Neural Loss-Pattern Auditor - script per MetaTrader 5

Le statistiche aggregate, come la percentuale di vincita o il fattore di profitto, non sono in grado di indicare se la probabilità di una perdita dipenda da ciò che il trader ha appena fatto, ad esempio l’aumento della dimensione della posizione subito dopo una perdita precedente. Neural Loss-Pattern Auditor verifica proprio questo tipo di modello comportamentale, direttamente sulla cronologia delle operazioni del trader stesso.

Lo script principale crea un set di dati composto da otto caratteristiche per ogni operazione chiusa e genera un rapporto diagnostico completo nella scheda «Esperti»:

• Aumento dell’accuratezza — l’accuratezza di validazione della rete addestrata rispetto all’accuratezza ottenuta indovinando sempre la classe maggioritaria.
• Tabella di calibrazione — la previsione media di ciascun intervallo di probabilità rispetto alla frequenza effettiva di perdita osservata in quell’intervallo.
• Importanza delle caratteristiche per permutazione — su quali delle otto caratteristiche si basa effettivamente la rete, classificate in base al calo di accuratezza quando quella colonna viene rimescolata.
• Un punteggio composito (da A a F) che combina le tre metriche diagnostiche, corredato da raccomandazioni scritte.

Input. Con l’impostazione predefinita InpUseDemoData=true, lo script genera 480 operazioni di chiusura sintetiche con un modello noto (dimensione della posizione maggiore subito dopo una perdita) e le analizza, in modo che l’output sia immediatamente visibile. Impostare InpUseDemoData=false per leggere invece la cronologia reale delle operazioni chiuse, tramite HistorySelect() e le funzioni HistoryDealGet*(); in questa modalità non è necessario alcun file o CSV.

Parametri. InpMinTrades imposta il numero minimo di operazioni chiuse richieste prima dell’addestramento; InpValidationFraction imposta la percentuale della cronologia più recente da riservare alla validazione; InpHiddenNeurons, InpLearningRate e InpEpochs controllano la rete; InpCalibrationBins e InpPermutationRepeats controllano le due diagnostiche; mentre InpWeightUplift, InpWeightCalibration, InpWeightTopFeature, insieme ai tre input *Scale e ai quattro Grade, controllano il punteggio composito.

Lo strumento è scritto in MQL5 puro. Non richiede librerie esterne, né Python, né alcun tipo di servizio di intelligenza artificiale. Una descrizione completa del metodo, dei calcoli alla base di ciascuna diagnostica e del codice è disponibile nell’articolo: [ARTICLE_URL].