|
no
experiência
|
13
produtos
|
33
versão demo
|
|
0
trabalhos
|
0
sinais
|
0
assinantes
|
Trixter Night Scalper está pronto para instalação e aguarda suas instruções — negociar à noite ou 24 horas por dia. Meu método permite combinar várias estratégias únicas em um único sistema de negociação que aplica a estratégia de negociação mais bem-sucedida dependendo das condições de mercado. Você pode ter certeza de que o bot abrirá uma operação apenas conforme o cenário mais favorável e ignorará situações em que a negociação não seja desejável. Recomendo escolher a negociação noturna porque
Sistema de trading de scalping baseado em inteligência artificial — o mais recente desenvolvimento no campo da IA e do trading. Este sistema difere do anterior pela maior rentabilidade histórica . Nele são aplicados algoritmos de aprendizagem especiais para operar com um alto profit factor. Como estou imerso no processo de desenvolvimento e escrevo muitos sistemas de trading por encomenda para os meus clientes, não tenho tempo para os testar sozinho. Convido os estimados compradores a partilhar
Sistema de negociação de scalping baseado em inteligência artificial — o mais recente desenvolvimento no campo da IA e do trading. Como estou imerso no processo de desenvolvimento e escrevo muitos sistemas de negociação por encomenda para os meus clientes, não tenho tempo para testá-los sozinho. Convido os prezados compradores a compartilhar comigo relatórios de negociação; estou sempre aberto a uma cooperação frutífera. Se algum dos sistemas de negociação despertar o seu interesse — não deixe
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
O método robust covariance (mincovdet) , ou Minimum Covariance Determinant (MCD) , é um método robusto de estimação da matriz de covariância e do vetor de médias, resistente a valores atípicos nos dados. Ideia do método A covariância amostral clássica é muito sensível à "contaminação". O MCD resolve esse problema encontrando um subconjunto "limpo" de observações que não contém valores atípicos, e calculando as estimativas padrão (média e covariância) apenas sobre ele. Para que serve o MCD
Elliptic Envelope (Envelope Elíptico) é um algoritmo de aprendizado de máquina paramétrico projetado para detectar outliers e anomalias em dados multidimensionais. O método parte da premissa de que os dados "normais" (a amostra principal) seguem uma distribuição normal (gaussian) multidimensional. Princípio de funcionamento Formação do elipsoide: No espaço de atributos, o algoritmo constrói um hiperelipsoide ao redor do grupo central de pontos. A fronteira deste elipsoide é determinada pela
Você gosta de trading de alta frequência e altíssima velocidade com baixo risco? Então o Trixter Quantum foi criado especialmente para você. Graças a entradas precisas e a uma alta expectativa matemática, o bot opera com stops curtos, capturando grandes movimentos em pontos. O seu algoritmo central baseia-se na análise do emaranhamento local de estados adjacentes (padrões) , o que permite identificar instantaneamente mudanças microestruturais ocultas no mercado. A proporção de stop-loss para
Gosta de trading de alta frequência e alta velocidade com baixo risco? Então este bot foi criado especialmente para você. Graças a entradas precisas e a uma alta expectativa matemática, o bot opera com stops curtos enquanto captura grandes movimentos em pontos. A proporção de stop loss para take profit pode atingir até 1:10 — ou seja, o stop loss é 10 vezes menor que o take profit —, enquanto este bot de scalping permanece lucrativo e não segura posições perdedoras, segundo os resultados dos
Este bot opera o rompimento de níveis no ouro! Princípios-chave Análise da volatilidade do ouro em múltiplos tempos gráficos e períodos de indicadores. Agrupamento de volatilidade para encontrar padrões eficientes (de 100 a 3000). Verificação estatística: alta expectativa matemática de lucro e significância estatística. Padrões que não passam na verificação são marcados como ruído — nessas situações, nenhuma ordem é aberta. Teste para a frente ( forward test ) obrigatório de 2 anos antes da
Algoritmo Local Outlier Factor (LOF) é um método de aprendizado de máquina para encontrar anomalias em dados que não podem ser detectadas por meio de limiares globais. Diferentemente de métodos simples, o LOF procura outliers locais comparando a densidade de pontos em sua vizinhança imediata. Como funciona A ideia principal do LOF é simples: uma anomalia é um ponto cuja densidade de objetos ao redor é significativamente menor do que a densidade ao redor de seus vizinhos
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
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
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)