Trixter DTR
- 专家
-
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 - 版本: 1.0
- 激活: 15
决策树 是一种有监督的机器学习算法，其工作原理是连续的“是/否”问题。它呈现为树状结构，其中：
-
内部节点 — 是对某个特征的检查（例如，“年龄 > 18？”）。
-
分支 — 是检查的结果（是/否）。
-
叶节点 — 是最终决策（答案）。
构建过程是算法在每一步自动找到最重要的特征（使用诸如 基尼系数 或 熵 等准则），并将数据划分为更同质的组，直到获得纯叶节点或达到限制条件。
用途是什么？
决策树具有通用性，应用于两大类任务：
-
分类 （类别型输出）：
-
将银行客户归入“批准”或“拒绝”类别。
-
根据特征识别动物种类。
-
判断购买或出售金融资产的可能性。
-
-
回归 （数值型输出）：
-
根据面积和位置预测公寓价格。
-
预测黄金走势方向。
-
主要优势：
-
透明性和可解释性： 与神经网络不同，您可以轻松解释模型 为什么 做出某个特定决策（可以将其绘制出来，并追踪从根节点到叶节点的路径）。
-
无需数据预处理： 适用于不同类型特征（数值型和类别型），且对异常值不敏感。
-
特征选择： 自动显示哪些因素最为重要。
机器人 Trixter DTR 就是采用这种方法构建的。
Trixter DTR 算法使用决策树（缩写为 DTR）实现规律识别。我们的出发点是假设黄金市场足够有效，大多数价格波动属于无法预测的市场噪音。但我们可以分离出黄金图表的某些片段（即所谓的异常），在这些片段中黄金具有最大可预测性。这样我们识别出了 15% 的图表片段，它们是可良好预测的。
关键原则
- 在多个时间框架和指标周期上分析黄金波动性。
- 对波动性进行分组以寻找有效的形态（100 到 3000 个）。
- 统计验证：高盈利数学期望和统计显著性。
- 未通过验证的形态被标记为噪音 — 在此类情况下不开仓。
- 在实盘账户使用前必须进行 2 年向前测试。
交易逻辑特点
- 使用限价单在距价格选定距离处开仓 — 最小滑点。
- 如果限价单未触发（价格未触及水平）且信号消失 — 订单被删除。
- 持仓由止损和止盈保护，在出现反向信号时按市价平仓。
- 机器人不使用马丁格尔、套利或其他高风险策略。
- 推荐时间框架：M5 到 H1。最优 — H1 XAUUSD。
- 提供灵活的交易活动调整（参数见下文）。
主要设置
- Allow BUY signals, Allow SELL signals — 在市场方向确信时允许或禁止买入/卖出。
- Signals sensitivity, Filter sensitivity — 信号敏感度和噪音过滤阈值。默认值 — 0.5。可提高至 0.7–0.9 以获得更干净的信号。
- Filter by trading hours — 交易时间限制。默认 — 全天候。
资金管理设置
- Distance in points for limit order — 价格到限价单的距离。默认：250。更小 → 更多交易，更大 → 更保守。
- Max positions + orders number — 同时开仓的最大数量（无加仓）。默认：3。
- 额外可配置：开仓间隔、最大点差控制、止损和止盈水平。
重要： 默认设置已配置好。非必要请勿更改。保存标准设置文件以便能够恢复出厂参数。
Isolation forest + 两个分类器 → 导出为 ONNX | 向前测试周期：2 年 | 推荐时间框架：H1 XAUUSD
