Loading...
Loading...
浏览所有评测、排行榜、指南、策略和信任文档。
方法论
从原始市场数据到带置信度评分的已发布信号 — 每一个入场、止损和目标背后的精确管线。
最后更新: 2026 年 5 月 20 日
为每个 (品种、周期) 组合训练一个专属的 LightGBM 梯度提升集成 — 是专用模型,而非单一通用分类器。完整的 10 品种 × 4 周期覆盖正在 Phase 1b 期间逐步构建中。
Triple-Barrier 方法(López de Prado)用于标签 — 三种退出条件,而非固定时间窗口的收益。比朴素方法的标签泄漏少得多。
0-100% 置信度评分直接来自模型的概率输出。低于 60% — 不发布信号。
ATR(14) 缩放的 SL/TP 设置。每个周期校准 R 倍数 — 通常目标为 1.5R 至 3.0R。无固定点数止损。
经济日历会在每个信号页面上展示,以便您应用自己的事件过滤判断。在高影响事件附近对信号进行算法自动否决的功能在 Phase 2 路线图上。
每个发布的信号都按顺序通过这些阶段。无捷径。从 K 线收盘到信号发布的总挂钟时间:通常 4-9 秒。
来自主要经纪商连接 (Tier-1 ECN) 的实时 tick 流加上备份数据源以确保冗余。K 线按 H1/M15/H4/D1 边界严格 UTC 对齐组装。延迟 tick 被丢弃 — 我们从不重绘。
每根 K 线生成约 50 个工程化特征:RSI(14)、MACD(12,26,9)、Bollinger Bands(20,2)、ATR(14)、5-21-50-200 EMA 堆栈 + 交叉标志、当日交易时段,以及近期波动率状态。随着消融研究的进行,特征集会不断演变 — 未能提升样本外 Sharpe 的特征均被剔除。
每组合一个的 LightGBM 模型对每个方向类别输出一个概率。推理延迟 p99 ≈ 6ms。校准后的概率后处理(Platt scaling)在 Phase 2 路线图上 — 当前概率为分类器的原始输出。
模型的概率直接成为 0-100% 置信度评分。只有当置信度通过每周期的阈值(日内 60% / 日线 55%)且风险回报比至少为 1.5R 时,才会发布信号。结合技术汇合 + 历史命中率的综合评分在 Phase 2 路线图上。
信号按完整负载发布(入场、ATR 缩放 SL、ATR 缩放 TP、置信度、模型版本)。相关货币的经济日历会在信号页面上并列展示,以便您在高影响事件附近延后入场。自动事件否决在 Phase 2 路线图上。
为何选择 LightGBM、为何每组合一个模型,以及替代方案的对比。
每个 (品种、周期) 组合都有自己专属的 LightGBM 梯度提升决策树集成。EURUSD H1 和 EURUSD H4 是不同的模型 — 即使底层品种相同,但 K 线动态不同,在小时线上最优的模型,在 4 小时线上会过拟合或欠拟合。
在开发早期我们测试了深度神经网络(LSTM、Transformer)。它们达到了相似的样本外 Sharpe,但训练成本是 10 倍、推理延迟是 100 倍、可解释性也远不及。对于样本数有限(数年 K 线,而非数百万)的表格化金融数据,根据学术文献(Grinsztajn 2022, NeurIPS),梯度提升树仍是最先进的。
超参数通过 Optuna 调优,边界采用 walk-forward — 绝不使用随机洗牌,那会将未来信息泄漏到训练中。随着新市场数据的积累,模型会被定期重新训练;完整的 10 品种 × 4 周期覆盖正在 Phase 1b 期间逐步构建中。
目标覆盖
10 × 4
10 个品种 × 4 个周期(M15/H1/H4/D1)— 在 Phase 1b 期间逐步构建
重新训练频率
定期
随着新数据积累和消融研究发现改进而进行重新训练
每模型特征数
约 50
覆盖价格行为、技术指标、时段背景、波动率状态
为何我们不使用固定时间窗口收益 — 以及 López de Prado 做对了什么。
零售交易 ML 中最常见的标注方案是"固定时间窗口 t+N 的收益" — 但这在数学上与交易者实际交易的方式不一致。真实的交易在 SL 或 TP 触发时平仓,而不是在任意未来时刻。
