記事「MQL5における数値予測を強化するアンサンブル法」についてのディスカッション

[MetaQuotes]

新しい記事「MQL5における数値予測を強化するアンサンブル法」はパブリッシュされました:

この記事では、MQL5における複数のアンサンブル学習手法の実装を紹介し、それらの手法がさまざまな状況下でどの程度有効かを検証します。

機械学習では、性能に差のある複数の予測モデルが生成されることがよくあります。一般的には、それらのモデルを評価したうえで、実運用において最も高いパフォーマンスを示すモデルを選択するのが一般的です。しかし本記事では、一見すると劣っているように見えるモデルであっても、それらの出力を組み合わせることで、全体としての予測性能を向上させる可能性について検討します。予測の統合に用いるさまざまな手法を取り上げ、それらをMQL5のみでどのように実装できるかを示します。最後に、これらの手法を比較し、異なるシナリオにおける適用の適否について議論します。

モデルの予測を組み合わせるという考え方を形式的に定義するために、いくつかの重要な記法を導入しましょう。K個のデータ点からなる学習用データセットを考えます。各データ点はペア(xi,yi)として表され、ここでxi​は予測子ベクトル、 yi​は対応するスカラー応答変数です 。予測をおこなうことができるN個の訓練済みモデルがあると仮定します。ある入力ベクトルxに対して、モデルnが生成する予測をf_n​(x)とします。私たちの目標は、これらN個の個別予測をうまく統合し、単一のモデルよりも高精度な予測を実現するコンセンサス関数f(x)を構築することです。

作者: Francis Dube