Loading...
Loading...
Все обзоры, рейтинги, руководства, стратегии и trust-документы.
Методология
От сырых рыночных данных до опубликованного сигнала с оценкой уверенности — точный pipeline за каждым входом, стопом и тейком.
Обновлено: 20 мая 2026
Одна ML-модель LightGBM на каждую пару (символ, таймфрейм) — отдельная модель на кортеж, а не универсальный классификатор. Полное покрытие 10 символов × 4 таймфрейма достраивается в течение Phase 1b.
Triple-Barrier разметка (López de Prado) — три условия выхода вместо фиксированного горизонта. Гораздо меньше label leakage чем у наивных подходов.
Оценка уверенности 0-100% берётся напрямую из вероятностного выхода модели. Ниже 60% — сигнал не публикуется.
ATR(14)-масштабированные SL/TP. R-кратность калибруется по таймфрейму — обычно цель 1.5R-3.0R. Никаких фиксированных стопов в пипах.
Экономический календарь отображается на каждой странице сигнала, чтобы вы могли применить свой фильтр событий. Алгоритмический auto-veto сигналов около high-impact событий — на roadmap Phase 2.
Каждый опубликованный сигнал проходит через эти стадии по порядку. Без срезов. Полное время от закрытия бара до публикации — обычно 4-9 секунд.
Real-time поток тиков от основного брокерского подключения (Tier-1 ECN) плюс backup-фид для резервирования. Бары собираются по границам H1/M15/H4/D1 со строгим UTC-выравниванием. Опоздавшие тики отбрасываются — мы не перерисовываем историю.
~50 признаков на бар: RSI(14), MACD(12,26,9), Bollinger Bands(20,2), ATR(14), стек EMA 5-21-50-200 + флаги пересечений, сессия дня и режим волатильности. Набор признаков эволюционирует по результатам ablation-исследований — всё, что не двигает out-of-sample Sharpe, удаляется.
Per-tuple LightGBM эмитит вероятность для каждого направления. Латентность инференса p99 ≈ 6мс. Постобработка вероятностной калибровки (Platt scaling) — на roadmap Phase 2. Текущие значения — сырой выход классификатора.
Вероятность модели становится оценкой уверенности 0-100% напрямую. Сигнал публикуется только если уверенность превышает порог по таймфрейму (60% для интрадей, 55% для дневных) И risk-reward не менее 1.5R. Композитный score с техническим confluence + historical hit-rate — на roadmap Phase 2.
Сигнал публикуется с полной нагрузкой (вход, ATR-стоп, ATR-цель, уверенность, версия модели). Экономический календарь для релевантных валют отображается рядом на странице сигнала, чтобы вы могли отложить вход около high-impact событий. Автоматический event-veto — на roadmap Phase 2.
Почему LightGBM, почему одна модель на кортеж, и как выглядели альтернативы.
Каждая пара (символ, таймфрейм) получает свой собственный градиентно-бустинговый ансамбль LightGBM. EURUSD H1 и EURUSD H4 — разные модели, даже несмотря на одинаковый символ: динамика баров разная, и модель оптимальная для часовых, будет переобучена или недообучена для 4-часовых.
Мы тестировали глубокие нейросети (LSTM, Transformer) на ранней стадии разработки. Они дали похожий out-of-sample Sharpe, но при 10× стоимости обучения, 100× латентности инференса и в разы меньшей интерпретируемости. Для табличных финансовых данных с ограниченным числом сэмплов (годы баров, не миллионы) gradient-boosted trees остаются state-of-the-art по академической литературе (Grinsztajn 2022, NeurIPS).
Гиперпараметры подбираются Optuna с walk-forward границами — никогда random shuffling, который протекает будущую информацию в обучение. Модели переобучаются периодически по мере накопления новых рыночных данных; полное покрытие 10 символов × 4 таймфрейма достраивается инкрементально в течение Phase 1b.
Целевое покрытие
10 × 4
10 символов × 4 таймфрейма (M15/H1/H4/D1) — достраивается в Phase 1b
Частота переобучения
Периодически
Переобучение по мере накопления данных и улучшений от ablation-исследований
Признаков на модель
~50
Price action, технические индикаторы, контекст сессии, режим волатильности
Почему мы не используем фиксированный горизонт — и что López de Prado делает правильно.
Самая распространённая схема разметки в retail-трейдинге это "возврат на фиксированном горизонте t+N" — но это математически несовместимо с тем, как трейдеры реально торгуют. Сделка закрывается когда срабатывает SL или TP, а не в произвольный будущий момент.
