Openai Japan Exo Scalp EA ┃ راهنمای فنی – سیستم های معاملاتی – 6 مارس 2025

برای صفحه محصول اینجا را کلیک کنید

توضیح فنی

پیشینه ریاضی استراتژی مقیاس گذاری و مدیریت ریسک

Exo Pscalp EA مبتنی بر یک استراتژی پوسته پوسته شدن است که حرکات قیمت کمی را در فرکانس بالا ضبط می کند.

از دیدگاه ریاضی ، مهم است نوسانات قیمت مدل به طور احتمالیبشر گفته می شود که حرکات قیمت کوتاه مدت مانند یک پیاده روی تصادفی رفتار می کنند ، اما با در نظر گرفتن ویژگی های آماری مانند نوسانات و روندها می توان مزایای آن را یافت.

به عنوان مثال ، با تجزیه و تحلیل توزیع حرکات قیمت و برآورد میانگین و واریانس (انحراف استاندارد) ، می توان این احتمال را محاسبه کرد که قیمت در یک محدوده خاص باقی بماند و محدوده معاملات مورد انتظار را تعیین کند.

اگرچه هر تجارت مقیاس پذیر ریسک کمی دارد ، اما تعداد معاملات افزایش می یابد ، بنابراین مدیریت ریسک کلی ضروری است

برای مثبت نگه داشتن ارزش مورد انتظار ، لازم است که از نظر آماری تعادل بین نرخ پیروزی و نسبت سود/زیان (نسبت ریسک-پاداش) را مدیریت کنید.

به طور کلی ، اگر نسبت سود/ضرر (متوسط ​​سود ÷ میانگین ضرر) بیش از 1 باشد ، سود بیشتر به احتمال زیاد جمع می شود ، در حالی که اگر زیر 1 باشد ، ممکن است ضرر از سود فراتر رود.

در این EA ، متوقف کردن ضرر/تنظیمات سود را بر اساس ATR ریسک ثابت در هر تجارت حفظ کنید در حالی که به صورت پویا تنظیم سودآوری و بازه های متوقف شده را با توجه به نوسانات تنظیم می کنید.

علاوه بر این ، روش هایی مانند محدود کردن خطر در هر تجارت به 1-2 ٪ از کل سرمایه برای اندازه گیری موقعیت به کار می روند و در نتیجه اقدامات مدیریت ریسک را شامل می شوند.

فرایندی که چتپت داده های فارکس را تجزیه و تحلیل می کند و سیگنال ها را تولید می کند

مدل های بزرگ زبان (GPT) مانند chatgpt در ابتدا برای پیش بینی کلمه بعدی در یک متن آموزش دیده بودند.

با این حال ، این “قابلیت پیش بینی توالی” همچنین می توان به طور کلی برای داده های سری زمانی اعمال شد ، و تلاش هایی برای تغذیه سری زمان قیمت به عنوان متن انجام شده است تا این مدل “جهت آینده” را به شکل جمله نشان دهد.

با این وجود ، متن تولید شده لزوماً پیش بینی های عددی بسیار دقیق را تضمین نمی کند.

از نظر عملی ، اتخاذ یک رویکرد مطلوب تلقی می شود “AI + روشهای متعارف به شکل ترکیبی”، مانند افزودن بینش چتپپ به قوانین EA یا فقط اجازه ورود به آنها در شرایطی که مدل از احتمال پیش بینی بالایی برخوردار است.

مثالها شامل استفاده از ترانسفورماتورهای سری زمانی است که در پیش بینی عددی تخصص دارند ، اما موضوعاتی مانند بیش از حد و عدم تحمل بازار باقی مانده است.

جزئیات منطق ورود و خروج

(تنظیمات SL/TP بر اساس فیلترهای ATR ، RSI و مدیریت گسترش)

شرایط ورود Exo Scalp EA کاملاً بر اساس تعریف شده است شاخص های فنی و شرایط بازاربشر اول ، به عنوان یک شاخص حرکت ، RSI (شاخص مقاومت نسبی) برای فیلتر استفاده می شود.

