Trixter MCD

方法 robust covariance (mincovdet)，或称 Minimum Covariance Determinant (MCD)，是一种稳健的 协方差矩阵和均值向量估计方法，对数据中的异常值具有稳定性。

方法思想

经典样本协方差对“污染”非常敏感。MCD 通过寻找一个 “干净”子集 来解决这个问题，该子集 不包含异常值，并仅在该子集上计算标准估计量（均值和协方差）。

MCD (mincovdet) 的用途

1. 多维异常值检测
这是主要应用。MCD 提供均值和协方差的稳健估计，据此计算 马氏距离。距离较大的观测值被标记为异常值。与经典方法不同，估计量本身不会因异常值而“漂移”，因此能够被 正确识别。

2. 协方差矩阵的稳健估计
当数据被污染时，普通样本协方差会被严重扭曲。MCD 提供了一种稳健的 替代方案——例如用于：

• 金融中的投资组合优化（稳健的风险估计），

• 构建置信区域，

• 任何需要可靠协方差矩阵的任务。

3. 分布中心的稳健估计
基于“干净”子集计算的均值向量同样对异常值具有稳定性——不同于普通 均值。

4. 其他方法之前的预处理
MCD 常被用作 数据清理步骤：找到异常值 → 删除/降低其权重 → 然后应用普通方法（回归、聚类、PCA），这些方法本身对异常值不稳定。

机器人 Trixter MCD 正是采用这种方法构建的。

Trixter MCD 算法使用 Minimum Covariance Determinant（简称 MCD）实现规律搜索。我们基于以下假设：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声。但我们可以识别出黄金图表中的片段（所谓异常），在这些片段中它 最具可预测性。因此，我识别出了 40% 具有良好可预测性的图表片段。

关键原则

• 在多个时间周期和指标周期上分析黄金波动率。
• 对波动率进行分组以寻找有效模式（从 100 到 3000）。
• 统计验证：高数学期望收益和统计显著性。
• 未通过验证的模式被标记为噪声——在这种情况下不开仓。
• 在允许进入真实账户之前，必须进行为期 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），而信号消失——则删除订单。
• 已开仓位由止损和止盈伴随，在出现反向信号时按市价平仓。
• 机器人不使用马丁格尔、套利和其他高风险策略。
• 推荐时间周期：从 M5 到 H1。最佳——H1 XAUUSD。
• 提供交易活动的灵活配置（参数如下）。

主要设置

• Allow BUY signals, Allow SELL signals ——在对市场方向有信心时允许或禁止买入/卖出。
• Signals sensitivity, Filter sensitivity ——信号灵敏度和噪声过滤阈值。默认值为 0.5。可提高到 0.7–0.9 以获得更 干净的信号。
• Filter by trading hours ——限制交易时间。默认——全天候。

资金管理设置

• Distance in points for limit order ——从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（不加仓摊平）。默认：3。
• 还可配置：开仓之间的延迟、最大点差控制、止损和止盈水平。