Loading...
Loading...
Semua ulasan, peringkat, panduan, strategi, dan dokumen kepercayaan.
Metodologi
Dari data pasar mentah hingga sinyal terpublikasi dengan skor kepercayaan — pipeline tepat di balik setiap entri, stop, dan target.
Terakhir diperbarui: 20 Mei 2026
Satu ensemble LightGBM gradient-boosted per pasangan (simbol, timeframe) — model khusus, bukan satu klasifier yang cocok untuk semua. Cakupan penuh 10-simbol × 4-timeframe sedang dibangun selama Phase 1b.
Triple-Barrier Method (López de Prado) untuk pelabelan — tiga kondisi exit alih-alih return horizon tetap. Jauh lebih sedikit label leakage daripada pendekatan naif.
Skor kepercayaan 0-100% berasal langsung dari output probabilitas model. Di bawah 60% — tidak ada sinyal yang dipublikasikan.
Penempatan SL/TP berskala ATR(14). R-multiple dikalibrasi per timeframe — biasanya target 1.5R hingga 3.0R. Tidak ada stop pip tetap.
Kalender ekonomi ditampilkan di setiap halaman sinyal sehingga Anda dapat menerapkan filter event Anda sendiri. Auto-veto algoritmik untuk sinyal dekat event berdampak tinggi ada di roadmap Phase 2.
Setiap sinyal yang dipublikasikan melewati tahap-tahap ini secara berurutan. Tanpa jalan pintas. Total waktu wall-clock dari penutupan bar hingga sinyal dipublikasikan: biasanya 4-9 detik.
Aliran tick real-time dari koneksi broker utama kami (Tier-1 ECN) ditambah feed cadangan untuk redundansi. Bar dirangkai pada batas H1/M15/H4/D1 dengan penyelarasan UTC yang ketat. Tick yang terlambat dihilangkan — kami tidak pernah mengulang lukis.
~50 fitur terekayasa per bar: RSI(14), MACD(12,26,9), Bollinger Bands(20,2), ATR(14), tumpukan EMA 5-21-50-200 + flag crossover, sesi-hari, dan rezim volatilitas terbaru. Set fitur berkembang seiring berjalannya studi ablation — apa pun yang tidak menggerakkan Sharpe out-of-sample dipangkas.
Model LightGBM per-tuple menghasilkan probabilitas untuk setiap kelas arah. Latensi inferensi p99 ≈ 6ms. Post-processing probabilitas terkalibrasi (Platt scaling) ada di roadmap Phase 2 — probabilitas saat ini adalah output mentah classifier.
Probabilitas model menjadi skor kepercayaan 0-100% secara langsung. Sebuah sinyal hanya dipublikasikan jika kepercayaan melewati ambang batas per-timeframe (60% intraday / 55% harian) AND rasio risk-reward setidaknya 1.5R. Penilaian komposit dengan konfluensi teknis + hit-rate historis ada di roadmap Phase 2.
Sinyal dipublikasikan dengan payload lengkap (entri, SL berskala ATR, TP berskala ATR, kepercayaan, versi model). Kalender ekonomi untuk mata uang yang relevan ditampilkan di samping pada halaman sinyal sehingga Anda dapat menunda entri di dekat event berdampak tinggi. Auto-veto event ada di roadmap Phase 2.
Mengapa LightGBM, mengapa satu-per-tuple, dan seperti apa alternatifnya.
Setiap pasangan (simbol, timeframe) mendapatkan ensemble pohon keputusan gradient-boosted LightGBM khusus miliknya sendiri. EURUSD H1 dan EURUSD H4 adalah model yang berbeda — meskipun simbol dasarnya identik, dinamika bar tidak sama, dan model yang optimal pada bar per jam akan overfit atau underfit pada bar 4 jam.
Kami menguji deep neural network (LSTM, Transformer) di awal pengembangan. Mereka mencapai Sharpe out-of-sample yang serupa tetapi dengan biaya pelatihan 10×, latensi inferensi 100×, dan interpretabilitas yang jauh lebih rendah. Untuk data finansial tabular dengan sampel terbatas (bertahun-tahun bar, bukan jutaan), gradient-boosted trees tetap menjadi state-of-the-art menurut literatur akademis (Grinsztajn 2022, NeurIPS).
