines der Handelssysteme Ihr Interesse weckt – schreiben Sie mir unbedingt, damit es Feedback gibt. Für das neue Produkt
SVM löst ein binäres Klassifikationsproblem: Es trennt zwei Klassen. Doch One-Class SVM wird nur mit Daten einer Klasse („normale" Beispiele) trainiert und bildet um sie eine Grenze (eine Hyperebene im transformierten Raum), die diesen Bereich von allem anderen trennt. Alles, was innerhalb des Bereichs liegt, gilt als normal, alles, was außerhalb liegt, als Anomalie. Wie es funktioniert Die Daten werden in einen Merkmalsraum abgebildet (über einen Kernel, z. B. RBF). Der Algorithmus sucht eine
Die Methode robust covariance (mincovdet) , oder Minimum Covariance Determinant (MCD) , ist eine robuste Methode zur Schätzung der Kovarianzmatrix und des Mittelwertvektors, die gegenüber Ausreißern in den Daten widerstandsfähig ist. Idee der Methode Die klassische Stichprobenkovarianz ist sehr empfindlich gegenüber „Verunreinigungen“. MCD löst dieses Problem, indem es eine „saubere“ Teilmenge von Beobachtungen findet, die keine Ausreißer enthält, und die Standard-Schätzungen (Mittelwert und
Elliptic Envelope (Elliptische Hülle) ist ein parametrischer Algorithmus des maschinellen Lernens, der zur Erkennung von Ausreißern (Outliers) und Anomalien in multidimensionalen Daten entwickelt wurde. Die Methode basiert auf der Annahme, dass „normale“ Daten (die Hauptstichprobe) einer multidimensionalen Normalverteilung (Gauß-Verteilung) folgen. Funktionsprinzip Bildung des Ellipsoids: Im Merkmalsraum erzeugt der Algorithmus ein Hyperellipsoid um die zentrale Gruppe von Punkten. Die Grenze
Mögen Sie hochfrequenten Hochgeschwindigkeitshandel mit geringem Risiko? Dann wurde Trixter Quantum speziell für Sie entwickelt. Dank präziser Einstiege und einer hohen mathematischen Erwartung handelt der Bot mit engen Stop-Losses und sichert sich gleichzeitig große Preisbewegungen in Punkten. Das Herzstück seines Algorithmus basiert auf der Analyse der lokalen Verschränkung benachbarter Zustände (Muster) , was das sofortige Erkennen verborgener mikrostruktureller Marktveränderungen
Mögen Sie Hochfrequenz- und Hochgeschwindigkeitstrading mit geringem Risiko? Dann ist dieser Bot genau für Sie gemacht. Dank präziser Einstiege und eines hohen Erwartungswerts handelt der Bot mit engen Stops und sichert sich gleichzeitig große Punktgewinne. Das Chance-Risiko-Verhältnis (CRV) kann bis zu 10:1 erreichen — das bedeutet, der Stop-Loss ist 10-mal kleiner als der Take-Profit. Den Testergebnissen zufolge bleibt dieser Scalper gewinnbringend und sitzt Verluste nicht aus. Es ist ein
Dieser Bot handelt Gold-Level-Breakouts! Schlüsselprinzipien Analyse der Gold-Volatilität über mehrere Zeitfenster und Indikatorperioden hinweg. Volatilitätsgruppierung zur Identifizierung effektiver Muster (von 100 bis 3000). Statistische Überprüfung: hoher mathematischer Erwartungswert und statistische Signifikanz. Muster, die die Prüfung nicht bestehen, werden als Rauschen markiert – in solchen Situationen werden keine Trades eröffnet. Obligatorischer 2-jähriger Forward-Test vor der Freigabe
Local Outlier Factor (LOF)-Algorithmus ist eine Methode des maschinellen Lernens zur Erkennung von Anomalien in Daten, die mit globalen Schwellwerten nicht gefunden werden können. Im Gegensatz zu einfachen Methoden sucht LOF nach lokalen Ausreißern, indem er die Dichte von Punkten in ihrer unmittelbaren Umgebung vergleicht. Wie es funktioniert Die Grundidee von LOF ist einfach: Eine Anomalie ist ein Punkt, dessen Objektdichte in der Umgebung deutlich geringer ist als die
Entscheidungsbaum ist ein überwachter maschineller Lernalgorithmus, der nach dem Prinzip aufeinanderfolgender „Ja/Nein“-Fragen funktioniert. Er hat eine baumartige Struktur, bei der: Interne Knoten — sind Prüfungen eines bestimmten Merkmals (z. B. „Alter > 18?“). Zweige — sind die Ergebnisse der Prüfung (Ja/Nein). Blätter — sind die endgültige Entscheidung (Antwort). Der Konstruktionsprozess besteht darin, dass der Algorithmus in jedem Schritt automatisch das wichtigste Merkmal findet (unter
Isolation Forest ist ein Algorithmus des maschinellen Lernens zur Erkennung von Anomalien (Ausreißern) . Prinzip des Algorithmus: Zufällige Aufteilung: Der Algorithmus wählt wiederholt zufällig ein Merkmal und einen zufälligen Schwellenwert, um die Daten zu teilen, bis jeder Punkt in einer eigenen "Zelle" landet (oder bis die maximale Tiefe erreicht ist). Isolationstiefe: Anomalien werden schneller "isoliert", da sie weniger Teilungen benötigen, um sich vom Rest der Daten zu trennen (sie
Trixter KNN Gold — intelligentes Handelssystem, das auf der Analyse der Goldvolatilität basiert. Der Bot verwendet eine intelligente Mustersuche auf der Grundlage der Methode der nächsten Nachbarn (KNN). Die gefundenen Muster werden von zwei Klassifikatoren verarbeitet, anschließend wird das Modell in das ONNX-Format exportiert. Kernprinzipien Analyse der Goldvolatilität über mehrere Zeitrahmen und Indikatorperioden. Gruppierung der Volatilität zur Suche nach effektiven Mustern (von 100 bis
