Trixter SVM
- Experts
-
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: 10
O SVM resolve um problema de classificação binária: separa duas classes. Mas o One-Class SVM é treinado apenas com dados de uma classe (exemplos "normais") e constrói ao redor deles uma fronteira (um hiperplano no espaço transformado) que separa essa região de todo o resto.
Tudo o que cai dentro da região é considerado normal, tudo o que está fora é uma anomalia.
Como funciona
-
Os dados são mapeados para um espaço de características (por meio de um kernel, por exemplo RBF).
-
O algoritmo procura um hiperplano o mais distante possível da origem que separe a maioria dos pontos do zero.
-
O parâmetro ν (nu) define:
-
o limite superior da fração de outliers na amostra de treinamento,
-
o limite inferior da fração de vetores de suporte.
-
-
Os pontos que ficam "do outro lado" da fronteira são considerados anomalias.
Para que é utilizado
-
Detecção de anomalias / outliers (fraud detection, invasões de rede, picos nas cotações).
-
Detecção de novidade (novelty detection) — quando há apenas dados normais "limpos" e é preciso capturar desvios.
-
Monitoramento de sistemas — desvio das métricas em relação ao comportamento normal, busca de ineficiências de mercado.
O bot Trixter SVM foi construído aplicando essa abordagem.
O algoritmo Trixter SVM implementa a busca de padrões por meio de Support vector machine (SVM, abreviadamente). Partimos do pressuposto de que o mercado de ouro é suficientemente eficiente e a maioria das oscilações de preço forma ruído de mercado que não pode ser previsto. Mas podemos identificar fragmentos do gráfico do ouro (as chamadas anomalias) nos quais ele é maximamente previsível. Assim identifiquei 40% 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 buscar padrões eficazes (de 100 a 3000).
- Verificação estatística: alta expectativa matemática de ganho e significância estatística.
- Os padrões que não passam na verificação são marcados como ruído — em tais situações não se abrem operações.
- Teste forward obrigatório de 2 anos antes da admissão a uma conta real.
Características da lógica de negociação
- Abertura de operações com ordens limitadas a uma distância escolhida do preço — slippage mínimo.
- Se uma ordem limitada não for executada (o preço não tocou o nível) e o sinal desaparecer — a ordem é removida.
- As posições abertas são acompanhadas de stop-loss e take-profit, e são fechadas a mercado ao surgir um sinal contrário.
- O robô não usa martingale, arbitragem nem outras estratégias de alto risco.
- Timeframes recomendados: de M5 a H1. Ideal — H1 XAUUSD.
- Há configuração 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 — limiar de sensibilidade dos sinais e de filtragem de ruído. Valor padrão — 0.5. Pode ser elevado para 0.7–0.9 para sinais mais limpos.
- Filter by trading hours — restrição do horário de negociação. Por padrão — 24 horas.
Configurações de gestão de capital
- Distance in points for limit order — distância do preço até a ordem limitada. Padrão: 250. Menos → mais operações, mais → mais conservador.
- Max positions + orders number — número máximo de posições abertas simultaneamente (sem averaging). Padrão: 3.
- Adicionalmente configuráveis: atraso entre aberturas, controle do spread máximo, níveis de stop-loss e take-profit.
