2.6 KiB
2.6 KiB
Frontline RSI 经验 → ai/xauusd_m15 特征映射
本文把 frontline/MQL5/_united/Strategies 里与 RSI 相关的可量化逻辑，映射到训练用的 24 维特征（前 13 维与原版 EA 一致，后 11 维为 RSI/时段扩展）。
策略来源与特征对应
| Frontline 模块 | 经验要点 | 模型中的体现 |
|---|---|---|
| RSIReversalAsianStrategy | 上穿超买 / 下穿超卖的交叉；亚洲时段（UTC 0–8）语境 | rsi_cross_overbought / rsi_cross_oversold（默认 70/30）；session_asian_utc |
| RSICrossOverReversalStrategy | 超买/超卖区附近的反转入场、RSI 退出位 | 交叉特征 + rsi_velocity / rsi_accel 描述短期摆动 |
| RSIScalpingStrategy | 极值区外的回升/回落（多根 RSI 结构） | rsi_velocity、rsi_accel（3 根 RSI14 近似） |
| RSIMidPointHijackStrategy | 相对 50 中轴、快慢 RSI 状态 | rsi_dist_mid_50；rsi_fast_slow_spread（RSI14 vs RSI7） |
| 多品种 RSI Scalping | 更短周期敏感 | rsi7_n（快周期）、rsi21_n（慢周期） |
特征索引（与 Python / EA 顺序一致）
| 索引 | 名称 | 说明 |
|---|---|---|
| 0–4 | OHLC + tick_volume | 与原版一致 |
| 5 | rsi | Wilder RSI(14)/100 |
| 6–12 | EMA/ATR/价量 | 与原版一致 |
| 13 | rsi7_n | RSI(7)/100 |
| 14 | rsi21_n | RSI(21)/100 |
| 15 | rsi_fast_slow_spread | clip((RSI14−RSI7)/50, −1, 1) |
| 16 | rsi_velocity | (RSI14₀−RSI14₁)/25 |
| 17 | rsi_accel | ((RSI14₀−RSI14₁)−(RSI14₁−RSI14₂))/25 |
| 18 | rsi_dist_mid_50 | |RSI14−50|/50 |
| 19–22 | cross_* | 0/1，与 frontline 交叉定义一致（上一根→当前根） |
| 23 | session_asian_utc | 小时经偏移后 ∈ [0,8) 则为 1 |
时段偏移
MT5 K 线时间多为服务器时区。若要与 UTC 亚洲窗对齐，训练时设环境变量 SESSION_HOUR_OFFSET，EA 使用 InpSessionHourOffset，使 (hour + offset) % 24 与你在回测里认定的 UTC 一致。
未直接编码的规则（可后续扩展）
- 点差、最大持仓时长、Magic 分策略：可作为额外标量特征或单独过滤层。
- RSIMidPoint 的「先标记超买再下穿退出线」：可用连续两 bar 的 cross 组合特征或 LSTM 隐式学习；当前用 cross + dist_mid 近似。
- Darvas / EMA 等非 RSI 策略：未并入本 ONNX 特征；可在
features.py中追加列并同步改NUM_FEATURES与 EA。
再训练提醒
修改 NUM_FEATURES 后必须：重新导出 ONNX、更新 EA 中 #resource 模型、OnnxSetInputShape 第三维、24 个 scaler min/max。