Hyperparameter disetel via Optuna dengan batas walk-forward — tidak pernah pengacakan acak, yang akan membocorkan informasi masa depan ke dalam pelatihan. Model dilatih ulang secara berkala saat data pasar baru terakumulasi; cakupan penuh 10-simbol × 4-timeframe sedang dibangun secara bertahap selama Phase 1b.
Cakupan target
10 × 4
10 simbol × 4 timeframe (M15/H1/H4/D1) — sedang dibangun selama Phase 1b
Frekuensi pelatihan ulang
Berkala
Dilatih ulang saat data baru terakumulasi dan studi ablation menampilkan perbaikan
Fitur per model
~50
Mencakup price action, indikator teknis, konteks sesi, rezim volatilitas
Mengapa kami tidak menggunakan return horizon tetap — dan apa yang dibenarkan López de Prado.
Skema pelabelan paling umum dalam ML trading retail adalah "return pada horizon tetap t+N" — tetapi ini secara matematis tidak konsisten dengan cara trader benar-benar berdagang. Trade nyata ditutup ketika SL atau TP tercapai, bukan pada timestamp masa depan yang sewenang-wenang.
Triple-Barrier Method (López de Prado, Advances in Financial Machine Learning, 2018) melabeli setiap bar dengan hasil yang akan terjadi dari entri tersebut: penghalang TP tercapai (label = +1), penghalang SL tercapai (label = -1), atau TTL berlalu tanpa keduanya (label = 0). Penghalang berukuran sebagai kelipatan ATR untuk risiko yang sadar simbol.
Hasil: label mencerminkan trade yang sebenarnya akan kami ambil. Jauh lebih sedikit label leakage, korelasi yang lebih rendah antara label yang berdekatan, validasi silang yang lebih jujur. Sinyal dengan skor kepercayaan mencerminkan probabilitas trade yang menang, bukan abstrak "harga naik pada horizon tetap".
Setiap fitur memiliki kontribusi yang dapat diukur terhadap Sharpe out-of-sample. Apa pun yang tidak lolos ablation telah dipotong.
| Indikator | Parameter | Peran |
|---|---|---|
| RSI | 14 periode | Osilator momentum — pembacaan ekstrem menunjukkan rezim overbought/oversold |
| MACD | 12 / 26 / 9 | Divergensi tren & momentum — crossover signal-line + akselerasi histogram |
| Bollinger Bands | 20 periode, 2σ | Selubung volatilitas — entri mean reversion saat sentuhan + filter breakout |
| ATR | 14 periode | Skala volatilitas — menggerakkan ukuran SL/TP, tidak ada stop pip tetap |
| Tumpukan EMA | 5 / 21 / 50 / 200 | Deteksi rezim tren — slope + flag penyelarasan multi-timeframe |
| Kedekatan S/R | Swing pivot 20 bar | Jarak ke support/resistance terdekat — digunakan sebagai bobot konfluensi |
| Sesi-hari | Asia / London / NY / Overlap | Rezim likuiditas — strategi bervariasi berdasarkan bias sesi |
| Rezim volatilitas | Persentil ATR, 90 bar terakhir | Rendah/normal/tinggi — rezim volatilitas tinggi mendapat ambang batas kepercayaan yang lebih ketat |
Bagaimana skor yang Anda lihat pada setiap kartu sinyal sebenarnya dihitung.
Pipeline saat ini (Phase 1b)
confidence = P_ml → publish if confidence ≥ threshold AND risk_reward ≥ 1.5RMatematika risiko berskala ATR, bukan target pip tetap.
Setiap sinyal membawa harga entri, stop-loss, dan take-profit — semuanya dihitung pada waktu pembuatan sinyal, bukan dipilih oleh manusia. Matematika bersifat deterministik dan identik untuk setiap sinyal pada timeframe yang sama.
