Обсуждение статьи "Применение локализованного отбора признаков на Python и MQL5"

[MetaQuotes]

Опубликована статья Применение локализованного отбора признаков на Python и MQL5:

В настоящей статье рассматривается алгоритм отбора признаков, представленный в статье "Выбор локальных признаков для классификации данных» ('Local Feature Selection for Data Classification') Наргеса Арманфарда и соавторов (Narges Armanfard et al.). Алгоритм реализован на Python для построения моделей бинарных классификаторов, которые могут быть интегрированы с приложениями MetaTrader 5 для логического вывода.

При анализе финансового рынка индикаторы часто демонстрируют разную эффективность по мере изменения базовых условий. Например, изменчивая волатильность может сделать ранее надежные индикаторы неэффективными по мере изменения рыночных режимов. Эта изменчивость объясняет широкое распространение используемых трейдерами индикаторов, поскольку ни один индикатор не может стабильно работать во всех рыночных условиях. С точки зрения машинного обучения это требует гибкого метода отбора признаков, который может учитывать такое динамическое поведение.

Многие распространенные алгоритмы отбора признаков определяют приоритетность признаков, обладающих прогностической способностью во всем пространстве признаков. Этим признакам часто отдается предпочтение, даже если их взаимосвязи с целевой переменной нелинейны или находятся под влиянием других признаков. Однако это глобальное предубеждение может быть проблематичным, поскольку современные нелинейные модели могут извлекать ценную информацию из признаков с сильными локальными прогностическими возможностями или из тех, чьи связи с целевой переменной смещаются в определенных областях пространства признаков.

В настоящей статье мы исследуем алгоритм выбора признаков, представленный в статье Наргеса Арманфарда (Narges Armanfard), Джеймса П. Рейли (James P. Reilly) и Маджида Комейли (Majid Komeili) "Выбор локальных признаков для классификации данных» (“Local Feature Selection for Data Classification»). Данный метод направлен на выявление прогностических признаков, которые часто упускаются из вида традиционными методами отбора из-за своей ограниченной глобальной применимости. Начнем с общего обзора алгоритма, за которым последует его реализация на Python для создания моделей классификаторов, пригодных для экспорта в MetaTrader 5.

Автор: Francis Dube