Trixter LOF

局部离群因子（LOF）算法 是一种用于发现无法通过全局阈值检测到的数据异常的机器学习方法。与简单方法不同，LOF 通过比较点在其直接邻域中的密度来寻找 局部 离群点。

工作原理

LOF 的核心思想很简单：异常点就是其周围对象的密度显著低于其邻居周围密度的点。

1. 选择邻域。 对于每个点，算法会找到  k  个最近邻。

2. 计算局部密度。 它计算该点被邻居“紧密”围绕的程度。

3. 与邻居比较。 算法将该点周围的密度与其邻居周围的平均密度进行比较。

4. 最终得分。 最终的 LOF 值表示该点周围的密度比其邻居周围密度低多少倍。

   • LOF ≈ 1：该点的密度与其周围环境相当（正常）。

   • LOF >> 1：密度显著较低（潜在异常）。异常阈值通常为 > 1.5。

用途

LOF 广泛用于异常可能存在于单个数据组内部而不仅仅是在整体背景下的问题中。

• 通用异常检测： 识别可疑交易、设备故障或异常用户行为。

• 工业与能源： 分析异常能耗模式以预防损失并转向预测性设备维护。

• 时间序列： 在时间序列数据中寻找异常点或整个片段（子序列）（例如，使用改编版本）。

Trixter LOF 机器人就是应用此方法构建的。

Trixter LOF 算法使用局部离群因子（简称 LOF）实现模式搜索。我们假设黄金市场足够有效，大多数价格波动构成无法预测的市场噪音。但我们可以识别出黄金图表中那些（所谓的异常）片段，在这些片段中黄金具有最大的可预测性。通过这种方式，我提取了 30% 的可预测性良好的图表片段。

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模式（从 100 到 3000 个）。
• 统计验证：高盈利期望和统计显著性。
• 未通过验证的模式被标记为噪音——在这种情况下不开启交易。
• 在允许实盘账户使用之前，必须进行 2 年的前向测试。

交易逻辑特点

• 使用限价单在距价格选定距离处开仓——滑点最小。
• 如果限价单未触发（价格未触及该水平）且信号消失——则删除该订单。
• 持仓单配有止损和止盈，并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：从 M5 到 H1。最佳为 H1 XAUUSD。
• 提供灵活的交易活动调整（参数如下）。

主要设置

• 允许买入信号、允许卖出信号 ——允许或禁止在确信市场方向时进行买入/卖出。
• 信号敏感度、过滤敏感度 ——信号敏感度和噪音过滤的阈值。默认值为 0.5。可提高至 0.7–0.9 以获得更干净的信号。
• 按交易时间过滤 ——交易时间限制。默认为全天候。

资金管理设置

• 限价单距离（点数） ——价格到限价单的距离。默认：250。更小→更多交易，更大→更保守。
• 最大持仓+订单数 ——同时开仓的最大数量（不加仓）。默认：3。
• 另外可配置：开仓间隔、最大点差控制、止损和止盈水平。