|
不
经验
|
8
产品
|
38
演示版
|
|
0
工作
|
0
信号
|
0
订阅者
|
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
您喜欢低风险、高频且高速的自动化交易吗？那么 Trixter Quantum 就是为您量身打造的。 凭借精准的入场点和极高的正期望值，该机器人能够以极紧的止损锁定大波幅行情。其核心算法基于 相邻状态（模式）的局部纠缠分析 （Analysis of local entanglement of adjacent states），能够实时捕捉市场微观结构中的隐藏变化。本策略的止损与止盈比率最高可达 1:10（即止损仅为止盈的 1/10）。根据回测与测试结果，这款剥头皮机器人不仅能保持长期盈利，而且绝不硬扛亏损。对于不想长时间承受浮亏焦虑的交易者来说，这是绝佳的选择。紧凑的止损也是对系统的硬核检验，证明了 Trixter Quantum 的信号精准有效，而非随机侥幸，从而彻底避免了资金大幅回撤的风险。 核心原则 局部纠缠分析 ：对相邻状态（模式）的关联性进行数学映射与评估，精准确定入场位置。 多周期黄金波动率分析 ：覆盖多个时间周期与技术指标参数。 波动率聚类 ：筛选出 100 到 3000 个的高效有效模式。 统计学验证 ：具备高胜率正期望值与统计显著性。 噪声过滤
喜欢低风险的高频高速交易？那么这款机器人就是为你量身打造的。 凭借精准的入场和极高的数学期望，该机器人采用小止损策略，同时锁定较大的点数行情。止损与止盈的比例最高可达 1:10（即止损比止盈小 10 倍）。根据测试结果，这款剥头皮机器人不仅能保持盈利，而且不会抗单硬扛亏损。对于不想长时间等待持仓关闭、又不确定最终是盈利还是亏损的交易者来说，这是一个绝佳的系统。小止损是检验系统含金量的“试金石”，能在不浪费大量时间、不因大幅回撤而爆仓的前提下，验证其信号究竟是精准还是随机。 核心原则 跨多个时间框架和指标周期进行黄金波动率分析。 波动率分组聚类，以寻找有效形态（100 至 3000 个）。 统计检验：极高的获胜数学期望与显著的统计学意义。 未通过检验的形态将被标记为噪音——在这些情况下不会开启交易。 在实盘账户使用前，必须通过 2 年的向前测试（Forward Test）。 交易逻辑特点 通过在距离价格一定位置放置 Stop 挂单来执行交易——突破关键位。 若 Stop 挂单未被激活（价格未触及该水平）且信号消失，则自动撤单。 持仓由止损和止盈平仓，若出现反向信号，则按市价平仓。 EA
本机器人专用于黄金逢高/逢低突破交易！ 核心原则 跨多个时间帧及指标周期分析黄金波动率。 对波动率进行分组以寻找有效形态（从 100 到 3000）。 统计学验证：具备高数学期望收益与显著的统计学意义。 未通过验证的形态将被标记为噪音 —— 此类情况下不开启任何交易。 实盘前必须通过 2 年的前向测试（Forward Test）。 交易逻辑特点 在距价格设定距离处挂止损单（Stop Orders）建仓 —— 即突破交易。 若止损单未被触发（价格未触及该水平）且信号消失，则自动撤销该挂单。 持仓配有止损（Stop Loss）和止盈（Take Profit），若出现反向信号则按市价平仓。 机器人绝不使用马丁格尔、套利或其他高风险策略。 推荐时间帧：M5 至 H1。最佳选择：H1 XAUUSD。 提供灵活的交易活跃度调节（参数见下）。 基础设置 Allow BUY signals, Allow SELL signals —— 在对市场方向有把握时，允许或禁止做多/做空。 Signals sensitivity, Filter sensitivity —— 信号灵敏度与噪音过滤门槛。默认值为
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 。 选择邻域。 对于每个点，算法会找到 k 个最近邻 。 计算局部密度。 它计算该点被邻居“紧密”围绕的程度 。 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 。 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 。
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
Isolation Forest 是一种用于 异常（离群点）检测 的机器学习算法。 算法原理： 随机划分： 算法反复随机选择一个特征和一个随机阈值来切割数据， 直到每个数据点都落在独立的“单元格”中 （或达到最大深度）。 隔离深度： 异常点被“隔离”得更快，因为它们需要 更少的切割次数 就能从其余数据中分离出来（它们远离密集的数据簇）。 构建森林： 生成多棵随机决策树（森林），并对每个点计算其在所有树上的 平均隔离深度 。 异常评分： 平均深度越小，该点 越有可能是 异常点（据此构建 0到1之间的异常分数 ）。 主要用途： 数据中的离群点检测（ 欺诈交易 、设备故障、网络入侵）。 训练其他模型前的 数据清洗 （去除噪声）。 实时系统监控 （传感器指标）。 主要优势： 在高维空间中运行快速且高效， 不需要标记数据 （无监督学习）。 机器人 Trixter ISO 就是采用这一方法构建的。 Trixter ISO 算法通过隔离森林（简称
Trixter KNN Gold — 基于黄金波动性分析的智能交易系统。 该机器人使用基于最近邻方法（KNN）的智能形态搜索。找到的形态由两个分类器处理，之后模型导出为ONNX格式。 核心原则 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，以寻找有效形态（100至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 以限价单在距价格选定距离处开仓——滑点最小化。 如果限价单未触发（价格未触及水平）且信号消失——则删除该订单。 持仓单设有止损和止盈，在出现反向信号时按市价平仓。 该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至H1。最优——H1 XAUUSD。 提供灵活的交易活动配置（参数见下文）。 主要设置 Allow BUY signals, Allow SELL signals — 允许或禁止在市场方向确信时进行买入/卖出。 Signals sensitivity, Filter sensitivity —