Loading...
Loading...
浏览所有评测、排行榜、指南、策略和信任文档。
术语表
我们在 AI 信号平台上使用的每个术语,用通俗语言定义并与方法论页面交叉引用。
54 / 54
亦称: 模型概率
LightGBM 模型的原始概率输出。
经 Platt scaling 后,P_ml 是一个真实概率 — 0.7 表示模型在样本外验证期间对类似特征向量的历史准确率为 70%。它以最大权重(0.5)进入置信度公式。
让模型概率言行一致。
输出 0.7 但只有 50% 时间正确的模型是未校准的。我们在保留的验证集上使用 Platt scaling,使显示的概率实际匹配样本外数据的经验命中率。
校准原始模型评分的逻辑回归层。
通过在保留数据上拟合的小型逻辑回归,将模型的原始输出映射为真实概率。经 Platt scaling 后,score=0.7 表示"此配置在样本外窗口中赢了 70% 的时间"。
亦称: 胜率
(品种、周期、模型版本) 组合的滚动样本外胜率。
特定模型版本的 TP 命中的 90 天滚动比例。以权重 0.2 进入置信度公式。新推广的模型版本冷启动默认为 0.55,直到累积 90 天实盘数据。
微软的梯度提升决策树库 — 每个信号背后的 ML 引擎。
我们为每个 (品种、周期) 组合训练一个 LightGBM 集成 — 共 40 个。选择它而非深度神经网络是因为对于样本数有限的表格化金融数据,梯度提升树在 Sharpe 和可解释性上击败深度网络,训练成本低 10 倍(Grinsztajn 2022, NeurIPS)。
系统地移除特征以验证每个特征都有帮助。
对于每个候选特征,在保留该特征的情况下重新训练模型。如果样本外 Sharpe 不下降,则该特征没有帮助并被剔除。我们的 82 个最终特征从 140+ 个候选中通过消融存活。
标注方案:TP / SL / TTL 退出边界,而非固定时间窗口收益。
源自 López de Prado(Advances in Financial Machine Learning, 2018)。每根训练 K 线用从该入场起本应发生的结果标注:TP 触发 (+1)、SL 触发 (-1) 或 TTL 过期 (0)。比朴素的"t+N 收益"标签的标签泄漏少得多。
在过去窗口上训练,在下一窗口上验证,前进,重复。
在 6 个月窗口上训练,在接下来的 1 个月窗口上验证,两者都前进 1 个月,重复。严格的时间顺序 — 绝无随机洗牌。在完整 walk-forward 记录上未达到接受阈值的模型不予推广到生产。
训练前选择的模型设置(树深度、学习率),不从数据中学习。
通过 Optuna 在 70/15/15 train/val/test 划分上调优,边界采用 walk-forward。包括 LightGBM 的 num_leaves、learning_rate、feature_fraction、lambda_l2。仅当前一超参数的 Sharpe 漂移超过 0.3 时才在每周重新训练时重新调优。
带有具体入场 / SL / TP 的入场交易已发布建议。
由管线生成(见方法论)。携带方向(多/空)、入场价、止损、止盈、R 目标、置信度、TTL 以及产生它的模型版本。从发布到结果都存活于只追加日志中。
亦称: 入场价
信号建议开仓的价格。
始终是生成信号时的 K 线收盘价。对于 GUEST 级别信号,入场价被隐藏(`null`)— 只有 REGISTERED 级别及以上才能看到实际价格。信号页面用 `blurred: true` 标记 GUEST 卡片。
亦称: SL
预设的退出价格,若交易反向运行则限制损失。
计算为入场 ± ATR(14) × stop_multiplier。倍数因周期而异:M15=1.0, H1=1.5, H4=2.0, D1=2.5。足够紧使随机噪声无法触发;足够宽使正常回撤也不会触发。发布后绝不移动。
亦称: TP
预设的退出价格,持仓在此盈利平仓。
TP = 入场 ± ATR(14) × stop_multiplier × R_target。R_target 取决于置信度,为 1.5-3.0 — 高置信度信号配更高的 R 目标。始终设置为风险回报比至少 1.5R。
亦称: R
风险的标准化单位:1R = 从入场到 SL 的距离。