Stop-loss = entry ± ATR(14) × stop_multiplier. Stop_multiplier bervariasi berdasarkan timeframe: M15 = 1.0× ATR, H1 = 1.5× ATR, H4 = 2.0× ATR, D1 = 2.5× ATR. Cukup ketat sehingga kebisingan acak tidak menghentikan kami; cukup lebar sehingga pullback normal juga tidak.
Take-profit = entry ± ATR(14) × stop_multiplier × R_target. R_target adalah rasio risk-reward: biasanya 1.5-3.0 tergantung pada kepercayaan. Sinyal dengan kepercayaan lebih tinggi membawa target R lebih tinggi — karena kami memiliki bukti lebih kuat bahwa mereka akan berlari.
Hasil: risk-reward 2.0R. Jika kami menang 50% dari waktu, kami menguntungkan secara bersih. Kami tidak perlu benar — kami perlu dikalibrasi.
Kami memaparkan datanya; auto-veto algoritmik ada di roadmap Phase 2.
Pasar forex didominasi oleh keputusan bank sentral, laporan ketenagakerjaan, dan cetakan inflasi. Setup teknis yang sempurna valid akan dihancurkan jika NFP keluar 30 menit kemudian. Kami memberi Anda kalender — menerapkan veto saat ini adalah keputusan penilaian Anda.
Setiap halaman /signals/{symbol}/{tf} menampilkan event berdampak tinggi/menengah yang akan datang untuk mata uang yang relevan dalam blok khusus. Data mengalir dari kalender ekonomi MT5 melalui layanan ingest kami (lihat endpoint publik /api/public/economic-calendar). Refresh setiap menit.
Apa yang direncanakan berikutnya: veto otomatis untuk sinyal baru ketika event berdampak tinggi/menengah jatuh dalam event_window. Saat ini mesin inferensi memiliki flag `news_blackout_enabled` yang sudah tersambung tetapi default ke false — kami akan mengaktifkannya setelah Phase 2 dirilis dan kami telah melakukan back-test efek bersih veto pada Sharpe.
Mengapa kami tidak mempercayai backtest in-sample — dan seperti apa evaluasi yang jujur.
Split acak train/test adalah sumber #1 klaim kinerja yang dilebih-lebihkan dalam ML trading retail. Split acak memungkinkan informasi dari masa depan bocor ke dalam pelatihan (model belajar apa yang akan datang karena bar yang berdekatan sangat berkorelasi). Evaluasi yang jujur memerlukan pengurutan temporal.
Kami menggunakan validasi walk-forward: latih pada jendela masa lalu, validasi pada jendela maju berikutnya, majukan kedua jendela, ulangi. Setiap versi model dinilai pada catatan walk-forward lengkapnya sebelum promosi ke produksi.
Ambang batas penerimaan saat ini (harus mencapai keempatnya sebelum promosi): Sharpe ratio ≥ 1.0 (intraday) / Win rate ≥ 0.50 / Profit factor ≥ 1.3 / Max drawdown ≤ 20%. Model yang gagal pada ambang batas mana pun tidak dipromosikan — versi baik sebelumnya tetap hidup. Ambang batas akan diperketat seiring lebih banyak data historis terakumulasi dan baseline stabil.
Deteksi otomatis degradasi model ada di roadmap. Status saat ini: pengawasan manusia + promosi model manual.
Kondisi trading live menyimpang dari backtest historis. Spread melebar, slippage meningkat, rezim pasar bergeser. Bahkan model yang lolos validasi walk-forward dapat menurun dalam produksi. Pertahanan jangka panjang kami: pemantauan berkelanjutan + rollback otomatis. Hari ini separuh pemantauan sudah ada; separuh auto-revert ada di roadmap Phase 2.
Apa yang dirilis hari ini: hasil setiap sinyal yang dipublikasikan (TP tercapai, SL tercapai, kedaluwarsa) dicatat secara tak dapat diubah. Dashboard track record di /signals/track-record menampilkan rolling Sharpe + win rate + profit factor — jadi degradasi MEMANG terlihat. Kami hanya belum bertindak atas itu secara otomatis.
