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
  • Versão: 1.0
  • Ativações: 15

Árvore de decisão é um algoritmo de aprendizado de máquina supervisionado que funciona com base no princípio de perguntas sequenciais de "Sim/Não". Possui uma estrutura em árvore onde:

  • Nós internos — são verificações de alguma característica (por exemplo, "Idade > 18?").

  • Ramos — são os resultados da verificação (Sim/Não).

  • Folhas — são a decisão final (resposta).

O processo de construção consiste em que o algoritmo encontra automaticamente a característica mais importante em cada etapa (usando critérios como o Índice de Gini ou a Entropia) e divide os dados em grupos mais homogêneos até obter uma folha pura ou atingir restrições.

Para que é utilizado?

As árvores de decisão são versáteis e são usadas em dois tipos principais de tarefas:

  1. Classificação (resposta categórica):

    • Atribuir um cliente à categoria "aprovado" ou "rejeitado" em um banco.

    • Identificar a espécie de um animal com base em características.

    • Determinar a probabilidade de compra ou venda de um ativo financeiro.

  2. Regressão (resposta numérica):

    • Prever o preço de um apartamento com base na área e localização.

    • Prever a direção do movimento do ouro.

Principais vantagens:

  • Transparência e interpretabilidade: Ao contrário das redes neurais, você pode explicar facilmente por que o modelo tomou uma determinada decisão (pode ser desenhado e o caminho da raiz até a folha pode ser traçado).

  • Não requer preparação de dados: Funciona bem com diferentes tipos de características (numéricas e categóricas) e não é sensível a valores atípicos.

  • Seleção de características: Mostra automaticamente quais fatores são os mais importantes.


O bot Trixter DTR é construído usando essa abordagem.

O algoritmo Trixter DTR implementa a busca de padrões usando uma árvore de decisão (abreviada como DTR). Partimos do pressuposto de que o mercado de ouro é suficientemente eficiente e que a maioria das flutuações de preços é ruído de mercado que não pode ser previsto. Mas podemos isolar fragmentos do gráfico do ouro (as chamadas anomalias) nos quais ele é maximamente previsível. Assim, identificamos 15% dos trechos do gráfico que são bem previsíveis.


Princípios-chave

  • Análise da volatilidade do ouro em vários timeframes e períodos de indicadores.
  • Agrupamento da volatilidade para encontrar padrões eficazes (de 100 a 3000).
  • Validação estatística: alta expectativa matemática de lucro e significância estatística.
  • Padrões que não passam na validação são marcados como ruído — nessas situações, as negociações não são abertas.
  • Teste forward obrigatório de 2 anos antes de ser permitido em uma conta real.

Características da lógica de trading

  • Abertura de negociações com ordens limit a uma distância selecionada do preço — deslizamento mínimo.
  • Se uma ordem limit não for acionada (o preço não tocar o nível) e o sinal desaparecer — a ordem é excluída.
  • As posições abertas são protegidas por stop-loss e take-profit, e são fechadas a preço de mercado mediante sinal contrário.
  • O robô não utiliza martingale, arbitragem ou outras estratégias de alto risco.
  • Timeframes recomendados: de M5 a H1. Ideal — H1 XAUUSD.
  • É fornecido um ajuste flexível da atividade de negociação (parâmetros abaixo).

Configurações principais

  • Allow BUY signals, Allow SELL signals — permitem ou proíbem compras/vendas quando há confiança na direção do mercado.
  • Signals sensitivity, Filter sensitivity — limite de sensibilidade dos sinais e filtragem de ruído. Valor padrão — 0.5. Pode ser aumentado para 0.7–0.9 para sinais mais limpos.
  • Filter by trading hours — restrição de horário de negociação. Por padrão — 24/7.

Configurações de gestão de capital

  • Distance in points for limit order — distância do preço até a ordem limit. Padrão: 250. Menor → mais negociações, maior → mais conservador.
  • Max positions + orders number — número máximo de posições abertas simultaneamente (sem média). Padrão: 3.
  • Configuráveis adicionalmente: atraso entre aberturas, controle de spread máximo, níveis de stop-loss e take-profit.
Importante: As configurações padrão já estão definidas. Não as altere a menos que seja absolutamente necessário. Salve o arquivo de configuração padrão para poder reverter para os parâmetros de fábrica.
Isolation forest + dois classificadores → exportar para ONNX  |  Período forward: 2 anos  |  Timeframe recomendado: H1 XAUUSD

Mais do autor
Trixter KNN
Andrei Samokhin
Trixter KNN Gold — sistema de negociação inteligente baseado na análise da volatilidade do ouro. O robô utiliza uma busca inteligente de padrões com base no método dos vizinhos mais próximos (KNN). Os padrões encontrados são processados por dois classificadores, após o que o modelo é exportado para o formato ONNX. Princípios-chave Análise da volatilidade do ouro em múltiplos timeframes e períodos de indicadores. Agrupamento da volatilidade para encontrar padrões eficazes (de 100 a 3000). Verific
Trixter ISO
Andrei Samokhin
Isolation Forest é um algoritmo de aprendizado de máquina para detecção de anomalias (outliers) . Princípio do algoritmo: Divisão aleatória: O algoritmo seleciona repetidamente um atributo aleatório e um valor de limite aleatório para dividir os dados, até que cada ponto fique em uma "célula" separada (ou até que a profundidade máxima seja atingida). Profundidade de isolamento: As anomalias são "isoladas" mais rapidamente, pois requerem menos divisões para se separarem dos demais dados (estão l
Filtro:
Sem comentários
Responder ao comentário