AI SuperTrend: czy wskaźnik z uczeniem maszynowym coś dodaje do bota
W skrócie: przeniosłem do MQL5 wskaźnik AI SuperTrend (klasyfikator KNN nałożony na SuperTrend) i testowałem go na złocie przez 12 miesięcy. Samodzielnie ma PF około 1,0, czyli nic. Jako filtr w bocie, który już ma przewagę, nie poprawił ani wyniku, ani szybkości zaliczania cykli. Zostawiłem go w bibliotece, ale wyłączonego.
Co ten wskaźnik właściwie robi
Pod spodem jest zwykły SuperTrend. Do niego dochodzi klasyfikator najbliższych sąsiadów. Z ostatnich 1000 świec buduje wektory cech: RSI, odchylenie ceny od średniej i miarę nerwowości rynku (CHOP). Bieżący układ cech porównuje z tymi historycznymi i sprawdza, ilu z dziesięciu najbliższych sąsiadów leżało w trendzie w górę, a ilu w dół. Wynik to dwa prawdopodobieństwa, które sumują się do jedności.
Ważne rozróżnienie: to nie prognoza ceny. To ocena stanu “czy teraz wygląda jak ustalony trend w górę albo w dół”. Cechy opierają się na momentum, więc są mocno skorelowane z samym kierunkiem SuperTrenda. W praktyce przy świeżym odwróceniu SuperTrenda model często wskazuje jeszcze kierunek przeciwny, bo widzi poprzedni stan. Potwierdza odwrócenie dopiero wtedy, gdy momentum nadrobi, czyli z opóźnieniem. Liczę go tylko na zamkniętej świecy, więc w przeciwieństwie do wersji z TradingView nie przemalowuje się.
Wyniki samodzielnie
Test na złocie, 12 miesięcy, świece OHLC, konto 10 tysięcy, ryzyko 100 dolarów (bot 4020_AiSuperTrendEA):
| Interwał | PF | Uwagi |
|---|---|---|
| M5 | 1,01 | zysk około 1000 USD, drawdown 43% |
| M15 | 1,02 | zysk około 500 USD |
| M30 | 0,99 | strata |
Zwykły SuperTrend na M15 wyszedł tak samo: PF 1,01. Filtry AI nałożone na goły SuperTrend dawały PF od 1,00 do 1,04, czyli szum. Do progu, którego wymagam od bota (PF co najmniej 1,3), nie zbliżył się żaden wariant.
Wyniki w bocie, który ma przewagę
Wskaźnik podpiąłem do bota na złocie M5 (bot 3820_GoldSmmaIfvgEA) z referencją PF 1,70 i zyskiem około 10 tysięcy przy drawdownie 6,4%.
| Wariant | Zysk USD | PF | Drawdown % |
|---|---|---|---|
| Blokada wejścia, gdy AI widzi przeciwny kierunek | 8 025 | 1,61 | 9,1 |
| Wymóg zgody AI przy wejściu | 2 257 | 1,32 | 11,1 |
| Wyjście na odwróceniu AI (także na zysku) | 10 030 | 1,72 | 5,5 |
Wymóg zgody to najgorszy przypadek: zysk spada o około 80%. Powód jest ten sam co wyżej. Przy świeżym sygnale bota wskaźnik zwykle widzi jeszcze stary stan i odcina dobre wejścia częściej niż złe. Wyjście na odwróceniu AI obniżyło drawdown, ale to jeden rok bez dowodu, że to nie przypadek.
Zdawalność cykli zamiast PF
Najważniejszy test to symulacja zaliczania wyzwania na 52 tygodnie. Referencja zaliczyła 48 cykli z zerem oblanych, mediana 18 dni. Blokada wejścia: 47 zaliczonych, mediana 26 dni. Wymóg zgody: 37 zaliczonych, 2 oblane, 13 niezakończonych, mediana 60 dni. Wyjście na odwróceniu: 48 do 0, ale wolniej (23 dni). Żaden wariant nie poprawił zdawalności.
Pułapka optymalizacji parametrów
Dla interwału M5 znalazłem zestaw parametrów, który bił referencję w trzech oknach: w 2024, w 2025 i w ostatnich 12 miesiącach, z zyskiem wyższym o 3-14%. Na M10-M30 ten sam filtr szkodził. Zestaw wybrany na jednym oknie bywa dopasowaniem: najlepszy na 12 miesiącach był w 2024 gorszy od referencji. Dlatego każdy taki wynik sprawdzam na latach osobno, zanim cokolwiek zmienię.
Decyzja
AI SuperTrend jest w bocie na złocie wyłączony. Kod zostaje w bibliotece, domyślnie off. Hipotezy, że mógłby pomóc w bocie trendowym wchodzącym z opóźnieniem albo na indeksach na wyższych interwałach, nie były testowane.
Checklista
- Czy wskaźnik sprawdziłem najpierw samodzielnie, a dopiero potem jako filtr?
- Czy interwał filtra jest taki sam jak interwał bota?
- Czy sprawdziłem zdawalność cykli, a nie tylko zysk przy wyłączonym module prop?
- Czy wynik potwierdzają lata osobno, a nie jedno okno?
- Czy wiem, na jakich cechach opiera się wskaźnik i z jakim opóźnieniem działa?
Powiązane
- Jak oceniać filtr wejścia
- Odległość od EMA w ATR
- Pułapka najlepszego wiersza
- Pojęcia: słowniczek, skorowidz
Źródła
Wskaźnik pierwotny: “AI-SuperTrend (KNN Machine Learning)” na TradingView, autor SatohK, licencja MPL 2.0 (sprawdzone 14.11.2026 w notatce własnej). Wyniki: własne testy z 7 listopada 2026.
Ostrzeżenie: artykuł ma charakter edukacyjny i nie jest poradą inwestycyjną. Wyniki z przeszłości nie gwarantują przyszłych. Handel na rynkach finansowych wiąże się z ryzykiem utraty kapitału.