RSI براساس تعادل حرکات قیمت رو به بالا و رو به پایین در طی یک دوره خاص ، مقدار 0 تا 100 را محاسبه می کند ، با قرائت های بالاتر از 70 نشانگر بیش از حد و زیر 30 نشانگر بیش از حد است. با فرمول زیر محاسبه می شود:

RSI = 100 – 100 / (1 + RS) (RS = متوسط ​​حرکت به سمت بالا / حرکت متوسط ​​رو به پایین)

به عنوان مثال ، در EA RSI 30 یا پایین است، آن را “oversold” محسوب می شود ، و یک ورودی خرید با هدف بازگشت دوباره در نظر گرفته می شود. در مقابل ، یک ورودی خرید فقط در صورتی مجاز است که RSI از 50 برای منطق پیروی از روند و غیره فراتر رود ، و غیره می توان معیارهای داوری متعدد را با هم ترکیب کرد.

بعد ، ATR (متوسط ​​محدوده واقعی)، از یک شاخص نوسانات ، برای تعیین پویا اهداف سود (TP) و سطح متوقف کردن از دست دادن (SL) استفاده می شود.

ATR با هموار سازی “دامنه واقعی” (حداکثر دامنه شامل مقایسه با قیمت بسته روز گذشته) در طی یک دوره خاص ، میانگین دامنه حرکت قیمت در بازار را نشان می دهد. در EA ، تنظیماتی مانند 1 × ATR برای سود گرفتن و 1.5 × ATR برای ضرر توقف تنظیم SL/TP با توجه به نوسانات. هنگامی که نوسانات زیاد است ، دامنه SL/TP گسترده تر می شود. هنگامی که کم است ، آنها محکم تر می شوند – تجارت مداوم سازگار با شرایط بازار.

علاوه بر این ، قبل از اجرای ورودی ، EA بررسی می کند گسترش برای مدیریت تأثیر هزینه های معامله بر روی استراتژی. از آنجا که مقیاس گذاری شامل معاملات مکرر است ، هدف آن جلوگیری از هزینه های تجمعی زیاد از گسترش گسترده است. اگر گسترش فعلی از مقدار مجاز فراتر رود ، EA از ورودی های جدید می رود – به عنوان مثال ، از تجارت خودداری می کند وقتی که این گسترش از 2.0 پیپ برای جفت های اصلی ارز بیشتر باشد ، یک ویژگی اصلی کنترل هزینه است.

void OnTick()
{
    
    double ask    = SymbolInfoDouble(_Symbol, SYMBOL_ASK);
    double bid    = SymbolInfoDouble(_Symbol, SYMBOL_BID);
    double point = _Point;
    double spread = (ask - bid) / point;

    
    if(spread > MaxAllowableSpread)
        return;

    
    int    atrPeriod = 14;
    double atr       = iATR(_Symbol, PERIOD_CURRENT, atrPeriod, 1); 
    
    int    rsiPeriod = 14;
    double rsi       = iRSI(_Symbol, PERIOD_CURRENT, rsiPeriod, PRICE_CLOSE, 0); 
    
    
    
    
    if(rsi <= 30.0 /* Add other conditions if needed */)
    {
        double atrMultiplierSL = 1.5;
        double atrMultiplierTP = 1.0;

        
        double slPoints = (atr * atrMultiplierSL) / point;
        double tpPoints = (atr * atrMultiplierTP) / point;

        
        double volume = /* Calculate lot size based on risk */ 0.01; 

        
        double slPrice = bid - slPoints * point;
        double tpPrice = bid + tpPoints * point;

        
        trade.Buy(volume, _Symbol, ask, slPrice, tpPrice);
    }

    
    
    
    if(rsi >= 70.0 /* Other conditions */)
    {
        double atrMultiplierSL = 1.5;
        double atrMultiplierTP = 1.0;

        
        double slPoints = (atr * atrMultiplierSL) / point;
        double tpPoints = (atr * atrMultiplierTP) / point;

        
        double volume = /* Lot size calculation */ 0.01; 

        
        double slPrice = ask + slPoints * point;
        double tpPrice = ask - tpPoints * point;

        
        trade.Sell(volume, _Symbol, bid, slPrice, tpPrice);
    }

    
    
