Trixter MCD

방법 robust covariance (mincovdet), 또는 Minimum Covariance Determinant (MCD)는 데이터의 이상치에 강인한 공분산 행렬과 평균 벡터 추정 방법입니다.

방법의 아이디어

고전적인 표본 공분산은 "오염"에 매우 민감합니다. MCD는 이상치를 포함하지 않는 "깨끗한" 부분집합 을 찾고, 그것에 대해서만 표준 추정값(평균과 공분산)을 계산함으로써 이 문제를 해결합니다.

MCD (mincovdet)의 용도

1. 다변량 이상치 탐지
이것이 주요 용도입니다. MCD는 평균과 공분산의 강인한 추정값을 제공하며, 이를 통해 마할라노비스 거리 가 계산됩니다. 거리가 큰 관측값은 이상치로 표시됩니다. 고전적 접근법과 달리, 추정값 자체가 이상치로 인해 "밀리지" 않기 때문에 이상치를 올바르게 식별할 수 있습니다.

2. 공분산 행렬의 강인한 추정
데이터가 오염되었을 때, 일반 표본 공분산은 크게 왜곡됩니다. MCD는 안정적인 대안을 제공합니다 — 예를 들어 다음과 같은 용도로:

• 금융에서의 포트폴리오 최적화(강인한 리스크 추정),

• 신뢰 영역 구축,

• 정직한 공분산 행렬이 필요한 모든 작업.

3. 분포 중심의 강인한 추정
"깨끗한" 부분집합에서 계산된 평균 벡터 또한 일반 평균과 달리 이상치에 안정적입니다.

4. 다른 방법들 전의 전처리
MCD는 종종 데이터 정제 단계 로 사용됩니다: 이상치를 찾고 → 제거하거나 가중치를 낮춘 후 → 그 자체로는 이상치에 불안정한 일반 방법들(회귀, 클러스터링, PCA)을 적용합니다.

봇 Trixter MCD는 이 접근법을 적용하여 구축되었습니다.

Trixter MCD 알고리즘은 Minimum Covariance Determinant(약자 MCD)를 사용하여 규칙성 탐색을 구현합니다. 우리는 금 시장이 충분히 효율적이며 대부분의 가격 변동이 예측할 수 없는 시장 노이즈를 형성한다고 가정합니다. 그러나 우리는 금 차트의 일부 구간(소위 이상)을 식별할 수 있으며, 그곳에서는 최대한 예측 가능합니다. 이렇게 하여 나는 예측이 잘 되는 차트 구간의 40%를 식별했습니다.

핵심 원칙

• 여러 타임프레임과 지표 기간에서 금의 변동성 분석.
• 효과적인 패턴을 찾기 위한 변동성 그룹화(100에서 3000까지).
• 통계적 검증: 높은 수익의 수학적 기대값과 통계적 유의성.
• 검증을 통과하지 못한 패턴은 노이즈로 표시됩니다 — 그러한 상황에서는 거래가 열리지 않습니다.
• 실계좌 허용 전 필수 2년 포워드 테스트.

거래 로직의 특징

• 가격에서 선택한 거리에 지정가 주문으로 거래 개시 — 최소 슬리피지.
• 지정가 주문이 체결되지 않고(가격이 레벨에 닿지 않음) 신호가 사라지면 — 주문이 삭제됩니다.
• 열린 포지션은 스톱로스와 테이크프로핏으로 관리되며, 반대 신호 시 시장가로 청산됩니다.
• 로봇은 마틴게일, 차익거래 및 기타 고위험 전략을 사용하지 않습니다.
• 권장 타임프레임: M5에서 H1까지. 최적 — H1 XAUUSD.
• 거래 활동의 유연한 설정이 제공됩니다(아래 매개변수).

주요 설정

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

자금 관리 설정

• Distance in points for limit order — 가격에서 지정가 주문까지의 거리. 기본값: 250. 작을수록 → 거래가 많아짐, 클수록 → 더 보수적.
• Max positions + orders number — 동시에 열 수 있는 최대 포지션 수(평균화 없음). 기본값: 3.
• 추가로 설정 가능: 개시 간 지연, 최대 스프레드 제어, 스톱로스 및 테이크프로핏 레벨.