Triple-Barrier 方法(López de Prado, Advances in Financial Machine Learning, 2018)用从入场起本应发生的结果标注每根 K 线:TP 边界触发(标签 = +1)、SL 边界触发(标签 = -1)、或 TTL 过期且两者均未触发(标签 = 0)。边界以 ATR 倍数为单位调整,实现品种感知的风险管理。
结果:标签反映的是我们实际会承担的交易。标签泄漏大幅减少,相邻标签的相关性更低,交叉验证更诚实。带置信度的信号反映的是盈利交易的概率,而非抽象的"固定时间窗口价格上涨"。
每个特征都对样本外 Sharpe 有可衡量的贡献。未通过消融研究的均被剔除。
| 指标 | 参数 | 作用 |
|---|---|---|
| RSI | 14 周期 | 动量振荡器 — 极端读数表明超买/超卖状态 |
| MACD | 12 / 26 / 9 | 趋势与动量背离 — 信号线交叉 + 柱状图加速 |
| Bollinger Bands | 20 周期, 2σ | 波动率包络 — 触及外轨的均值回归入场 + 突破过滤器 |
| ATR | 14 周期 | 波动率刻度 — 驱动 SL/TP 调整,无固定点数止损 |
| EMA 堆栈 | 5 / 21 / 50 / 200 | 趋势状态识别 — 斜率 + 多周期对齐标志 |
| S/R 邻近度 | 20 K 线 swing 枢轴 | 到最近支撑/阻力的距离 — 用作汇合权重 |
| 交易时段 | 亚洲 / 伦敦 / 纽约 / 重叠 | 流动性状态 — 策略因时段偏向而异 |
| 波动率状态 | ATR 百分位,过去 90 K 线 | 低/正常/高 — 高波动状态下置信度阈值更严 |
你在每张信号卡上看到的评分是如何实际计算的。
当前管线 (Phase 1b)
confidence = P_ml → 若 confidence ≥ 阈值 且 风险回报比 ≥ 1.5R 则发布ATR 缩放的风险数学,而非固定点数目标。
每个信号都带有入场价、止损和止盈 — 全部在信号生成时计算,而非人为选择。数学是确定性的,同一周期的每个信号都相同。
止损 = 入场 ± ATR(14) × stop_multiplier。Stop_multiplier 因周期而异:M15 = 1.0× ATR, H1 = 1.5× ATR, H4 = 2.0× ATR, D1 = 2.5× ATR。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。
止盈 = 入场 ± ATR(14) × stop_multiplier × R_target。R_target 是风险回报比:取决于置信度,通常 1.5-3.0。高置信度信号配更高的 R 目标 — 因为我们有更强的证据表明它们会运行。
结果:2.0R 风险回报比。若我们 50% 的时间获胜,净盈利。我们不需要总是正确 — 我们需要的是校准。
我们公开数据;算法自动否决在 Phase 2 路线图上。
外汇市场由央行决策、就业报告和通胀数据主导。完全有效的技术形态会在 NFP 30 分钟后被击碎。我们提供日历 — 是否应用否决目前由您自行判断。
每个 /signals/{symbol}/{tf} 页面在专属区块中展示相关货币的高/中影响事件预告。数据通过我们的接入服务从 MT5 经济日历获取(参见公开的 /api/public/economic-calendar 端点)。每分钟刷新一次。
下一步规划:在 event_window 时间窗内有高/中影响事件时,自动否决新信号。当前推理引擎已接入 `news_blackout_enabled` 标志,但默认为 false — 我们会在 Phase 2 上线并回测否决对 Sharpe 的净效应后再启用。
为何我们不相信样本内回测 — 以及诚实评估的样子。
随机训练/测试划分是零售交易 ML 中夸大业绩声明的第一大来源。随机划分让未来信息泄漏到训练中(因为相邻 K 线高度相关,模型会学到即将发生的事)。诚实的评估需要时间顺序。
