การเรียนรู้ของเครื่องเพื่อการ Scalping: เหตุใดโมเดลของคุณจึงล้มเหลวใน M1 (และวิธีแก้ไข)
เสน่ห์ของ M1 Scalper นั้นไม่อาจปฏิเสธได้ ตามทฤษฎีแล้ว หากคุณสามารถฝึกโมเดล Machine Studying ให้ทำนายเทียน 1 นาทีถัดไปด้วยความแม่นยำเพียง 55% กฎแห่งตัวเลขจำนวนมากแนะนำว่าคุณควรเป็นเศรษฐีในอีกไม่กี่เดือนข้างหน้า
ฉันตกหลุมพรางนี้แล้ว ฉันใช้เวลาหลายเดือนในการฝึกอบรมโมเดล LSTM, Random Forests และ Gradient Boosting บนข้อมูล M1 ในการทดสอบย้อนหลังของ Python พวกมันดูเหมือนเครื่องพิมพ์เงิน ในการซื้อขายสดของ MQL5 พวกเขาเป็นผู้ทำลายบัญชี
ในการเจาะลึกทางเทคนิคนี้ ฉันจะพาคุณไปชมการทดลองเฉพาะที่ฉันทำ ฉันจะแบ่งปัน รหัสหลาม ฉันเคยสร้างโมเดลนี้ขึ้นมา ตรรกะ MQL5 ใช้ในการปรับใช้ และเหตุผลทางคณิตศาสตร์ว่าทำไม “Bare ML” จึงล้มเหลวในกรอบเวลาต่ำ
ที่สำคัญที่สุด ฉันจะแสดงให้คุณดู โซลูชัน “ตัวกรองบริบท”—การเปลี่ยนแปลงทางสถาปัตยกรรมที่แน่นอนซึ่งเปลี่ยนบอทที่พ่ายแพ้ให้กลายเป็น เครื่องยนต์ Ratio X MLAI 2.0 ที่เพิ่งผ่านการท้าทาย Prop Agency มูลค่า 100,000 ดอลลาร์
ระยะที่ 1: การทดลอง “ไร้เดียงสา” (Python)
เพื่อสาธิตปัญหา เรามาสร้างโมเดลการเรียนรู้ภายใต้การดูแลมาตรฐานกันดีกว่า สมมติฐานของเรานั้นง่าย: ความผันผวนและโมเมนตัมในอดีตสามารถทำนายสีของแท่งเทียนถัดไปได้
วิศวกรรมคุณสมบัติ
เราสร้างชุดข้อมูลโดยใช้ข้อมูล EURUSD M1 เป็นเวลา 10 ปี เราออกแบบคุณสมบัติตาม RSI, ความผันผวนของการกลิ้ง และระยะทางเฉลี่ยเคลื่อนที่
# 1 โมเมนตัม
df(‘RSI’) = ta.rsi(df(‘ปิด’), size=14)
# 2 ระยะทางเทรนด์
df(‘SMA_200’) = ta.sma(df(‘ปิด’), size=200)
df(‘Dist_SMA’) = df(‘ปิด’) – df(‘SMA_200’)
# 3. ความผันผวน (เสียงรบกวน)
df(‘ATR’) = ta.atr(df(‘excessive’), df(‘low’), df(‘ปิด’), size=14)
# เป้าหมาย: 1 ถ้าปิดถัดไป > ปิดปัจจุบัน มิฉะนั้น 0
df(‘เป้าหมาย’) = (df(‘ปิด’).shift(-1) > df(‘ปิด’)).astype(int)
กลับ df.dropna()
เมื่อเราฝึก RandomForestClassifier กับข้อมูลนี้ เราก็จะบรรลุผลสำเร็จได้อย่างง่ายดาย ความแม่นยำ 60-65% ในชุดทดสอบ มันดูเหลือเชื่อ
ระยะที่ 2: ความล้มเหลวในการปรับใช้ (MQL5)
เราแปลงโมเดลนี้เป็น ONNX และโหลดลงใน MetaTrader 5 เราคาดหวังผลกำไร แต่เรากลับพบว่าส่วนของผู้ถือหุ้นลดลงอย่างต่อเนื่อง
