Opis
Gradient liniowy (lub gradient w ogóle) to podstawowe pojęcie w rachunku różniczkowym i algebrze liniowej, używane do opisu kierunku i najszybszej zmiany funkcji. W tym przypadku podejście zastosowane na rynku finansowym polega na definiowaniu większych zysków wraz ze wzrostem zmienności w określonym zakresie. Wiemy, że na rynku Forex zmienność cen jest stała. Wymyślono rozwiązanie, aby czerpać zyski z tej niestabilności rynku Forex. Robot Gradient UMl pro został specjalnie dostosowany do kilku metod i filtrów w celu maksymalizacji zysków. Algorytm stale monitoruje cenę za pomocą zaimplementowanych filtrów, aby ustawiać zlecenia oczekujące dostosowane do docelowego zakresu zgodnie z poziomem zmienności. Funkcja uczenia maszynowego monitoruje i rozwija się zgodnie z postępem rynku, zmniejszając ryzyko poprzez dostosowywanie stopów i celów zgodnie z ruchem ceny. Jedyną wadą tego algorytmu jest silny rynek trendowy, który może wpływać na ryzyko. Jednak jeśli znasz cykle rynku i potrafisz zidentyfikować, kiedy trend się kończy, a kiedy zaczyna się okres akumulacji i dystrybucji, możesz zmaksymalizować wydajność algorytmu, łącząc się z tymi okresami.
Wykres czasowy m5 usdjpy, gbpusd, eurusd, zoptymalizowany i skonfigurowany, dla niskiego ryzyka pozostaw filtr adx włączony, wyłączony otwiera więcej pozycji, ale z większym ryzykiem.
Oczekiwane wyniki
Styl: Hybrydowy Scalping i Swing Trading
Średni miesięczny dochód: Zmienny (od 2% do 14%, w zależności od warunków)
Czas handlu: Aktywny w wybranym czasie
Dla lepszej wydajności dostosuj parametr length = 20 od 1 do 15 dnia miesiąca. Od 16 do 30 dnia length = 12. Length = 0 pozostaje w automatycznym agresywnym trybie ML, zalecanym dla rynku zakresowego.
Podsumowanie
The bot incorporates a machine learning function that continuously adjusts stop-loss and target levels based on evolving market conditions to manage risk. Users can enable an ADX filter to reduce risk by limiting trade openings, or disable it to increase position frequency with higher risk. Parameter adjustments are recommended monthly to optimize performance: setting the length parameter to 20 during the first half of the month and 12 during the second half, or using an automatic aggressive machine learning mode for range-bound markets.
Trading activity is active during selected times, with expected average monthly returns varying between 2% and 14%, depending on market conditions. The system is best suited for markets exhibiting cyclical behavior, where trend endings and accumulation/distribution phases can be identified to maximize effectiveness.