如果你的 SL 在入场下方 50 点,那就是你的 1R。在入场上方 100 点触及 TP = +2R。触及 SL = -1R。R 倍数跨品种和周期标准化 — EURUSD H1 上的 2R 盈利和 XAUUSD H4 上的 2R 盈利代表相同的风险调整后收益。
亦称: 生存时间,过期
信号未成交时的最大生命周期。
按周期的默认 TTL:M15=6 K 线、H1=12 K 线、H4=12 K 线、D1=5 K 线。如果 TTL 内 TP 或 SL 均未触发,则信号被标记为 `expired` — 在历史记录指标中既不计为胜也不计为负。
入场 / SL / TP 被隐藏的 GUEST 级别信号。
后端为 GUEST 级别(匿名访客)设置 `blurred: true` 并将 entry_price、stop_loss、take_profit 置 null。方向和置信度仍可见。UI 用模糊覆盖 + 升级 CTA 显示卡片。REGISTERED 级别及以上看到所有数字。
在发布前被宏观叠加阻止的内部信号。
当待发布的高影响经济事件落在 event_window_hours 内时,信号被否决 — 从不发布,用户从不可见。否决在内部被记录,但被排除在历史记录指标外(它们从未可执行)。
TTL 过期且 TP 或 SL 均未触发的信号。
在历史记录中既不计为胜也不计为负。通常由低波动状态造成,K 线移动不足以触发任一边界。在表现汇总中单独追踪(`n_expired`)。
多个技术信号在方向上的一致性。
来自 5 项子检查的 0-1 评分:多周期对齐、S/R 邻近度、RSI 背离、MACD 信号线交叉、EMA 堆栈对齐。权重相等。以权重 0.3 进入置信度公式。高汇合 + 高 P_ml = 优质信号。
亦称: 年化 Sharpe
(平均收益 − 无风险利率) / 标准差,年化。
标准风险调整后收益指标。对于公开发布的信号服务,Sharpe 1.0+ 不错;2.0+ 罕见且有意义;3.0+ 是对冲基金级别(通常涉及零售交易者没有的基础设施)。用作 walk-forward 接受关卡。
亦称: PF
总赢 R / 总亏 R。
如果盈利交易净赚 +50R 且亏损交易净亏 -20R,盈利因子 = 2.5。低于 1.0 的盈利因子意味着系统在亏钱。1.5 以上是稳健的;2.0 以上是强劲的。Walk-forward 接受阈值为 ≥ 1.5。
TP 先于 SL 触发的信号比例。
已过期信号从分子和分母中均被排除。在我们典型的 2.0 R 目标下,50% 胜率是有利可图的;55% 不错;60%+ 罕见。不要仅关注胜率 — 平均 R 倍数对实际 P&L 更重要。
亦称: 最大回撤,DD
窗口内 R 倍数最大的峰值到谷底损失。
-8R 回撤意味着运行 P&L 在某时点跌至先前峰值下方 8R。Walk-forward 接受阈值为在 6 个月训练窗口内 ≤ 15R。实盘监控滚动 30 信号回撤若超过阈值会触发自动回滚。
亦称: R:R, R 目标
你在交易中可能赢得的与你承担的风险的比较。
2.0 R 目标意味着你每承担 1R 风险(入场 → SL 距离),目标是上行 2R(入场 → TP 距离)。在 2R 下 50% 胜率,期望值为正:0.5 × +2R + 0.5 × -1R = 每信号 +0.5R。
你在一个信号上承担的账户比例。
不是我们设定的 — 由你决定。标准谨慎仓位:每信号风险账户的 0.5%-1%。对于 EURUSD 上 50 点 SL 的 2% 账户风险信号,这是使 50 点 × 点价值 = 2% 权益的仓位规模。
标准化外汇仓位数量。1 标准手 = 100,000 基础货币。
Mini = 0.1 手 (10,000)、Micro = 0.01 手 (1,000)、Nano = 0.001 手 (100)。点价值与手数线性缩放 — EURUSD 1 点 ≈ 每标准手 $10、每迷你 $1、每微型 $0.10。
外汇货币对最小的标准价格变动 — 大多数主要货币对为 0.0001,日元货币对为 0.01。
点 = "percentage in point"。对于 EURUSD 在 1.0850,移动到 1.0851 是 +1 点。对于 USDJPY 在 145.20,移动到 145.21 是 +1 点。我们的 SL/TP 距离根据品种波动率(ATR 缩放,非固定)通常为 30-150 点。
