https://www.mql5.com/ru/code/48482
Архив моделей из статьи (кроме самой первой в списке), для быстрого ознакомления без установки Python.
![ONNX Trader ONNX Trader](https://c.mql5.com/36/82/onnx-trader.jpg)
- www.mql5.com
Здравствуйте . Использовал ваш метод : propensity_matching_naive.py в параметрах выставил обучение 25 моделей. После обучения появилась в директории питон папка :
catboost_info.
Что пытался сделать я? Загрузил котировки AUDCAD h1, далее используя файл :
propensity_matching_naive.py из вашей публикации : https://www.mql5.com/ru/articles/14360
Не могу понять ,что делать дальше, что бы сохранить дальше в формате ONNX, или данный метод работает только как оценка качества тестирования ?? :
catmodel propensity matching naive.onnx
catmodel_m propensity matching naive.onnx
Пользуюсь pythom первый раз в жизни, установил без проблем, библиотеки так же не сложно. Прочитал ваши публикации , серьезный подход ,но возможно не самый легкий метод расчета, могу ошибаться, все относительно.
Прикрепил скрины ,что получилось у меня в обучении.
![Показатель склонности (Propensity score) в причинно-следственном выводе Показатель склонности (Propensity score) в причинно-следственном выводе](https://c.mql5.com/36/83/pokazatel-sklonnosti-propensity.jpg)
- www.mql5.com
Здравствуйте . Использовал ваш метод : propensity_matching_naive.py в параметрах выставил обучение 25 моделей. После обучения появилась в директории питон папка :
catboost_info.
Что пытался сделать я? Загрузил котировки AUDCAD h1, далее используя файл :
propensity_matching_naive.py из вашей публикации : https://www.mql5.com/ru/articles/14360
Не могу понять ,что делать дальше, что бы сохранить дальше в формате ONNX, или данный метод работает только как оценка качества тестирования ?? :
catmodel propensity matching naive.onnx
catmodel_m propensity matching naive.onnx
Пользуюсь pythom первый раз в жизни, установил без проблем, библиотеки так же не сложно. Прочитал ваши публикации , серьезный подход ,но возможно не самый легкий метод расчета, могу ошибаться, все относительно.
Прикрепил скрины ,что получилось у меня в обучении.
Добрый. в предыдущих статьях описаны 2 способа экспорта.
1. более ранний, экспорт модели в нативный MQL код
2. экспорт в onnx формат в более поздних статьях
Не помню, есть ли в питон файлах к этой статье функция экспорта модели. "export_model_to_ONNX()", Если нет, можно взять из предыдущих.
![MQL5 - Язык торговых стратегий для клиентского терминала MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Показатель склонности (Propensity score) в причинно-следственном выводе:
В статье рассматривается тема матчинга в причинно-следственном выводе. Матчинг используется для сопоставления похожих наблюдений в наборе данных. Это необходимо для правильного определения каузальных эффектов, избавления от предвзятости. Автор рассказывает, как это помогает в построении торговых систем на машинном обучении, которые становятся более устойчивыми на новых данных, на которых не обучались. Центральная роль отводится показателю склонности, который широко используется в причинно-следственном выводе.
В этой статье подробнее осветим тему матчинга, который был тезисно затронут в предыдущей статье, а вернее одну из его разновидностей - Propensity score matching.
Это важно потому, что мы имеем определенный набор размеченных данных, которые неоднородны. Например, на форексе каждый отдельный обучающий пример может принадлежать к области высокой или низкой волатильности, более того, некоторые примеры могут чаще встречаться в выборке, а некоторые реже. Пытаясь определить средний причинно-следственный эффект (АТЕ) в такой выборке, мы неизбежно столкнемся со смещенными оценками, если будем предполагать, что все примеры в выборке имеют одинаковую склонность к получению тритмента. А при попытке получить условный средний причинно-следственный эффект (CATE) нас может ждать неприятность, которая называется "проклятие размерности".
Матчинг — это семейство методов оценки причинных эффектов путем сопоставления аналогичных наблюдений (или единиц) в группах тритмента и контроля. Цель сопоставления — провести сравнения между аналогичными единицами, чтобы добиться как можно более точной оценки истинного причинного эффекта.
Автор: Maxim Dmitrievsky