Trixter DTR

  • Experts
  • Andrei Samokhin
    Andrei Samokhin
    Welcome to my seller page. I develop applications in the fields of AI and machine learning, and I am also passionate about trading systems. My products are based on various machine learning techniques. I research and apply state-of-the-art algorithms for time series analysis and am constantly
  • 버전: 1.0
  • 활성화: 15

의사결정나무(Decision tree)는 "예/아니오"의 순차적 질문 원리로 작동하는 지도형 머신러닝 알고리즘입니다. 다음과 같은 트리 구조를 가지고 있습니다:

  • 내부 노드 — 특정 특성에 대한 확인입니다(예: "나이 > 18?").

  • 가지 — 확인 결과입니다(예/아니오).

  • 잎 노드 — 최종 결정(답변)입니다.

구축 과정은 알고리즘이 각 단계에서 가장 중요한 특성을 자동으로 찾아내고(지니 계수 또는 엔트로피 같은 기준 사용), 순수한 잎 노드를 얻거나 제약 조건에 도달할 때까지 데이터를 더 균질한 그룹으로 분할하는 것입니다.

용도는 무엇인가요?

의사결정나무는 다용도로 사용되며 두 가지 주요 유형의 작업에 적용됩니다:

  1. 분류 (범주형 응답):

    • 은행에서 고객을 "승인" 또는 "거부" 범주로 분류.

    • 특성을 기반으로 동물 종을 식별.

    • 금융 자산의 매수 또는 매도 확률을 결정.

  2. 회귀 (수치형 응답):

    • 면적과 위치를 기반으로 아파트 가격을 예측.

    • 금의 움직임 방향을 예측.

주요 장점:

  • 투명성 및 해석 가능성: 신경망과 달리 모델이 특정 결정을 내린 이유 를 쉽게 설명할 수 있습니다(그려서 루트에서 잎 노드까지의 경로를 추적할 수 있습니다).

  • 데이터 전처리 불필요: 수치형 및 범주형 특성 모두에서 잘 작동하며 이상치에 민감하지 않습니다.

  • 특성 선택: 어떤 요소가 가장 중요한지 자동으로 보여줍니다.


Trixter DTR은 이 접근 방식을 사용하여 구축되었습니다.

Trixter DTR 알고리즘은 의사결정나무(약칭 DTR)를 사용하여 패턴 탐지를 구현합니다. 우리는 금 시장이 충분히 효율적이며 대부분의 가격 변동이 예측할 수 없는 시장 노이즈라는 가정에서 출발합니다. 그러나 금 차트의 특정 조각(소위 이상 현상)을 분리하여 예측 가능성이 최대인 구간을 추출할 수 있습니다. 이렇게 해서 예측이 잘 되는 차트 구간 15%를 식별했습니다.


핵심 원칙

  • 여러 시간 프레임 및 지표 기간에 걸친 금 변동성 분석.
  • 효과적인 패턴을 찾기 위한 변동성 그룹화(100~3000개).
  • 통계적 검증: 높은 수익의 수학적 기대치 및 통계적 유의성.
  • 검증을 통과하지 못한 패턴은 노이즈로 표시 — 이러한 상황에서는 거래를 열지 않습니다.
  • 실제 계정 사용 전 2년 포워드 테스트 의무.

거래 로직 특징

  • 선택한 거리에서 지정가 주문으로 거래 오픈 — 최소 슬리피지.
  • 지정가 주문이 실행되지 않고(가격이 레벨에 닿지 않음) 신호가 사라진 경우 — 주문이 삭제됩니다.
  • 오픈 포지션은 스탑로스와 테이크프로핏으로 보호되며, 반대 신호 발생 시 시장가로 청산됩니다.
  • 로봇은 마틴게일, 차익거래 또는 기타 고위험 전략을 사용하지 않습니다.
  • 권장 시간 프레임: M5 ~ H1. 최적 — H1 XAUUSD.
  • 유연한 거래 활동 조정이 가능합니다(아래 매개변수 참조).