คณิตศาสตร์แห่งความล้มเหลว: การแพร่กระจายของการสลายตัวและการเคลื่อนที่แบบบราวเนียน
ความล้มเหลวไม่ได้อยู่ในโค้ด มันอยู่ในโครงสร้างจุลภาคของตลาด
- อัตราส่วนสัญญาณต่อเสียงรบกวน (SNR): บนกราฟ H1 การเคลื่อนไหว 20 pip ถือเป็นสัญญาณ บนกราฟ M1 การเคลื่อนไหว 2-pip มักจะเป็นเพียงการไหลของคำสั่งแบบสุ่ม (“Brownian Movement”) โมเดล ML เข้าใจผิดว่าสัญญาณรบกวนนี้เป็นรูปแบบ (Overfitting)
- การสลายตัวของการแพร่กระจาย: ใน M1 การชนะโดยเฉลี่ยของคุณอาจเป็น 3 pip หากสเปรดคือ 1 pip (บวกค่าคอมมิชชัน) ของคุณ ต้นทุนการซื้อขาย คือ 33% ของกำไรขั้นต้นของคุณ คุณต้องมีความแม่นยำเกือบ 70% จึงจะคุ้มทุน
ขั้นตอนที่ 3: การแก้ปัญหา (วิศวกรรมบริบท)
เพื่อแก้ไขปัญหานี้ เราต้องหยุดขอให้ AI คาดการณ์ เทียนถัดไป. เราต้องขอให้มันจำแนกประเภทแทน ระบอบการปกครองของตลาด.
เราไม่ต้องการซื้อขายทุกนาที เราต้องการซื้อขายเฉพาะเมื่อกรอบเวลาที่สูงขึ้น (H1/H4) ให้ “ลมพัด”
ตรรกะ “ตัวกรองระบบการปกครอง” ใน MQL5
ใน เครื่องยนต์อัตราส่วน X MLAI 2.0เราใช้ตัวกรองที่แทนที่สัญญาณการถลกหนัง EA ตรวจสอบ “สถานะสากล” ก่อนที่จะตรวจสอบการทำนาย ML
{
// 1. ตรวจสอบแนวโน้มกรอบเวลาที่สูงขึ้น (H1)
h1_ma สองเท่า = iMA(_สัญลักษณ์, PERIOD_H1, 50, 0, MODE_EMA, PRICE_CLOSE);
current_price สองเท่า = SymbolInfoDouble(_Symbol, SYMBOL_BID);
// 2. ตรวจสอบระบอบการปกครองที่มีความผันผวน (หลีกเลี่ยงตลาดที่ตายแล้ว)
atr_value สองเท่า = iATR(_Symbol, PERIOD_M15, 14, 1);
ถ้า (atr_value < MinVolatilityThreshold) ส่งกลับเท็จ;
// 3. “ตัวกรอง”: อนุญาตเฉพาะ Longs หาก H1 เป็นตลาดกระทิง
ถ้า(ML_Signal == SIGNAL_BUY && current_price < h1_ma) ส่งคืนค่าเท็จ;
if(ML_Signal == SIGNAL_SELL && current_price > h1_ma) ส่งคืนค่าเท็จ;
กลับเป็นจริง;
}
ผลลัพธ์: คุณภาพมากกว่าปริมาณ
ด้วยการใช้ “สถาปัตยกรรมไฮบริด” นี้ (การทำนาย ML + บริบทแบบฮาร์ดโค้ด) อัตราการชนะบน M1 ไม่จำเป็นต้องเพิ่มขึ้น แต่ มูลค่าที่คาดหวัง (EV) ต่อการซื้อขาย จรวดพุ่งสูง
เรากรองการซื้อขายที่ “รบกวน” ที่ขาด ๆ หาย ๆ ซึ่งเผาผลาญเงินสดจากสเปรด และเราจะดำเนินการเฉพาะเมื่อการคาดการณ์ระดับจุลภาคสอดคล้องกับแนวโน้มมหภาคเท่านั้น
