Açıklama
Doğrusal gradyan (veya genel olarak gradyan), bir fonksiyonun yönünü ve en hızlı değişim oranını tanımlamak için kullanılan kalkülüs ve lineer cebirin temel bir kavramıdır. Bu durumda, Finansal Piyasa için kullanılan yaklaşım, volatilitenin bir aralıkta arttıkça daha büyük kazançlar tanımlamaktır. Forex piyasasında fiyat değişiminin sabit olduğunu biliyoruz. Forex piyasasındaki bu değişkenlikten kazanç sağlamak için bir çözüm düşünüldü. Gradient UMl pro robotu özellikle kazançları maksimize etmek amacıyla çeşitli yöntemlere ve filtrelere uyarlanmıştır. Algoritma, uygulanmış filtreler aracılığıyla fiyatı sürekli izler ve volatilite seviyesine göre hedef aralığa uyarlanmış bekleyen emirler konumlandırır. Makine öğrenimi fonksiyonu piyasa ilerlemesine göre izler ve gelişir, fiyat hareketine göre stop ve hedefleri ayarlayarak riski azaltır. Bu algoritmanın tek dezavantajı, riski etkileyebilecek güçlü trend piyasasıdır. Ancak, piyasa döngülerini bilir ve bir trendin ne zaman sona erdiğini, birikim ve dağıtım döneminin ne zaman başladığını tespit ederseniz, algoritmanın performansını bu dönemlere bağlayarak maksimize edebilirsiniz.
Zaman grafiği m5 usdjpy, gbpusd, eurusd, optimize edilmiş ve yapılandırılmış, düşük risk için adx filtresi açık bırakılmalı, kapatıldığında daha fazla pozisyon açar ancak risk artar.
Beklenen Sonuçlar
Stil: Hibrit Scalping ve Swing Trading
Ortalama aylık gelir: Değişken (koşullara bağlı olarak %2 ile %14 arasında)
İşlem Süresi: Seçilen zaman diliminde aktiftir
Daha iyi performans için, ayın 1'inden 15'ine kadar parametre uzunluğunu = 20 olarak ayarlayın. 16'sından 30'una kadar uzunluk = 12. Uzunluk = 0 otomatik agresif ML modunda kalır, aralık piyasası için önerilir.
Özet
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.
