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.
早些时候，你提出了将标准指标与自定义指标相结合的想法，我的理解是，模型的训练使用标准指标，而选择使用自定义指标。
是的，事实上，综合标准是更好的
但有一些所谓的评估指标，如roc或assgasu，总线被他们阻止，尽管它是通过最小化logloss来训练的。然后，我们有自定义指标。
然后你可以在MT5优化器中运行模型，以调整止损的参数，还有更多不费吹灰之力的麻烦事:)
在模型的参数空间中？它有一个巨大的维度。这只适用于具有少量预测因子的非常简单的模型。
目前还不是很清楚，如何在巨大维度的空间中建立一个曲面是可能的。与这种维度相比，我们的点数简直少得可怜。除非通过一些降维的可视化方法，如PCA等，但这一点并不明确。
然后你也可以在MT5优化器中运行模型，调整止损参数等。
你应该用什么来做？还是我们在谈论用MQL5编写的模型？
你用什么来做这个？还是我们在谈论用MQL5编写的模型？
或转让，见本网站关于catboost的文章（搜索）。我的或阿列克谢的。
嗯，我还没有搞清楚python是如何被移植到MQL5的，但我发现，显然使用https://www.mql5.com/ru/articles/8642 的一个函数，你可以从MQL5代码中提取catbust模型。我主要使用XGBoost，但catbust也是可以的）。我同意关于神经网络和表格数据的说法。据我所知，使用文章中的代码，我可以使用Catbust模型，但其他库不能。嗯，这也很好。现在我使用的方法是，我在选择Python库方面不受限制--我通过Python的API从mql5代码中提取模型。在这种情况下，我不受库的限制，但速度较慢，在文章中的变体中--受库的限制，但显然顺序/次序较快。
是的，这正是我的看法......重建OP，然后通过PCA将其可视化......
说实话，这并没有什么意义。一个小维度的投影原则上不能代表多维度情况下的一切。例如，极值可以是鞍点--在某些变量中是最大值，在其他变量中是最小值。而如果表面不光滑，那里就会发生任何事情。
从理论上讲，使用PLS而不是PCA可能更有意义一些。说实话，这并没有什么意义。一个低维的投影原则上不能代表多维情况下的一切。例如，极值可以是鞍点--在某些变量中是最大值，在其他变量中是最小值。而如果表面变成了非光滑的，任何东西都可以在那里。
从理论上讲，使用PLS而不是PCA可能更有意义一些。也许目前的实施没有什么意义，但它的本质可能比这整个分支更重要
嗯，我还没有掌握python是如何转移到MQL5的要领，但我已经明白，显然使用https://www.mql5.com/ru/articles/8642，你可以从mql5代码中提取catbust模型。我主要使用XGBoost，但catbust也是可以的）。我同意关于神经网络和表格数据的说法。据我所知，使用文章中的代码，我可以使用Catbust模型，但其他库不能。嗯，这也很好。现在我使用的方法是，我在选择Python库方面不受限制--我通过Python的API从mql5代码中提取模型。在这种情况下，不受图书馆的限制，但速度较慢，在文章的变体中--受图书馆的限制，但显然订单/顺序较快。
文章中的版本已经是最终版本，在MT5中应用python训练的模型，没有层。它从Python程序中保存了c++中的树状分裂，然后将其翻译成mql代码，再加上类计算功能。
很好，有机会我一定要试试。
很好，有机会我得试一试。