文章 "将ML模型与策略测试器集成（结论）：实现价格预测的回归模型" 新评论 MetaQuotes 2024.04.26 08:45 新文章 将ML模型与策略测试器集成（结论）：实现价格预测的回归模型已发布： 本文描述了一个基于决策树的回归模型的实现。该模型应预测金融资产的价格。我们已经准备好了数据，对模型进行了训练和评估，并对其进行了调整和优化。然而，需要注意的是，该模型仅用于研究目的，不应用于实际交易。 基于上述标准，在本文中，我决定使用决策树回归模型来预测收盘价。选择这种模型的理由如下： 性能：决策树通常适用于回归问题，因为它们能够捕捉变量之间的非线性关系和相互作用。通过适当调整模型超参数，如树深度和每片叶子的最小样本数，我们可以实现适应度和泛化之间的平衡。 可解释性：决策树的主要优势之一是其可解释性。决策树是基于属性及其值的一系列决策，使其易于理解。这有助于证明预测的合理性和了解影响收盘价的因素。 复杂性：决策树的复杂性可以通过调整模型的超参数来控制。有了这一点，我们可以在建模复杂关系的能力和模型的简单性之间找到平衡，同时避免过度拟合。 训练时间：与神经网络或SVM等更复杂的模型相比，决策树通常训练得相对较快。这一事实使得决策树回归模型适用于训练时间是一个重要因素的情况。 鲁棒性：决策树对数据中的异常值和噪声具有鲁棒性，因为每个决策都基于一组样本而不是单个观测，这有助于预测的稳定性和模型的可靠性 作者：Jonathan Pereira 新评论 原因: 取消 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
新文章 将ML模型与策略测试器集成（结论）：实现价格预测的回归模型已发布：
本文描述了一个基于决策树的回归模型的实现。该模型应预测金融资产的价格。我们已经准备好了数据，对模型进行了训练和评估，并对其进行了调整和优化。然而，需要注意的是，该模型仅用于研究目的，不应用于实际交易。
基于上述标准，在本文中，我决定使用决策树回归模型来预测收盘价。选择这种模型的理由如下：
性能：决策树通常适用于回归问题，因为它们能够捕捉变量之间的非线性关系和相互作用。通过适当调整模型超参数，如树深度和每片叶子的最小样本数，我们可以实现适应度和泛化之间的平衡。
可解释性：决策树的主要优势之一是其可解释性。决策树是基于属性及其值的一系列决策，使其易于理解。这有助于证明预测的合理性和了解影响收盘价的因素。
复杂性：决策树的复杂性可以通过调整模型的超参数来控制。有了这一点，我们可以在建模复杂关系的能力和模型的简单性之间找到平衡，同时避免过度拟合。
训练时间：与神经网络或SVM等更复杂的模型相比，决策树通常训练得相对较快。这一事实使得决策树回归模型适用于训练时间是一个重要因素的情况。
鲁棒性：决策树对数据中的异常值和噪声具有鲁棒性，因为每个决策都基于一组样本而不是单个观测，这有助于预测的稳定性和模型的可靠性
作者：Jonathan Pereira