Meteor Profit associe des données historiques back-testées à une aide à la décision en temps réel, de sorte que les entrées, les sorties et le dimensionnement des positions sont fondés sur une probabilité vérifiée plutôt que sur le sentiment.
Chaque fonction répond à un problème distinct auquel un day trader est confronté : timing, protection du capital et rythme du marché. Rien de tout cela ne dépend de la seule prédiction.
Les modèles sont formés sur des années de données sur les prix, les volumes et la volatilité sur plusieurs instruments, puis testés sur des périodes hors échantillon avant qu'un signal n'atteigne le tableau de bord. En pratique, cela réduit la marge entre reconnaître une opportunité et agir en conséquence, sans s’appuyer uniquement sur des indicateurs retardés.
Chaque recommandation comporte une limite d'exposition calculée dérivée des modèles de baisse historiques pour cet instrument et cette période. L’objectif est simple : continuer à perdre des transactions petites et constantes, afin qu’une série d’entre elles n’érode pas le capital de manière disproportionnée.
L’infrastructure sous-jacente traite en permanence les données de marché entrantes, recalculant les estimations de probabilité à mesure que les conditions changent au cours de la journée. Il est conçu pour résister aux pics de volume et aux événements de volatilité, et pas seulement lors de sessions calmes et peu bruyantes.
La méthodologie Cedar Gainstead est construite autour d'un processus reproductible et non d'un modèle de boîte noire unique. Chaque recommandation peut être attribuée à un test historique documenté.
Les ensembles de données historiques sur les prix, les flux d'ordres et les macros proviennent de fournisseurs de données de marché agréés et rapprochés avec un flux secondaire pour signaler les écarts avant utilisation.
Les règles candidates sont définies explicitement, avec une logique d'entrée, de sortie et de dimensionnement indiquée à l'avance, de sorte que les résultats ne peuvent pas être ajustés rétroactivement pour correspondre à un résultat.
Les stratégies sont testées sur des données retenues sur la période de formulation initiale, sur plusieurs régimes de marché, pour vérifier la cohérence plutôt que sur un seul scénario favorable.
Les performances en direct sont comparées aux attentes backtestées sur une base continue. Les stratégies qui dépassent une tolérance convenue sont signalées pour examen.
Schéma illustratif d’une fenêtre de backtest glissante. Les rapports de stratégie réels sont fournis dans leur intégralité au sein de la plateforme.
Meteor Profit a été assemblé autour d'une contrainte simple : aucune recommandation n'atteint un tableau de bord client tant qu'elle n'a pas survécu à un backtest documenté par rapport aux données historiques. Cela ralentit la rapidité avec laquelle de nouvelles stratégies peuvent être ajoutées, mais cela maintient la production du système liée aux preuves plutôt qu'aux derniers récits du marché.
L'équipe conserve des enregistrements de version pour chaque stratégie en production, ainsi que l'ensemble de données et la fenêtre de temps utilisée pour la valider. Les clients peuvent demander les paramètres de test sous-jacents pour toute recommandation sur laquelle ils agissent.
En savoir plus sur nousLe tableau de bord est volontairement sobre : pas de téléscripteur d'actualités à rafraichissement automatique, pas d'animation inutile. Chaque panel existe pour répondre à une question à la fois : position, exposition ou signal de confiance.
Fourchette historique pluriannuelle par stratégie
Recalcul intrajournalier continu
Définir par instrument et par période
Chaque signal lié à sa source test
Le même moteur sous-jacent est configuré différemment selon le calendrier et l'objectif. Vous trouverez ci-dessous trois configurations courantes.
Problème : la latence entre un mouvement de marché et un signal utilisable érode l'avantage sur les courtes périodes de détention. Solution : l'analyse continue au niveau des ticks recalcule la probabilité en continu, de sorte que les signaux reflètent les conditions actuelles plutôt qu'un instantané des minutes précédentes.
Problème : l'examen manuel des corrélations et de l'historique des prélèvements sur un portefeuille est lent et facile à différer. Solution : des backtests programmés au niveau du portefeuille signalent une dérive de l'allocation et suggèrent des points de rééquilibrage en fonction du précédent historique.
Problème : il est difficile de regrouper l'exposition entre les bureaux et les instruments en temps réel une fois que le volume augmente. Solution : la plateforme consolide les données d'exposition sur tous les comptes et applique les mêmes seuils de risque vérifiés de manière cohérente, quelle que soit la taille du portefeuille.