นี่คือความแตกต่างระหว่างการพนันและวิศวกรรม
การตรวจสอบความถูกต้องในโลกแห่งความเป็นจริง
นี่ไม่ใช่ทฤษฎี ตรรกะนี้ใช้เพื่อถ่ายทอดสด ความท้าทายบริษัท Prop Agency มูลค่า 100,000 ดอลลาร์. สังเกตเสถียรภาพในเส้นอิควิตี้ด้านล่าง ไม่มีการขาดทุนจำนวนมาก มีเพียงการเก็บเกี่ยวระบอบการปกครองที่สม่ำเสมอ
และนี่คือผลลัพธ์การเติบโตในระยะยาวจากผู้ใช้ที่ใช้งาน Arsenal เต็มรูปแบบ:
ข้ามการวิจัยและพัฒนา: รับเครื่องยนต์ที่เสร็จสมบูรณ์แล้ว
คุณสามารถใช้เวลา 6 เดือนข้างหน้าในการเขียนสคริปต์ Python และแก้ไขข้อผิดพลาดในการรวม ONNX หรือคุณสามารถปรับใช้ระบบที่ “วิศวกรรมบริบท” นี้สมบูรณ์แบบอยู่แล้ว
ที่ กล่องเครื่องมือของ Ratio X Dealer รวมถึงเครื่องยนต์ MLAI 2.0 ที่ได้รับการปรับแต่งอย่างเต็มที่ด้วยตัวกรองระบบเหล่านี้
⚠️ อัปเดต “ราคาเซิร์ฟเวอร์”
การเรียกใช้การวิเคราะห์บริบทความถี่สูงต้องใช้ทรัพยากรจำนวนมาก เนื่องจากการตรวจสอบความถูกต้องของกลไกนี้ในสภาพแวดล้อม Prop Agency ราคาของสิทธิ์การใช้งานตลอดชีพจึงเพิ่มขึ้นจาก $197 ถึง $247 เริ่มสัปดาห์หน้า
🎁 ข้อเสนอการเข้าถึงของนักพัฒนา: หากคุณกำลังอ่านบล็อกทางเทคนิคนี้ คุณสมควรได้รับการหยุดพัก ใช้คูปองด้านล่างเพื่อ:
- ล็อคราคาเดิม ($197)
- รับส่วนลดพิเศษ 20% ทันที
- รับ ค่าที่ตั้งไว้ล่วงหน้าสำหรับการยืนยันบริษัท Prop (.set ไฟล์) ฟรี
การรับประกัน
ดาวน์โหลดกล่องเครื่องมือ เปิดแท็บ “บันทึกประจำวัน” ใน MT5 ดู MLAI Engine กรองการซื้อขายที่ไม่ดีออกแบบเรียลไทม์โดยใช้ตรรกะที่อธิบายไว้ข้างต้น หากคุณไม่เห็นการดำเนินการระดับมืออาชีพภายใน 7 วัน เราจะคืนเงิน 100% ของการลงทุนของคุณ.
รหัสน้อยลง ซื้อขายมากขึ้น เมาริซิโอ
เกี่ยวกับผู้เขียน
Mauricio Vellasquez เป็นหัวหน้านักพัฒนาของ Ratio X เขาเชี่ยวชาญในการเชื่อมช่องว่างระหว่างการวิจัย Python Machine Studying และการดำเนินการ MQL5 ที่แข็งแกร่งสำหรับผู้ค้าปลีก
การปฏิเสธความเสี่ยง
การซื้อขายในตลาดการเงินมีความเสี่ยงสูงที่จะขาดทุนและไม่เหมาะสำหรับนักลงทุนทุกคน ผลลัพธ์ที่แสดงในบทความนี้มาจากผู้ใช้จริง แต่ประสิทธิภาพที่ผ่านมาไม่ได้บ่งบอกถึงผลลัพธ์ในอนาคต การซื้อขายทั้งหมดเกี่ยวข้องกับความเสี่ยง
