Trixter LOF

Алгоритм Local Outlier Factor (LOF) — это метод машинного обучения для поиска аномалий в данных, которые нельзя найти с помощью глобальных пороговых значений. В отличие от простых методов, LOF ищет локальные выбросы, сравнивая плотность точек в их непосредственном окружении.

Как это работает

Основная идея LOF проста: аномалия — это точка, плотность объектов вокруг которой значительно ниже, чем плотность вокруг её соседей.

1. Выбор окрестности. Для каждой точки алгоритм находит  k  ближайших соседей.

2. Расчет локальной плотности. Он вычисляет, насколько "тесно" точка окружена соседями.

3. Сравнение с соседями. Алгоритм сравнивает плотность вокруг точки со средней плотностью вокруг её соседей.

4. Финальный счет. Итоговое значение LOF показывает, во сколько раз плотность вокруг точки ниже, чем вокруг соседей.

   • LOF ≈ 1: плотность точки сравнима с окружением (нормальная).

   • LOF >> 1: плотность значительно ниже (потенциальная аномалия). Обычно порогом для аномалии служит значение > 1.5.

Для чего используется

LOF широко применяется в задачах, где аномалии могут существовать внутри отдельных групп данных, а не только на общем фоне.

• Обнаружение аномалий в общем случае: Выявление подозрительных транзакций, сбоев в работе оборудования или аномального поведения пользователей.

• Промышленность и энергетика: Анализ аномальных паттернов потребления энергии для предотвращения потерь и перехода к прогнозируемому обслуживанию оборудования.

• Временные ряды: Поиск аномальных точек или целых участков (подпоследовательностей) во временных данных (например, с помощью адаптированной версии.

Бот Trixter LOF построен с применением этого подхода.

Алгоритм Trixter LOF реализует поиск закономерностей с помощью Local Outlier Factor (сокращенно LOF). Мы исходим из предположения, что рынок золота достаточно эффективен и большинство ценовых колебаний формируют рыночный шум, который невозможно предсказать. Но мы можем выделить фрагменты графика золота (так называемые аномалии), в которых оно максимально предсказуемо. Таким образом я выделил 30% участков графика, которые хорошо предсказуемы.

Ключевые принципы

• Анализ волатильности золота на нескольких тайм-фреймах и периодах индикаторов.
• Группировка волатильности для поиска эффективных паттернов (от 100 до 3000).
• Статистическая проверка: высокое математическое ожидание выигрыша и статистическая значимость.
• Паттерны, не прошедшие проверку, маркируются как шум — в таких ситуациях сделки не открываются.
• Обязательный форвард-тест на 2 года перед допуском к реальному счёту.

Особенности торговой логики

• Открытие сделок лимитными ордерами на выбранном расстоянии от цены — минимальное проскальзывание.
• Если лимитный ордер не сработал (цена не коснулась уровня), а сигнал исчез — ордер удаляется.
• Открытые позиции сопровождаются стоп-лосс и тейк-профит, закрываются по рынку при встречном сигнале.
• Робот не использует мартингейл, арбитраж и другие высокорисковые стратегии.
• Рекомендуемые тайм-фреймы: от M5 до H1. Оптимальный — H1 XAUUSD.
• Предусмотрена гибкая настройка торговой активности (параметры ниже).

Основные настройки

• Allow BUY signals, Allow SELL signals — разрешают или запрещают покупки/продажи при уверенности в направлении рынка.
• Signals sensitivity, Filter sensitivity — порог чувствительности сигналов и фильтрации шума. Дефолтное значение — 0.5. Можно повышать до 0.7–0.9 для более чистых сигналов.
• Filter by trading hours — ограничение времени торговли. По умолчанию — круглосуточно.

Настройки управления капиталом

• Distance in points for limit order — расстояние от цены до лимитного ордера. Дефолт: 250. Меньше → больше сделок, больше → консервативнее.
• Max positions + orders number — максимальное количество одновременно открытых позиций (без усреднения). Дефолт: 3.
• Дополнительно настраиваются: задержка между открытиями, контроль максимального спреда, уровни стоп-лосс и тейк-профит.