Neural Loss-Pattern Auditor - script pour MetaTrader 5

Les statistiques agrégées, telles que le taux de réussite ou le facteur de profit, ne permettent pas de déterminer si la probabilité d'une perte dépend d'une action récente du trader, comme le fait d'augmenter la taille de la position juste après une perte précédente. Neural Loss-Pattern Auditor analyse précisément ce type de schéma comportemental, directement à partir de l'historique des transactions du trader.

Le script principal construit un ensemble de données à huit caractéristiques pour chaque transaction clôturée et génère un rapport de diagnostic complet dans l'onglet « Experts » :

• Gain de précision — précision de validation du réseau entraîné par rapport à la précision obtenue en devinant systématiquement la classe majoritaire.
• Tableau d’étalonnage — prédiction moyenne de chaque intervalle de probabilité par rapport à la fréquence de perte réellement observée dans cet intervalle.
• Importance des caractéristiques par permutation — lesquelles des huit caractéristiques le réseau utilise réellement, classées en fonction de la baisse de précision lorsque cette colonne est mélangée.
• Un score composite (de A à F) combinant les trois diagnostics, accompagné de recommandations écrites.

Entrée. Avec la valeur par défaut InpUseDemoData=true, le script génère 480 transactions clôturées synthétiques présentant un schéma connu (augmentation de la taille de la position juste après une perte) et les analyse, de sorte que le résultat est immédiatement visible. Définissez InpUseDemoData=false pour lire à la place l’historique réel des transactions clôturées, via HistorySelect() et les fonctions HistoryDealGet*() ; aucun fichier ni CSV n’est nécessaire dans ce mode.

Paramètres. InpMinTrades définit le nombre minimum de transactions clôturées requis avant l’entraînement ; InpValidationFraction définit la proportion de l’historique le plus récent réservée à la validation ; InpHiddenNeurons, InpLearningRate et InpEpochs contrôlent le réseau ; InpCalibrationBins et InpPermutationRepeats contrôlent les deux diagnostics ; et InpWeightUplift, InpWeightCalibration, InpWeightTopFeature ainsi que les trois entrées *Scale et les quatre entrées Grade contrôlent le score composite.

L'outil est écrit en MQL5 pur. Il ne nécessite aucune bibliothèque externe, ni Python, ni aucun service d'IA d'aucune sorte. Une description complète de la méthode, des calculs mathématiques sous-jacents à chaque diagnostic et du code est disponible dans l'article : [ARTICLE_URL].