即将到来的高影响经济数据发布和央行事件的时间表。
我们的后端查询 Forex Factory 的日历数据源,与 Bloomberg 交叉核对。信号货币对中的高/中影响事件若在 event_window_hours 内会否决信号。日历 API 端点是 `/api/public/economic-calendar`。
历史上市场反应较大的经济发布 — NFP、CPI、FOMC 等。
Forex Factory 按历史波动率影响将事件标记为红/橙/黄。红色(高影响)事件总是触发相关货币的否决。橙色(中影响)仅在更紧的事件窗口(M15/H1 为 1h,H4 为 2h)内触发否决。
亦称: event_window_hours
高影响事件前新信号被否决的时间窗口。
默认:H1 信号 4 小时、H4 8 小时、D1 24 小时、M15 1 小时。可通过后端设置按品种配置。USD 货币对上 NFP 前 3 小时生成的信号 → 被否决(在 4h H1 窗口内)。
亦称: 非农就业人数
美国月度就业报告 — 影响最大的外汇事件之一。
由美国劳工统计局在每月第一个周五 12:30 UTC 发布。对所有 USD 货币对影响巨大。总是在 event_window 内否决 USD 货币对信号 — H1 4h、H4 8h。
亦称: 消费者价格指数,通胀数据
标题通胀数据 — 驱动央行政策预期。
美国 CPI 在月中 12:30 UTC 发布。欧盟/英国/日本发布遵循各自地区时间表。热通胀通常增强本币(加息预期);降温则减弱。在相关货币对上均为高影响。
亦称: 联邦公开市场委员会
美联储利率决议委员会 — 每年 8 次会议。
声明 + 新闻发布会发布最大的 USD 波动事件。我们在预定会议前 48 小时否决 USD 货币对信号(比标准事件窗口更长的"静默期"),因为在临近时仓位变动不可预测。
亦称: 相对强弱指数
测量 14 K 线涨跌比的动量振荡器。0-100 范围。
计算为 RSI = 100 − 100 / (1 + RS),其中 RS = 14 K 线平均涨幅 / 平均跌幅。传统上 >70 表示超买;<30 表示超卖。用作特征 + 汇合组件(价格与 RSI 之间的背离是高质量反转信号)。
亦称: 移动平均收敛背离
基于 EMA 差异构建的趋势 + 动量指标。
MACD 线 = EMA(12) − EMA(26)。信号线 = MACD 的 EMA(9)。柱状图 = MACD − 信号。信号线交叉(MACD 上穿/下穿信号)和柱状图加速是我们模型的高价值特征。
亦称: 平均真实范围
K 线间价格运动的衡量 — 驱动所有 SL/TP 设置。
真实范围的 14 K 线平均(取最大值:high-low、|high-prev_close|、|low-prev_close|)。适应品种波动率:EURUSD ATR 在 H1 上约 30-50 点;XAUUSD ATR 约 300-500 美分。我们所有的止损都按 ATR 单位调整,从不固定点数。
亦称: BB
20 周期移动平均 ± 2 标准差 — 波动率包络。
中轨 = SMA(20)。上/下轨 = 中轨 ± 2 × stdev(20)。在震荡状态下触及外轨时价格倾向于均值回归;外轨突破信号趋势状态。用作特征 + 汇合权重。
亦称: 指数移动平均
时间近期加权的移动平均 — 比 SMA 更响应。
我们对每个品种使用 4-EMA 堆栈(5、21、50、200)。堆栈的对齐(全部斜率方向相同,顺序正确)信号趋势状态。堆栈成员间的交叉是高质量特征。斜率是单独的特征。
亦称: S/R,供需区域
买方(支撑)或卖方(阻力)历史上占主导的价格水平。
通过 20 K 线 swing 枢轴检测。到最近 S/R 水平的距离是特征;靠近强 S/R 的入场获得汇合加分。SL 设置避开 S/R 水平的稍远处(避免止损猎杀)。
价格和振荡器(RSI、MACD)向相反方向移动。
看涨背离:价格创更低低点,RSI/MACD 创更高低点 → 潜在向上反转。看跌:价格更高高点,振荡器更低高点 → 潜在向下反转。我们将背离视为高权重汇合信号。
从前一交易日 high/low/close 计算的日参考价格。