주요 설정

  • Allow BUY signals, Allow SELL signals — 시장 방향에 확신이 있을 때 매수/매도를 허용하거나 금지합니다.
  • Signals sensitivity, Filter sensitivity — 신호 민감도 및 노이즈 필터링 임계값. 기본값 — 0.5. 더 깨끗한 신호를 위해 0.7~0.9까지 높일 수 있습니다.
  • Filter by trading hours — 거래 시간 제한. 기본값 — 24시간.

자금 관리 설정

  • Distance in points for limit order — 가격에서 지정가 주문까지의 거리. 기본값: 250. 낮을수록 → 거래 증가, 높을수록 → 보수적.
  • Max positions + orders number — 동시 오픈 포지션 최대 수(평균화 없음). 기본값: 3.
  • 추가 설정 가능: 오픈 간 지연, 최대 스프레드 제어, 스탑로스 및 테이크프로핏 수준.
중요: 기본 설정이 이미 구성되어 있습니다. 특별히 필요하지 않은 경우 변경하지 마세요. 공장 초기화 매개변수로 되돌릴 수 있도록 표준 설정 파일을 저장하세요.
Isolation forest + 두 개의 분류기 → ONNX로 내보내기  |  포워드 기간: 2년  |  권장 시간 프레임: H1 XAUUSD

제작자의 제품 더 보기
Trixter KNN
Andrei Samokhin
Trixter KNN Gold — 금의 변동성 분석에 기반한 지능형 트레이딩 시스템입니다. 이 봇은 최근접 이웃(KNN) 방법을 기반으로 한 스마트 패턴 검색을 사용합니다. 발견된 패턴은 두 개의 분류기로 처리된 후, 모델이 ONNX 형식으로 내보내집니다. 핵심 원칙 여러 시간대 및 지표 기간에 걸친 금 변동성 분석. 효과적인 패턴(100~3000개)을 찾기 위한 변동성 그룹화. 통계적 검증: 높은 수익의 수학적 기대치 및 통계적 유의성. 검증을 통과하지 못한 패턴은 노이즈로 표시되며, 이러한 상황에서는 거래가 개설되지 않습니다. 실계좌 승인 전 2년간의 포워드 테스트가 의무적으로 수행됩니다. 트레이딩 로직 특징 가격에서 선택된 거리에 지정가 주문으로 거래 개설 — 슬리피지 최소화. 지정가 주문이 체결되지 않고(가격이 수준에 도달하지 않음) 신호가 사라진 경우 — 주문이 삭제됩니다. 개설된 포지션은 스탑로스 및 테이크프로핏으로 관리되며, 반대 신호 발생 시 시장가로 청산됩니다. 이
Trixter ISO
Andrei Samokhin
Isolation Forest 는 이상치(아웃라이어) 탐지 를 위한 머신러닝 알고리즘입니다. 알고리즘 원리: 무작위 분할: 알고리즘은 특성과 임계값을 무작위로 반복 선택하여 데이터를 분할합니다. 각 데이터 포인트가 개별 "셀"에 위치할 때까지 (또는 최대 깊이에 도달할 때까지) 계속됩니다. 격리 깊이: 이상치는 나머지 데이터로부터 분리되는 데 더 적은 분할 횟수 가 필요하므로 더 빠르게 "격리"됩니다 (밀집된 군집에서 멀리 떨어져 있습니다). 포리스트 구축: 여러 개의 무작위 결정 트리(포리스트)가 생성되며, 각 포인트에 대해 전체 트리에서의 평균 격리 깊이 가 계산됩니다. 이상치 점수: 평균 깊이가 작을수록 해당 포인트가 이상치일 확률이 높아집니다 (이를 기반으로 0에서 1 사이의 이상치 점수 가 산출됩니다). 사용 용도: 데이터 내 아웃라이어 탐색 ( 사기 거래 , 장비 오류, 네트워크 침입). 다른 모델 학습 전 데이터 정제 (노이즈 제거). 실시간 시스템 모니터링 (센서 수
필터:
리뷰 없음
리뷰 답변