我们使用 walk-forward 验证:在过去窗口上训练,在下一个前向窗口上验证,两个窗口都前进,重复。每个模型版本在推广到生产前都根据其完整 walk-forward 记录评级。
当前接受阈值(推广前必须全部通过这四项):Sharpe 比率 ≥ 1.0(日内)/ 胜率 ≥ 0.50 / 盈利因子 ≥ 1.3 / 最大回撤 ≤ 20%。任何一项不达标的模型不予推广 — 上一个良好版本保持在线。随着更多历史数据积累且基线稳定,阈值会逐步收紧。
自动模型退化检测在路线图上。当前状态:人工监督 + 手动模型推广。
实盘交易条件与历史回测有偏差。点差扩大、滑点增加、市场状态切换。即使是通过 walk-forward 验证的模型也可能在生产中衰减。我们的长期防御:持续监控 + 自动回滚。今天监控这一半已就位;自动回退那一半在 Phase 2 路线图上。
今天已上线的部分:每个已发布信号的结果(触及 TP、触及 SL、过期)都被不可篡改地记录。/signals/track-record 上的历史记录看板会展示滚动 Sharpe + 胜率 + 盈利因子 — 所以退化是可见的。我们只是还没有自动响应。
Phase 2 规划:一个守望进程,对比每 (品种、周期) 的滚动 30 信号窗口与接受底线(Sharpe < 0.8 / 胜率 < 0.45 / 盈利因子 < 1.1)。N 次连续未达标 → 自动回退到前一个良好的模型版本 + 呼叫值班工程师。在这上线之前,模型推广 + 回滚都是人工根据实盘历史记录做出的决策。
诚实的范围划定。我们的方法论在这些边界内是稳健的 — 边界之外,你信任的是模型的外推。
如果我们承诺超出能力的事,会损害信任。这里列出这些信号不是什么。
过往的 walk-forward Sharpe 无法预测未来结果。市场在演化。即使经过校准的 70% 置信度信号也有 30% 的时间会亏损。
信号是算法输出。你的账户规模、经纪商、杠杆、司法管辖区和风险承受能力决定了跟随任何特定信号是否适合你。
FxRobotEasy 不托管资金。信号是信息 — 点击买入的是你。我们是软件发行商,不是基金经理。
信号在相关周期的下 1-2 根 K 线内有效。如果你在发布 90 分钟后才看到 H1 信号,入场价可能已远离当前价 — 跳过它。
按定义,训练数据只包含已经发生过的状态。脱欧、2020 年 3 月 COVID、CHF 脱钩 — 我们的模型会对这些做出反应,但并未接受过此类训练。
关于 AI 信号管线的常见后续问题。
对于样本数有限(数年 K 线而非数百万)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。深度网络在图像、语言和连续控制 RL 上是最先进的 — 但在外汇 K 线预测上不是。
定期 — 在 Phase 1b,重新训练由新数据积累和消融研究发现驱动,而非按固定日历。每次重新训练运行完整的 walk-forward 验证,对滚动保留窗口进行评估。新版本只有在击败接受阈值且超过实盘前一版本时才推广。固定的重新训练频率(每周是规划基线)在 Phase 2 路线图上 — 等模型注册管线上线后落地。
所有划分都严格按时间顺序 — 无随机洗牌。特征仅来自 K 线收盘时可获取的数据(无前瞻)。Triple-barrier 标签向前解析;我们不包括从解析窗口计算的特征。
方法论完全文档化(本页)。训练权重、训练数据和超参数不开源 — 它们是我们的护城河。我们发布所有信号 + 结果,任何人都可以验证管线产出符合声明。
在验证中,我们假设 Tier-1 ECN 点差(EURUSD 主流约 0.1-0.3 点、次要约 0.5-1.5 点、XAUUSD 约 2-4 点)加上滑点缓冲。实盘业绩核算使用经纪商连接记录的实际成交价 — 因此发布的历史记录反映的是真实执行,而非建模值。验证与实盘之间的偏差是我们会在 /signals/track-record 上,当足够多的已完成信号累积后展示的内容。
你将看到的每个信号都遵循相同的方法论。现在去看看吧。