Обучение классификатора CatBoost на языке Python и экспорт модели в mql5 формат, а также разбор параметров модели и кастомный тестер стратегий. Для подготовки данных и обучения модели используется язык программирования Python и библиотека MetaTrader5.
先ほど、標準メトリクスとカスタムメトリクスを組み合わせるというお話がありましたが、これは、標準メトリクスを使ってモデルを学習させ、カスタムメトリクスを使ってモデルを選択するという意味だと理解しました。
そうなんです、実は複合基準の方がいいんです
しかし、rocやassgasuのような評価指標と呼ばれるものがあり、loglossを最小にするように学習させるものの、bushingはそれで止まってしまいます。次に、カスタムメトリクスです。
そうすれば、MT5のオプティマイザーでモデルを実行して、ストップロスのパラメータを調整したり、もっとありがたい大騒ぎができますよ :)
モデルのパラメータ空間で？巨大な次元性を持っているのです。これは、予測変数の数が少ない非常に単純なモデルでのみ可能です。
巨大な次元の空間に、どのようにして曲面を作ることができるのか、あまり明確ではありません。この次元数に対して、私たちは単純に点数が少ないだけなのです。PCAなどの何らかの次元ダウンスケール可視化手法によるものであれば別だが、その点は不明である。
その後、MT5オプティマイザーでモデルを実行し、ストップロス・パラメーターなどを調整することも可能です。
何を使ってやるのがいいのか？それとも、MQL5で書かれたモデルのことでしょうか？
何を使っているのですか？それとも、MQL5で書かれたモデルの話ですか？
もしくは譲渡、当サイトのcatboostに関する記事（検索）をご覧ください。私のかアレクセイのか
。
PythonがどのようにMQL5に移植されたのか、まだよく分かっていませんが、https://www.mql5.com/ru/articles/8642 の関数を使って、MQL5のコードからCatbustモデルを引き出せるらしいということは分かりました。私は主にXGBoostを使っていますが、catbustも可能です)。ニューラルネットワークと表形式データについては、私も同感です。私が理解する限り、記事のコードを使用すると、私はCatbustモデルを使用することができますが、他のライブラリはできません。まあ、それもいいんですけどね。現在、私はPythonのライブラリの選択に制限されないアプローチで、PythonのAPIを通じてmql5のコードからモデルを引き出しています。この場合、私はライブラリに制限されないが、遅い、記事からの変形では - ライブラリに制限されるが、明らかに順序/順序は速い。
はい、まさにその通りです。OPを再構築して、PCAで可視化する...。
正直なところ、あまり意味がない。小さな次元の投影は、原理的に多次元の場合にあり得るすべてを表現することはできない。例えば、極値とは、ある変数で最大、他の変数で最小となる鞍点であることがある。また、表面が滑らかでなければ、そこで何が起こるかわからない。
理論的には、PCAの代わりにPLSを使う方が少しは理にかなっているかもしれません。正直なところ、あまり意味がない。低次元の投影は、原理的に多次元の場合にあり得る全てを表現することはできない。例えば、極値とは、ある変数で最大、他の変数で最小となる鞍点であることがある。そして、もし表面が非平滑であることがわかれば、どんなものでもそこに存在することになります。
理論的には、PCAの代わりにPLSを使う方が少しは理にかなっているかもしれません。現在の実装はほとんど意味がないのかもしれませんが、このブランチ全体よりも、その本質が重要なのかもしれません
うーん、pythonがどのようにMQL5に移行されたのか、要点は掴んでいないのですが、どうやらhttps://www.mql5.com/ru/articles/8642 の関数を使うと、mql5のコードからcatbustモデルを引き出せるということは理解しました。私は主にXGBoostを使っていますが、catbustも可能です)。ニューラルネットワークと表形式データについては、私も同感です。私が理解する限り、記事のコードを使用すると、私はCatbustモデルを使用することができますが、他のライブラリはできません。まあ、それもいいんですけどね。現在、私はPythonのライブラリの選択に制限されないアプローチで、PythonのAPIを通じてmql5のコードからモデルを引き出しています。この場合、ライブラリによって制限されないが、より遅く、記事からのバリアントで - ライブラリによって制限されるが、明らかに順序/注文が速くなります。
記事からのバージョンはすでに最終版で、Pythonで学習したモデルをレイヤーなしでMT5に適用するためのものです。Pythonプログラムからc++で木構造を保存し、それをmqlコードに変換し、さらにクラス計算機能も備えています。
いいね、今度やってみよう。
いいね、今度試してみよう。