    
}

موارد فوق نمونه ای شبه کد ساده از این منطق EA است. این تصمیمات تجاری را در دنباله ای انجام می دهد 1) بررسی گسترشبا 2) به دست آوردن ATRبا 3) بررسی مقدار RSIوت 4) محاسبه پویا SL/TPبشر

شامل یک دیدگاه دانشگاهی

روشهای محاسبه میانگین حرکت و RSI و مدل سازی احتمالی

شاخص های فنی مورد استفاده در تجزیه و تحلیل هر یک تعریف ریاضی روشنی دارند.

به عنوان مثال ، میانگین متحرک (MA) روشی ساده است که در طی دوره های N گذشته میانگین قیمت ها را می گیرد. به عنوان مثال ، برای قضاوت در مورد خرید و فروش سیگنال ها از متقاطع خطوط کوتاه مدت و بلند مدت مورد استفاده قرار می گیرد.

میانگین متحرک نمایی (EMA) با هدف گرفتن سریعتر نوسانات قیمت ، وزن بیشتری را به جدیدترین قیمت ها می بخشد.

همانطور که در بالا توضیح داده شد ، RSI (شاخص مقاومت نسبی) نشانگر این است که بر اساس سود متوسط ​​و ضررهای متوسط ​​، “قدرت نسبی حرکت رو به بالا” را در یک دوره خاص نشان می دهد.

با استفاده از متوسط ​​سود بوها و متوسط ​​ضرر شرح در طول دوره حرفبا RSI = A / (A + B) × 100 ٪ همچنین می تواند نشان داده شود. افزایش قیمت مداوم تمایل دارد RSI را به محدوده 70-80 سوق دهد ، و ادامه قیمت های ادامه قیمت اغلب RSI را به زیر 30 فشار می دهد.

اعتقاد بر این است که چنین ارزشهای افراطی “بیش از حد” را نشان می دهد ، بنابراین پایه و اساس راهبردهای میانگین برگشت (مخالف) را فراهم می کند.

تمام این شاخص های فنی به طور قطعی از داده های تاریخی محاسبه می شوند ، اما یک دیدگاه احتمالی از حرکات قیمت در پشت سر آنها وجود دارد.

به عنوان مثال ، اگر RSI زیاد باشد ، می توان آن را به عنوان “احتمال ادامه حرکت به سمت بالا بالا” تعبیر کرد ، یا به عنوان “احتمال تصحیح زیاد است”. رویکرد مدل سازی یا زمینه بازار تفاوت ایجاد می کند.

از نظر کلاسیک ، تجزیه و تحلیل سری زمانی از مدل های ARIMA و GARCH استفاده کرده است ، اما در سالهای اخیر رویکردهای با استفاده از یادگیری ماشین و یادگیری عمیق برای پیش بینی قیمت ها و نوسانات محبوب شده اند.

استفاده از روشهای آماری و یادگیری ماشین در داده های مالی

هر دو مدل آماری و مدل های یادگیری ماشین برای پیش بینی داده های مالی استفاده شده است. برای پیش بینی داده های سری زمانی ، روش هایی مانند Arima/Sarima ، مدل پیامبر یا RNN و LSTM استفاده می شود. با پیشرفت در یادگیری عمیق ، مدلهای بسیار دقیقی نیز ارائه شده است.

