Обсуждение статьи "Разработка робота на Python и MQL5 (Часть 2): Выбор модели, создание и обучение, кастомный тестер Python"
Хорошая статья. Нравится, что все сделано по "классике" МО, без тонких материй.
Не совсем пока понял, при беглом просмотре, ансамбль каких моделей строится. Обучались они на одних и тех же или разных данных.
Позже разберусь, дополню.
Хорошая статья. Нравится, что все сделано по "классике" МО, без тонких материй.
Не совсем пока понял, при беглом просмотре, ансамбль каких моделей строится. Обучались они на одних и тех же или разных данных.
Позже разберусь, дополню.
Спасибо большое, очень приятно! Ансамбль обучается на одних и тех же данных)
Спасибо за статью! Прочитал с интересом. В будущем тоже планирую воспользоваться обучением разных моделей Python, а тут - уже фактически готовый рецепт, дающий хорошую базу для старта.
Благодаря предыдущей статье, пошёл учить питон.
Не успел особо продвинуться в понимании питона, а тут уже вторая статья и тоже интересная.
А я как в басне - лиса и виноград)))
![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 Разработка робота на Python и MQL5 (Часть 2): Выбор модели, создание и обучение, кастомный тестер Python:
Продолжаем цикл статей по созданию торгового робота на Python и MQL5. Сегодня решим задачу выбора и обучения модели, ее тестирования, внедрения кросс-валидации, поиска по сетке, а также задачу ансамблирования моделей.
Итак, в предыдущей статье мы немного рассказали про машинное обучение, провели аугментацию данных, разработали признаки для будущей модели, отобрали лучшие из них. Сейчас пришло время двигаться дальше и создавать уже рабочую модель машинного обучения, которая будет учиться на наших признаках, и торговать (надеемся, успешно). А для оценки модели мы напишем кастомный тестер Python, который поможет нам оценить работоспособность модели и красоту графиков теста. Для более красивых графиков теста и большей устойчивости модели, мы попутно разработаем также ряд классических фишек машинного обучения.
Наша конечная цель — создать рабочую и по максимуму прибыльную модель для прогнозирования цен и торговли. Весь код будет на Python, с включениями библиотеки MQL5.
Автор: Yevgeniy Koshtenko