|
no
experiencia
|
13
productos
|
33
versiones demo
|
|
0
trabajos
|
0
señales
|
0
suscriptores
|
Trixter Night Scalper está listo para instalarse y espera sus instrucciones: operar de noche o las 24 horas. Mi método permite combinar varias estrategias únicas en un solo sistema de trading que aplica la estrategia de trading más exitosa según las condiciones del mercado. Puede estar seguro de que el bot abrirá una operación solo según el escenario más favorable e ignorará las situaciones en las que operar no sea deseable. Recomiendo elegir el trading nocturno porque el riesgo por operación
Sistema de trading de scalping basado en inteligencia artificial: el último desarrollo en el ámbito de la IA y el trading. Este sistema se diferencia del anterior por su mayor rentabilidad histórica . En él se utilizan algoritmos de aprendizaje especiales para operar con un alto profit factor. Dado que estoy inmerso en el proceso de desarrollo y escribo muchos sistemas de trading por encargo para mis clientes, no tengo tiempo para probarlos yo mismo. Invito a los respetados compradores a
Sistema de trading de scalping basado en inteligencia artificial: el último desarrollo en el ámbito de la IA y el trading. Como estoy inmerso en el proceso de desarrollo y escribo muchos sistemas de trading por encargo para mis clientes, no me da tiempo a probarlos yo mismo. Invito a los respetados compradores a compartir conmigo informes de trading; siempre estoy abierto a una colaboración fructífera. Si alguno de los sistemas de trading despierta su interés, asegúrese de escribirme para que
SVM resuelve un problema de clasificación binaria: separa dos clases. Pero One-Class SVM se entrena solo con datos de una clase (ejemplos "normales") y construye a su alrededor una frontera (un hiperplano en el espacio transformado) que separa esta región de todo lo demás. Todo lo que cae dentro de la región se considera normal, todo lo que está fuera es una anomalía. Cómo funciona Los datos se mapean a un espacio de características (mediante un kernel, por ejemplo RBF). El algoritmo busca un
El método robust covariance (mincovdet) , o Minimum Covariance Determinant (MCD) , es un método robusto de estimación de la matriz de covarianza y el vector de medias, resistente a los valores atípicos en los datos. Idea del método La covarianza muestral clásica es muy sensible a la "contaminación". MCD resuelve este problema encontrando un subconjunto "limpio" de observaciones que no contiene valores atípicos, y calculando las estimaciones estándar (media y covarianza) solo sobre él. Para qué
Elliptic Envelope (Envolvente Elíptica) es un algoritmo de aprendizaje automático paramétrico diseñado para detectar valores atípicos (outliers) y anomalías en datos multidimensionales. El método parte del supuesto de que los datos «normales» (la muestra principal) siguen una distribución normal (gaussiana) multidimensional. Principio de funcionamiento Formación del elipsoide: En el espacio de características, el algoritmo construye un hiperelipsoide alrededor del grupo central de puntos. El
¿Le gusta el trading de alta frecuencia y gran velocidad con un riesgo bajo? Entonces Trixter Quantum ha sido diseñado especialmente para usted. Gracias a sus entradas precisas y a su alta esperanza matemática, el bot opera con stops ajustados mientras captura grandes movimientos en pips. Su algoritmo central se basa en el análisis de la entrelazación local de estados adyacentes (patrones) , lo que le permite detectar al instante cambios microestructurales ocultos en el mercado. La relación
¿Le gusta el trading de alta frecuencia y alta velocidad con bajo riesgo? Entonces este bot está creado especialmente para usted. Gracias a entradas precisas y a una alta esperanza matemática, el bot opera con stops ajustados mientras captura grandes movimientos en puntos. La relación entre el stop loss y el take profit puede alcanzar una proporción de 1:10 —es decir, el stop loss es 10 veces menor que el take profit—, manteniendo la rentabilidad de este bot de scalping sin asumir pérdidas
¡Este bot opera las rupturas de niveles en el oro! Principios clave Análisis de la volatilidad del oro en múltiples temporalidades y períodos de indicadores. Agrupación de volatilidad para encontrar patrones efectivos (de 100 a 3000). Verificación estadística: alta expectativa matemática de beneficio y significación estadística. Los patrones que no superan la verificación se marcan como ruido; en tales situaciones no se abren operaciones. Pruebas hacia adelante ( forward test ) obligatorias de
Algoritmo Local Outlier Factor (LOF) es un método de aprendizaje automático para encontrar anomalías en datos que no se pueden detectar mediante umbrales globales. A diferencia de los métodos simples, LOF busca valores atípicos locales comparando la densidad de puntos en su entorno inmediato. Cómo funciona La idea principal de LOF es sencilla: una anomalía es un punto cuya densidad de objetos alrededor es significativamente menor que la densidad alrededor de sus vecinos
Árbol de decisión es un algoritmo de aprendizaje automático supervisado que funciona según el principio de preguntas secuenciales de "Sí/No". Tiene una estructura de árbol donde: Nodos internos — son comprobaciones de alguna característica (por ejemplo, "¿Edad > 18?"). Ramas — son los resultados de la comprobación (Sí/No). Hojas — son la decisión final (respuesta). El proceso de construcción consiste en que el algoritmo encuentra automáticamente la característica más importante en cada paso
Isolation Forest es un algoritmo de aprendizaje automático para la detección de anomalías (valores atípicos) . Principio del algoritmo: División aleatoria: El algoritmo selecciona repetidamente una característica aleatoria y un valor de umbral aleatorio para dividir los datos, hasta que cada punto quede en una "celda" independiente (o hasta alcanzar la profundidad máxima). Profundidad de aislamiento: Las anomalías se "aíslan" más rápido, ya que requieren menos divisiones para separarse del
Trixter KNN Gold — sistema de trading inteligente basado en el análisis de la volatilidad del oro. El bot utiliza una búsqueda inteligente de patrones basada en el método de los vecinos más cercanos (KNN). Los patrones encontrados son procesados por dos clasificadores, tras lo cual el modelo se exporta al formato ONNX. Principios clave Análisis de la volatilidad del oro en múltiples marcos temporales y períodos de indicadores. Agrupación de la volatilidad para encontrar patrones efectivos (de