این EA عمدتاً از روشهای متعارف مبتنی بر شاخص استفاده می کند ، اما علاقه زیادی به آن وجود دارد شامل فناوری هوش مصنوعیبشر به عنوان مثال ، ممکن است از ChatGPT به عنوان یک تحلیلگر کمکی استفاده کند ، و به آن اجازه می دهد تفسیرهای متنی از قیمت ها و اخبار را ایجاد کند که سپس در قوانین EA ادغام می شوند. این می تواند یک تحلیل انعطاف پذیر تر ، شبیه به تجارت اختیاری توسط بازرگانان انسانی را فراهم کند. با این حال ، چالش جدیدی نیز وجود دارد که باید به “اظهارات” مدل اعتماد کنیم.

چگونه شبکه های عصبی برای مقیاس گذاری اعمال می شوند

یک نمونه از استفاده از یادگیری عمیق برای تجارت با فرکانس بالا و کوتاه مدت ، استفاده از یادگیری تقویت کننده برای آموزش یک نماینده بازرگانی است.

به طور خاص ، پوسته پوسته شدن ، با بسیاری از معاملات تکراری ، می تواند یک محیط آموزشی مطلوب برای چنین نماینده ای برای جمع آوری پاداش باشد.

از طرف دیگر ، عوامل بی شماری که به تنهایی نمی توانند به طور کامل توضیح دهند – تغییر ساختاری بازاریابی ، شاخص های اقتصادی ، خطرات ژئوپلیتیکی – همیشه در بازی هستند و برای یک مدل یادگیری ماشین به تنهایی دشوار است که همه چیز را به طور دقیق پیش بینی کند.

ترکیب شاخص های فنی معمولی و روش های مدیریت ریسک با هوش مصنوعی یک رویکرد عملی است که از نقاط قوت هر جنبه بهره می برد و هدف از عملکرد پایدار است.

توضیح اضافی

سرانجام ، در زیر یک جدول ساده که خلاصه محاسبات و شاخص های کلیدی است که توسط Exo Pscalp EA استفاده می شود.

با نشان دادن چگونگی ATR ، RSI ، گسترش و غیره در منطق EA در قالب لیست گنجانیده شده است ، باید درک این مفهوم راحت تر باشد.

بنابراین ، RSI وت ATR شاخص های کمی با فرآیندهای محاسبه کاملاً تعریف شده هستند و باعث می شوند که آنها مستقیماً در تجارت و مدیریت ریسک بگنجانند.

تجزیه و تحلیل AI مانند ChatGPT این پتانسیل را دارد که داده های متنی پیچیده تر و عوامل خبری را متحد کند ، و آنچه را که به طور سنتی قضاوت اختیاری انسانی بوده است ، سیستماتیک کند.

پایان

در این توضیح فنی جامع در مورد “Openai Japan Exo Scalp EA” ، ما همه چیز را از اصول منطق یک استراتژی مقیاس گذاری ، تا پیشینه ریاضی شاخص های فنی و همچنین امکان استفاده از هوش مصنوعی و یادگیری ماشین پوشش دادیم.

این EA رویکرد کلاسیک و در عین حال محکم را با استفاده از ATR و RSI اتخاذ می کند و در عین حال جایی را برای ادغام جدیدترین فناوری های هوش مصنوعی ترک می کند.

مهم نیست که یک الگوریتم پیچیده باشد ، نمی تواند عدم اطمینان بازار را به طور کامل از بین ببرد.

حفظ آن بسیار مهم است مدیریت ریسک و ترکیب نقاط قوت روشهای آماری مبتنی بر روشها و مدلهای یادگیری به روشی متعادل.

در آینده ، ممکن است با اضافه کردن بر این EA بنا شود زیر سیستم پیش بینی قیمت اختصاصی یا یک ماژول تجزیه و تحلیل خبری، از جمله ابتکارات پیشرفته تر.

ما امیدواریم که این به کسانی که آن را خریداری کرده اند به پیش بینی های بهتر فارکس کمک کند.

© 2025 AI Trader Kyo (京)