Zhouさん、興味深い記事とコードサンプルをありがとうございました。私の場合、動作させるためにいくつかのPythonコンポーネントを手動でインストールする必要がありました。これがどこから来ているのか、重要なことなのか、私にはわかりません。
5802
プロパティまたは値がMQL5でサポートされていません。
linfo2 #:
Zhouさん、興味深い記事とコードサンプルをありがとうございました。私の場合、動作させるためにいくつかのPythonコンポーネントを手動でインストールする必要がありました。これがどこから来ているのか、重要なことなのか、私にはわかりません。
Zhouさん、興味深い記事とコードサンプルをありがとうございました。私の場合、動作させるためにいくつかのPythonコンポーネントを手動でインストールする必要がありました。これがどこから来ているのか、重要なことなのか、私にはわかりません。
5802
プロパティまたは値がMQL5でサポートされていません。
ご指摘ありがとうございます。pip installの部分は無視されましたが、関連ライブラリをまだインストールしていない場合はインストールする必要があります。
エラーの原因は、モデルのトレーニングで使用されたディメンションが、EAで使用されたディメンションと異なっているためかもしれません。例えば、5つのフィーチャーでモデルをトレーニングした場合、EAでも4や6ではなく、5つのフィーチャーを入力する必要があります。より詳細なウォークスルーは、この記事のリンクに あります。お役に立てれば幸いです。そうでない場合は、より多くの文脈を提供してください。

Utilizing CatBoost Machine Learning model as a Filter for Trend-Following Strategies
- www.mql5.com
CatBoost is a powerful tree-based machine learning model that specializes in decision-making based on stationary features. Other tree-based models like XGBoost and Random Forest share similar traits in terms of their robustness, ability to handle complex patterns, and interpretability. These models have a wide range of uses, from feature analysis to risk management. In this article, we're going to walk through the procedure of utilizing a trained CatBoost model as a filter for a classic moving average cross trend-following strategy. This article is meant to provide insights into the strategy development process while addressing the challenges one may face along the way. I will introduce my workflow of fetching data from MetaTrader 5, training machine learning model in Python, and integrating back to MetaTrader 5 Expert Advisors. By the end of this article, we will validate the strategy through statistical testing and discuss future aspirations extending from the current approach.

取引の機会を逃しています。
- 無料取引アプリ
- 8千を超えるシグナルをコピー
- 金融ニュースで金融マーケットを探索
新しい記事「ダーバスボックスブレイクアウト戦略における高度な機械学習技術の探究」はパブリッシュされました:
ニコラス・ダーバスによって考案された「ダーバスボックスブレイクアウト戦略」は、株価が一定の「ボックス」レンジを上抜けたときに強い上昇モメンタムが示唆されることから、買いシグナルを見極めるためのテクニカル取引手法です。本記事では、この戦略コンセプトを例として用い、機械学習の3つの高度な技術を探っていきます。それは、取引をフィルタリングするのではなくシグナルを生成するために機械学習モデルを使用すること、離散的ではなく連続的なシグナルを用いること、異なる時間枠で学習されたモデルを使って取引を確認すること、の3点です。これらの手法は、従来のアプローチを超えてアルゴリズム取引を強化するうえで、機械学習の新たな活用法を提示します。
本記事では、教育現場ではあまり取り上げられられない、革新的で高度な3つの技術の特徴と理論を深く掘り下げて解説します。 また、モデル学習過程における特徴量エンジニアリングやハイパーパラメータの調整といった上級トピックにも触れます。ただし、機械学習モデルの学習ワークフローのすべてのステップを詳細に扱うわけではありません。省略された手順に興味のある読者は、実装プロセスの完全版を以下の記事リンクよりご確認ください。
作者: Zhuo Kai Chen