Triple-Barrier Method (López de Prado, Advances in Financial Machine Learning, 2018) размечает каждый бар исходом, который бы случился из этого входа: TP-барьер пробит (метка = +1), SL-барьер пробит (метка = -1), или TTL истёк без срабатывания (метка = 0). Размеры барьеров масштабируются как ATR-кратные для риск-симметрии по символам.
Результат: метки отражают сделку, которую мы бы реально взяли. Гораздо меньше label leakage, ниже корреляция между соседними метками, более честная кросс-валидация. Сигналы с оценкой уверенности отражают вероятность выигрышной сделки, а не абстрактного "цена выросла на фиксированном горизонте".
У каждого признака есть измеримый вклад в out-of-sample Sharpe. Всё, что не прошло ablation, было удалено.
| Индикатор | Параметры | Роль |
|---|---|---|
| RSI | 14 периодов | Осциллятор momentum — экстремальные значения указывают на режим перекупленности/перепроданности |
| MACD | 12 / 26 / 9 | Тренд + momentum-дивергенции — пересечения signal-line + ускорение гистограммы |
| Bollinger Bands | 20 периодов, 2σ | Волатильный конверт — входы на возврат к среднему при касании + фильтр пробоев |
| ATR | 14 периодов | Шкала волатильности — задаёт размер SL/TP, никаких фиксированных пипсовых стопов |
| EMA stack | 5 / 21 / 50 / 200 | Детекция трендового режима — наклон + флаги выравнивания по мульти-ТФ |
| Близость к S/R | 20-баровые swing-пивоты | Расстояние до ближайшей поддержки/сопротивления — используется как confluence-вес |
| Сессия дня | Азия / Лондон / NY / Overlap | Режим ликвидности — стратегии меняются по сессионному уклону |
| Режим волатильности | Перцентиль ATR, окно 90 баров | Низкий/нормальный/высокий — high-vol получает более строгие пороги уверенности |
Как именно рассчитывается тот score, который вы видите на каждой карточке сигнала.
Текущий pipeline (Phase 1b)
confidence = P_ml → публикация если confidence ≥ порог И risk_reward ≥ 1.5RATR-масштабированная риск-математика, не фиксированные пипсы.
Каждый сигнал несёт цену входа, стоп-лосс и тейк-профит — всё рассчитано в момент генерации сигнала, не выбрано человеком. Математика детерминированная и одинаковая для каждого сигнала одного таймфрейма.
Stop-loss = entry ± ATR(14) × stop_multiplier. Stop_multiplier варьируется по таймфрейму: M15 = 1.0× ATR, H1 = 1.5× ATR, H4 = 2.0× ATR, D1 = 2.5× ATR. Достаточно жёстко чтобы случайный шум нас не выбил; достаточно широко чтобы нормальные откаты — тоже.
Take-profit = entry ± ATR(14) × stop_multiplier × R_target. R_target это risk-reward отношение: обычно 1.5-3.0 в зависимости от уверенности. Сигналы с более высокой уверенностью несут более высокие R-цели — потому что у нас более сильные основания что они «поедут».
Итог: risk-reward 2.0R. Если мы выигрываем 50% случаев — мы чистый плюс. Нам не нужно быть правыми — нам нужно быть калиброванными.
Мы показываем данные; алгоритмический auto-veto — на roadmap Phase 2.
Форекс-рынки доминируются решениями центробанков, отчётами по занятости и принтами инфляции. Идеально валидный технический сетап будет разрушен если через 30 минут выйдет NFP. Мы даём вам календарь — применение veto сейчас за вами.
Каждая страница /signals/{symbol}/{tf} отображает предстоящие high/medium-impact события для релевантных валют в отдельном блоке. Данные идут из экономического календаря MT5 через наш ingest-сервис (см. публичный endpoint /api/public/economic-calendar). Обновляется каждую минуту.
Что запланировано дальше: автоматический veto свежих сигналов при попадании high/medium-impact событий в event_window. Inference-engine уже имеет флаг `news_blackout_enabled`, но по умолчанию выключен — включим после ship'а Phase 2 и бэктеста чистого эффекта veto на Sharpe.
Почему мы не доверяем in-sample бэктестам — и как выглядит честная оценка.
Случайные train/test разбиения — источник #1 завышенных performance-заявлений в retail-трейдинг ML. Случайное разбиение позволяет информации из будущего протекать в обучение (модель учится тому что произойдёт, потому что соседние бары сильно скоррелированы). Честная оценка требует временного порядка.
Мы используем walk-forward валидацию: обучение на прошлом окне, валидация на следующем forward-окне, продвижение обоих окон, повтор. Каждая версия модели оценивается по полному walk-forward треку перед промоушеном в production.
