Beschreibung
Der lineare Gradient (oder Gradient im Allgemeinen) ist ein grundlegendes Konzept in der Analysis und linearen Algebra, das verwendet wird, um die Richtung und die schnellste Änderungsrate einer Funktion zu beschreiben. In diesem Fall besteht der Ansatz für den Finanzmarkt darin, größere Gewinne zu definieren, wenn die Volatilität in einem Bereich zunimmt. Wir wissen, dass im Forex-Markt die Preisvariation konstant ist. Es wurde eine Lösung entwickelt, um aus dieser Unbeständigkeit des Forex-Marktes Gewinne zu erzielen. Der Gradient UMl pro Roboter wurde speziell an mehrere Methoden und Filter angepasst, mit dem Ziel, die Gewinne zu maximieren. Der Algorithmus überwacht ständig den Preis durch die implementierten Filter, um ausstehende Aufträge anzupassen, die dem Zielbereich entsprechend dem Volatilitätsniveau entsprechen. Die Funktion des maschinellen Lernens überwacht und entwickelt sich entsprechend dem Marktverlauf weiter, reduziert das Risiko durch Anpassung von Stopps und Zielen entsprechend der Preisbewegung. Der einzige Nachteil dieses Algorithmus ist ein starker Trendmarkt, der das Risiko beeinflussen kann. Wenn Sie jedoch die Marktzyklen kennen und erkennen, wann ein Trend endet, wann die Akkumulations- und Distributionsphase beginnt, können Sie die Leistung des Algorithmus maximieren, indem Sie sich an diese Perioden anschließen.
Zeitdiagramm m5 usdjpy, gbpusd, eurusd, optimiert und konfiguriert, für geringes Risiko den adx-Filter eingeschaltet lassen, ausgeschaltet öffnet mehr Positionen, aber mit höherem Risiko.
Erwartete Ergebnisse
Stil: Hybrid Scalping und Swing Trading
Durchschnittliches monatliches Einkommen: Variabel (von 2 % bis 14 %, abhängig von den Bedingungen)
Handelszeit: Aktiv während der ausgewählten Zeit
Für eine bessere Leistung passen Sie den Parameter Länge = 20 vom 1. bis zum 15. des Monats an. Vom 16. bis zum 30. Länge = 12. Länge = 0 bleibt im automatischen aggressiven ML-Modus, empfohlen für den Range-Markt.
Zusammenfassung
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.
