Hocam, algoritmik işlem yapan bir bot üzerinde çalışıyorum.

Kurdugum istem şu şekilde:

Bot, her sembol için beş filtre (TB, BP, BI, SS, LP) hesaplıyor.

Bu filtreler “Trade Burst, Trend Eğimi, Order Book Dengesizliği, Spread Sağlamlığı, Large Player” gibi metriklerden oluşuyor.

Bot aynı zamanda bir multi-armed bandit tarzı ML algoritması kullanıyor. ML her filtre kombinasyonunu bir pattern key olarak kaydediyor

(ör: TB=H|BP=UP|BI=SELL|SS=ON|LP=Y|LONG)

ve TP/SL sonuçlarına göre W/L istatistiğiyle güven puanı (confidence) hesaplıyor.


Sormak istediğim ve hangisini uygulamakta kararsız olduğum şu:


Sizce bu tür bir sistemde daha iyi performans için filtrelerin sıkı eleyici şekilde kullanılması mı daha uygundur, yani ML’nin sadece temiz adayları görmesi mi yoksa filtrelerin tamamen kapatılıp ML’nin kendisinin işe yarar pattern’ları öğrenmesine izin vermek mi daha sağlam olur?

Özellikle başlangıç dönemindeki öğrenme hızı ve uzun vadeli adaptasyon açısından.