Trixter EE
- 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
Elliptic Envelope（椭圆包络）是一种参数化机器学习算法，旨在检测多维数据中的异常值（outliers）和异常状况。
该方法基于以下假设：“正常”数据（主体样本）服从多维正态（高斯）分布。
工作原理
- 形成椭球体： 在特征空间中，算法围绕中心点集构建一个超椭球体。该椭球体的边界由协方差矩阵和特征的平均值决定。
- 使用马氏距离： 计算每个点到分布中心的马氏距离。该距离不仅考虑了空间距离，还考虑了特征之间的相关性以及数据在不同轴上的分散程度。
- 稳健性评估（MCD）： 为了防止异常值本身扭曲椭球体的中心和形状估计，该方法使用了最小协方差行列式（Minimum Covariance Determinant, MCD）。算法寻找指定大小的数据子集（由参数指定），以最小化协方差矩阵的行列式，从而在椭球体“拟合”过程中排除极值。
- 分类：
- 椭球体内部的点 — 正常对象（inliers，标记为 1）。
- 椭球体外部的点 — 异常或离群值（outliers，标记为 -1）。
- 判定点为异常值的距离阈值由异常比例超参数（contamination）指定。
适用场景
- 数据清洗（Data Cleaning）： 在训练主要模型（分类、回归）之前，消除极值噪声和测量误差。
- 异常检测（Anomaly / Outlier Detection）： 在样本中寻找非标准对象，例如：
- 识别欺诈交易（Fraud Detection）。
- 过滤传感器或设备故障。
- 过滤特征中的不典型模式或噪声。
Trixter EE 机器人正是基于这种方法构建的。
Trixter EE 算法利用椭圆包络（简称 EE）来实现模式识别。我们的假设前提是：黄金市场是相当有效的，大部分价格波动构成了无法预测的市场噪声。但我们可以找出黄金图表中的特定片段（即所谓的异常），在这些片段中价格具有极高的可预测性。通过这种方式，我筛选出了图表中 40% 具有良好可预测性的区域。
核心原则
- 在多个时间框架和指标周期上分析黄金的波动性。
- 聚集波动性以寻找有效模式（从 100 到 3000）。
- 统计验证：具备高数学期望收益和显著的统计学意义。
- 未通过验证的模式将被标记为噪声 — 在此类情况下不开启交易。
- 在允许接入真实账户前，必须进行为期 2 年的向前测试。
交易逻辑特点
- 在距价格一定距离处设置限价单建仓 — 确保最小滑点。
- 若限价单未被触发（价格未触及该水平）且信号消失 — 则撤销订单。
- 持有仓位附带止损和止盈，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：H1 XAUUSD。
- 提供灵活的交易活跃度设置（参数见下文）。
主要设置
- Allow BUY signals, Allow SELL signals — 在对市场方向有把握时允许或禁止买入/卖出。
- Signals sensitivity, Filter sensitivity — 信号敏感度和噪声过滤阈值。默认值为 0.5。可提高至 0.7–0.9 以获得更纯净的信号。
- Filter by trading hours — 交易时间限制。默认值为全天候交易。
资金管理设置
- Distance in points for limit order — 价格到限价单的距离（点数）。默认值：250。数值越小 → 交易越频繁；数值越大 → 越保守。
- Max positions + orders number — 最大同时持仓及挂单数量（无加仓/均价）。默认值：3。
- 其他可调参数：开仓延迟、最大点差控制、止损和止盈水平。
重要提示： 默认设置已配置完成。切勿在非必要情况下进行修改。请保存标准 set 文件，以便能够恢复至出厂参数。
椭圆包络 + 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
