Neural Loss-Pattern Auditor - скрипт для MetaTrader 5

Агрегированные статистические показатели, такие как процент выигрышных сделок или коэффициент прибыльности, не могут показать, зависит ли вероятность убытка от того, что трейдер только что сделал, например, от увеличения размера позиции сразу после предыдущего убытка. Инструмент «Neural Loss-Pattern Auditor» проверяет именно такие поведенческие паттерны, работая непосредственно с историей сделок самого трейдера.

Основной скрипт формирует набор данных из восьми характеристик для каждой закрытой сделки и выводит полный диагностический отчет на вкладку «Эксперты»:

• Повышение точности — точность валидации обученной сети по сравнению с точностью, получаемой при постоянном угадывании класса большинства.
• Таблица калибровки — среднее прогнозируемое значение каждого интервала вероятности по сравнению с фактической наблюдаемой частотой убытков в данном интервале.
• Важность признаков при перестановке — на какие из восьми признаков сеть фактически опирается, ранжированные по падению точности при перестановке данного столбца.
• Совокупная оценка (от A до F), объединяющая эти три диагностических показателя, с письменными рекомендациями.

Входные данные. При значении по умолчанию InpUseDemoData=true скрипт генерирует 480 синтетических закрытых сделок с известным встроенным паттерном (увеличение размера позиции сразу после убытка) и анализирует их, поэтому результат отображается сразу. Установите InpUseDemoData=false, чтобы вместо этого считывать реальную историю закрытых сделок с помощью функций HistorySelect() и HistoryDealGet*(); в этом режиме не требуется ни файл, ни CSV-файл.

Параметры. InpMinTrades задаёт минимальное количество закрытых сделок, необходимое перед обучением; InpValidationFraction определяет, какая часть самой последней истории откладывается для валидации; InpHiddenNeurons, InpLearningRate и InpEpochs управляют сетью; InpCalibrationBins и InpPermutationRepeats управляют двумя диагностическими процедурами; а InpWeightUplift, InpWeightCalibration, InpWeightTopFeature, а также три входа *Scale и четыре входа Grade управляют совокупной оценкой.

Инструмент написан на чистом MQL5. Он не требует никаких внешних библиотек, Python или каких-либо сервисов искусственного интеллекта. Полное описание метода, математические основы каждой диагностической функции и исходный код доступны в статье: [ARTICLE_URL].