枢轴 = 前一日的 (H + L + C) / 3。R1/S1 水平 = 2×枢轴 − L / 2×枢轴 − H。到当日枢轴的距离是会话上下文特征;靠近枢轴的入场单独追踪用于表现分析。
在历史数据上模拟交易策略以估计表现。
我们在 5 年历史 K 线上回测模型(加密 4 年,因数据质量)使用 walk-forward 方法 — 绝无随机划分。针对 Tier-1 ECN 点差 + 滑点假设测试执行可行性。完整"已测试 vs 未测试"范围见方法论页面。
亦称: OOS
模型在训练期间从未见过的数据。
walk-forward 验证窗口是相应训练窗口的 OOS。我们报告的所有表现数据均来自 OOS 评估 — 绝无样本内。实盘信号日志上的历史记录是终极的 OOS 评估。
当实盘表现下降时自动回退到前一模型版本。
每 (品种、周期) 的滚动 30 信号窗口追踪实盘 Sharpe / WR / PF。当任一指标连续 20 个信号低于阈值时,引擎回退到前一个良好的模型版本。回滚本身不需要人工批准。
新模型版本推广后到可靠实盘统计数据存在前的初始期。
在新模型版本生命的前 90 天,置信度公式中的历史命中率默认为 0.55(合理先验)。在 90 天的 OOS 信号后,实际滚动命中率替换先验。
多个弱学习器的组合,胜过任何单一学习器。
每个 (品种、周期) 组合的 LightGBM 本身是约 500 个决策树的集成,依次拟合以纠正前序树的残差。置信度公式中 P_ml 上的 0.5 权重 + confluence 上的 0.3 + hit-rate 上的 0.2 也是集成(由不同信号源组成)。
信号入场价与你实际收到的成交价之间的差异。
在验证中我们假设 Tier-1 ECN 点差之上 0.5 点滑点。实盘交易通常根据经纪商、账户规模和市场条件显示 0.3-1.5 点滑点。滑点对紧止损 M15 信号最为重要,可能侵蚀 R 目标的 5-10%。
亦称: 货币对
像 EURUSD 这样的双货币报价 — 基础货币以报价货币表示的价值。
EURUSD 1.0850 意味着 1 EUR = 1.0850 USD。主要(USD 在一侧):EURUSD、GBPUSD、USDJPY、AUDUSD、USDCAD、NZDUSD、USDCHF。交叉:无 USD(EURJPY、GBPJPY)。异类:新兴市场货币。我们只交易主要 + XAUUSD + BTCUSD/ETHUSD。
买价(卖出)和卖价(买入)之间的差异。
Tier-1 ECN 经纪商 EURUSD 点差通常 0.1-0.3 点。次要更宽(0.5-1.5)、异类货币对(5-50)和 XAUUSD(2-4)更宽。点差吞噬每笔交易 — 0.5 点差后的 2 点 TP 让你剩 1.5 点净额。为何我们不交易异类:仅点差就常超过 1R。
亦称: 电子通信网络
将订单路由到流动性提供商池而非交易台的经纪商模式。
ECN 经纪商(IC Markets、Pepperstone、Tickmill)通常提供比市商经纪商更紧的点差 + 更快的执行,交换的是每边佣金(每标准手 $3-7)。我们的方法论假设 Tier-1 ECN 执行 — 非 ECN 设置的滑点容忍度会扩大。
以法币或稳定币计价的加密货币 — BTCUSD、ETHUSD。
我们在 H1/H4/D1 上交易 BTCUSD 和 ETHUSD。M15 在加密上被跳过,因为相对于 ATR 的点差 + 滑点摩擦过高。加密市场 24/7 运行,无经济日历否决 — 但我们应用额外的回撤过滤器。
在不移动价格的情况下可以多容易地建立或退出仓位。
高流动性(EURUSD 伦敦时段)→ 紧点差、低滑点。低流动性(USDJPY 亚洲时段低点、节假日周末)→ 更宽点差、更高滑点、跳空。我们将交易时段作为特征,使模型学习流动性状态感知的行为。
亚洲 / 伦敦 / 纽约 / 重叠之一 — 驱动流动性、波动率和方向偏向。
伦敦(07-16 UTC)对 EUR/GBP 最具流动性。NY(12-21 UTC)与伦敦的重叠是波动率最高的窗口。亚洲(22-07 UTC)更平静,除非有 JPY 事件。交易时段是每个模型的特征 — 策略因时段偏向而异。
方法论页面将这些术语连接到完整管线。历史记录页面展示它们的实际运行。