Apa yang direncanakan untuk Phase 2: sebuah watchdog yang membandingkan jendela berjalan 30-sinyal per (simbol, timeframe) terhadap lantai penerimaan (Sharpe < 0.8 / win rate < 0.45 / profit factor < 1.1). N kegagalan berturut-turut → auto-revert ke versi model baik sebelumnya + page ke engineer on-call. Sampai itu dirilis, promosi model + rollback adalah keputusan manusia yang dibuat berdasarkan track record live.
Lingkup yang jujur. Metodologi kami kuat dalam batas-batas ini — di luarnya, Anda mempercayai ekstrapolasi model.
Jika kami menjanjikan lebih dari yang dapat kami berikan, kami merusak kepercayaan. Inilah yang bukan sinyal-sinyal ini.
Sharpe walk-forward masa lalu tidak memprediksi hasil masa depan. Pasar berkembang. Bahkan sinyal terkalibrasi dengan kepercayaan 70% kalah 30% dari waktu.
Sinyal adalah output algoritmik. Ukuran akun Anda, broker, leverage, yurisdiksi, dan toleransi risiko menentukan apakah mengikuti sinyal tertentu sesuai untuk Anda.
FxRobotEasy tidak mengambil hak asuh atas dana. Sinyal adalah informasi — Andalah yang mengklik beli. Kami adalah penerbit perangkat lunak, bukan manajer dana.
Sinyal valid untuk 1-2 bar berikutnya pada timeframe yang relevan. Jika Anda melihat sinyal H1 90 menit setelah publikasi, harga entri mungkin jauh dari saat ini — lewati.
Menurut definisi, data pelatihan hanya berisi rezim yang sudah terjadi. Brexit, COVID Maret 2020, CHF unpeg — model kami akan bereaksi terhadap ini tetapi tidak dilatih pada mereka.
Pertanyaan lanjutan umum tentang pipeline sinyal AI.
Untuk data finansial tabular dengan sampel terbatas (bertahun-tahun bar daripada jutaan), gradient-boosted trees mengalahkan deep net dalam Sharpe dan interpretabilitas dengan biaya pelatihan 10× lebih rendah. Deep net adalah state-of-the-art untuk gambar, bahasa, dan RL kontrol kontinyu — bukan untuk prediksi bar forex.
Secara berkala — didorong oleh akumulasi data baru dan temuan ablation daripada kalender tetap di Phase 1b. Setiap pelatihan ulang menjalankan validasi walk-forward lengkap terhadap jendela trailing yang ditahan. Versi baru hanya dipromosikan jika mengalahkan ambang batas penerimaan AND versi sebelumnya yang live. Frekuensi pelatihan ulang tetap (mingguan adalah baseline yang direncanakan) ada di roadmap Phase 2 setelah pipeline registry model dirilis.
Pengurutan temporal yang ketat pada semua split — tanpa pengacakan acak. Fitur diturunkan hanya dari data yang tersedia saat penutupan bar (tanpa look-ahead). Label triple-barrier diselesaikan ke depan; kami tidak menyertakan fitur yang dihitung dari jendela resolusi.
Metodologi terdokumentasi sepenuhnya (halaman ini). Bobot yang dilatih, data pelatihan, dan hyperparameter tidak open-source — itu adalah keunggulan kami. Kami mempublikasikan semua sinyal + hasil sehingga siapa pun dapat memverifikasi bahwa pipeline menghasilkan apa yang kami klaim.
Dalam validasi kami mengasumsikan spread Tier-1 ECN (~0.1-0.3 pip pada major EURUSD, 0.5-1.5 pip pada minor, 2-4 pip pada XAUUSD) ditambah buffer slippage. Akuntansi kinerja live menggunakan harga eksekusi aktual yang dicatat oleh koneksi broker — jadi track record yang dipublikasikan mencerminkan eksekusi nyata, bukan dimodelkan. Delta validasi-vs-live adalah sesuatu yang kami tampilkan di /signals/track-record setelah cukup sinyal yang ditutup terakumulasi.
Metodologinya sama pada setiap sinyal yang akan Anda lihat. Sekarang pergi dan lihatlah.