Текущие пороги допуска (должны быть все четыре до промоушена): Sharpe ratio ≥ 1.0 (интрадей) / Win rate ≥ 0.50 / Profit factor ≥ 1.3 / Max drawdown ≤ 20%. Модели, не прошедшие любой порог, не промоутятся — предыдущая хорошая версия остаётся в продакшене. Пороги будут ужесточаться по мере накопления данных и стабилизации baseline.
Автоматическое обнаружение деградации модели — на roadmap. Текущее состояние: человеческий oversight + ручной промоушен моделей.
Live-условия торговли отличаются от исторических бэктестов. Спреды расширяются, slippage растёт, рыночный режим меняется. Даже модель, прошедшая walk-forward валидацию, может деградировать в продакшене. Наша долгосрочная защита — непрерывный мониторинг + автоматический rollback. Сегодня половина мониторинга на месте; auto-revert половина — на roadmap Phase 2.
Что работает сегодня: исход каждого опубликованного сигнала (TP hit, SL hit, expired) логируется immutably. Track record dashboard на /signals/track-record отображает скользящие Sharpe + win rate + profit factor — деградация ВИДНА. Мы просто пока не реагируем на неё автоматически.
Что запланировано на Phase 2: watchdog, сравнивающий скользящее окно из 30 сигналов на (symbol, timeframe) против acceptance floors (Sharpe < 0.8 / win rate < 0.45 / profit factor < 1.1). N последовательных промахов → auto-revert на предыдущую хорошую версию модели + page on-call engineer. Пока это не ship'нуто, промоушен и rollback моделей — человеческие решения против live track record.
Честное scope-определение. Наша методология робастна в этих границах — за их пределами вы доверяете экстраполяции модели.
Если мы обещаем больше чем можем доставить — мы разрушаем доверие. Вот чем эти сигналы не являются.
Прошлый walk-forward Sharpe не предсказывает будущие результаты. Рынки эволюционируют. Даже калиброванный сигнал с уверенностью 70% проигрывает в 30% случаев.
Сигналы — алгоритмический выход. Ваш размер счёта, брокер, leverage, юрисдикция и риск-толерантность определяют, подходит ли вам следование конкретному сигналу.
FxRobotEasy не принимает средства в управление. Сигналы — это информация. Вы тот, кто нажимает Buy. Мы — software publisher, не fund manager.
Сигналы валидны в течение следующих 1-2 баров релевантного таймфрейма. Если вы видите H1-сигнал через 90 минут после публикации — цена входа может быть далека от текущей. Пропустите его.
По определению, тренировочные данные содержат только режимы, которые уже случились. Brexit, COVID март 2020, CHF unpeg — наши модели бы реагировали на них, но не были на них обучены.
Частые follow-up вопросы по pipeline AI-сигналов.
Для табличных финансовых данных с ограниченным числом сэмплов (годы баров, а не миллионы) gradient-boosted trees обходят deep nets по Sharpe и интерпретируемости при 10× меньшей стоимости обучения. Deep nets — state-of-the-art для изображений, языка и continuous-control RL, но не для предсказания форекс-баров.
Периодически — драйверы это накопление данных и ablation-улучшения, а не фиксированный календарь в Phase 1b. Каждый retrain прогоняет полную walk-forward валидацию против отложенного скользящего окна. Новая версия промоутится только если она обходит acceptance thresholds И текущую live-версию. Фиксированная частота переобучения (еженедельный baseline запланирован) — на roadmap Phase 2, когда ship'нется model registry pipeline.
Строгий временной порядок во всех разбиениях — никаких random shuffles. Признаки выводятся только из данных, доступных на закрытии бара (без look-ahead). Triple-barrier метки разрешаются вперёд; мы не включаем признаки, рассчитанные из окна разрешения.
Методология полностью документирована (эта страница). Обученные веса, тренировочные данные и гиперпараметры не open-source — это наше преимущество. Мы публикуем все сигналы + исходы, чтобы любой мог проверить, что pipeline производит то, что мы заявляем.
В валидации мы предполагаем Tier-1 ECN-спреды (~0.1-0.3 пипса на EURUSD-мажорах, 0.5-1.5 пипса на минорах, 2-4 пипса на XAUUSD) плюс буфер slippage. Учёт live-performance использует фактические fill-цены, которые регистрирует брокерское подключение — поэтому опубликованный track record отражает реальное исполнение, не моделируемое. Delta между валидацией и live — то, что мы показываем на /signals/track-record по мере накопления закрытых сигналов.
Методология одинакова для каждого сигнала, который вы увидите. Теперь идите посмотрите на них.