程序库: RL 算法
也许，训练结果文件越大，拟合概率就越高。
如果样本不具代表性（在外汇交易中总是如此），那么是的。可以通过减少正则化来降低概率。
此外，目标超采样的问题尚未解决，结合输入超采样应该会得到更有趣的结果。
这样保存的随机森林文件总是很大，无法缩小。你可以使用线性方法，这样文件中就只有回归系数，重新训练的次数也会减少。
我最初只是对使用 RF 感兴趣。但在任何情况下，它都喜欢重新训练。
问题的关键是，最好只保存 learn=false 时使用的信息。如果信息太多，工作几乎就白费了。
打个比方，保存 BestInterval 数据。如果这些数据很少，你仍然可以不费吹灰之力地查看它们。但如果数量很多，就只能看图片了。
问题是，最好只保存 learn=false 时使用的信息。如果有很多信息，工作几乎就白费了。
打个比方，保存 BestInterval 数据。如果数量很少，你仍然可以不费吹灰之力地查看。但如果数量很多，那就只能看图片了。
嗯，是的，尤其是当解释性信息多于可解释性信息时--这是一个笑话:)
我稍后会提供该库的其他变体
我对它进行了测试，但印象模糊不清。我在使用 Weierstrass 函数公式 生成的自定义图表上进行了测试。
理论上，在这个自定义图表上，RandomForest 应该能找到非常接近 ZigZag 的入场点，或者至少不会出现亏损订单，在 TF H1 上，周期性被清晰地追踪到，但 RF 算是找到了这种模式，但也出现了亏损订单。
早些时候，我在 MT4 上用相同的数据测试了旧的 GoldWarrior Expert Advisor（在英文论坛上找到的）--一个 ZigZag 上的顾问，在 MT4 优化器中，在所有 TF（直到 M15）上都能清晰地找到模式，并且完全是 + 所有订单。
我测试了一个关于回归线交叉的指标智能交易系统（唉，我做的是订单，不能提供代码），这个智能交易系统在优化器中很快发现了 Weierstrass 函数的模式。
为什么要举这些例子呢？- 如果原始方法可以找到规律性，那么机器学习就更有义务找到它们。
恕我直言，作者的成果值得怀疑，或者说使用 RandomForest 的示例非常出色，但仍有努力的余地;）。
ZY：从 2000.01.01 到 2001.01.01 进行了训练 从 2001.01.01 到 2002.01.01 进行了测试
ZY: 附有自定义图表脚本，符号库在 KB 中
啊哈，谢谢！
我花了 20 分钟看了你的库，但还是没想明白，我今天不太专心，目的是测试作者的代码，看看 RandomForest 看到了什么。
更新了我的脚本，并附在上面
我在一个由 Weierstrass 函数生成的自定义图表上进行了测试，使用的公式 是
理论上，在这个自定义图表上，RandomForest应该能找到 非常接近之字形的入场点，或者至少不会出现亏损订单，而在 H1 TF 上，周期性是明显可追踪的，但 RF 发现了这种模式，但也出现了亏损订单。
早些时候，我在 MT4 上用相同的数据测试了旧版 GoldWarrior Expert Advisor（在英文论坛上找到）--ZigZag Expert Advisor，在 MT4 优化器中，在 M15 以下的所有 TF 上，它都明显发现了规律性，而且所有订单都是 +。
我测试了一个关于回归线交叉的指标顾问（唉，我做的是订单，不能提供代码），这个顾问在优化器中的 Weierstrass 函数上很快找到了规律性。
为什么要举这些例子呢？- 如果原始方法可以找到规律性，那么机器学习就更有义务找到它们。
恕我直言，作者的这一结果值得商榷，或者说使用 RandomForest 的例子非常好。）
SZY: 训练时间 2000.01.01 至 2001.01.01 测试时间 2001.01.01 至 2002.01.01
ZY：附带自定义图表脚本，KB 中的符号库
不，现在不是这样工作的。它不寻找任何谐波模式。输出是随机和频繁采样的，然后它会尽量逼近策略。为了逼近任何模式，它需要根据其他逻辑对输出进行采样，也许是相同的之字形。
这一切都很容易在 reward f-i 中改变。只是我现在没有那么多时间去做几百次实验。也许你可以通过优化器想出办法。
无论如何，你都需要定义一定范围的条件，在这些条件中寻找最佳变体。因为变体的数量是无限的。
RL 算法:
基于文章 "Random decision forest in reinforcement learning （强化学习中的随机决策森林）"的开发库。
作者： Maxim Dmitrievsky