文章 "因果推理中的倾向性评分"

[MetaQuotes]

新文章 因果推理中的倾向性评分已发布：

本文探讨因果推理中的匹配问题。匹配用于比较数据集中的类似观察结果，这对于正确确定因果关系和消除偏见是必要的。作者解释了这如何有助于构建基于机器学习的交易系统，这些系统在没有经过训练的新数据上变得更加稳定。倾向性评分在因果推理中起着核心作用并被广泛应用。

在本文中，我将介绍上 一篇文章中简要提到的匹配主题，或者更确切地说是它的一个变体 - 倾向性评分匹配。 

这很重要，因为我们有一组异构的标记数据。例如，在外汇市场中，每个单独的训练示例可能属于高波动性或低波动性区域。此外，有些示例在样本中出现的频率可能较高，而有些示例出现的频率则较低。当尝试确定此类样本中的平均因果效应 (ATE) 时，如果我们假设样本中的所有示例都具有相同的产生处理的倾向，我们将不可避免地遇到有偏差的估计。当试图获得条件平均处理效应（CATE）时，我们可能会遇到一个称为“维数灾难”的问题。

匹配是通过匹配处理组和对照组中的相似观察结果（或单位）来估计因果效应的一系列方法。匹配的目的是对相似的单位进行比较，以尽可能准确地估计真实的因果关系。

作者：Maxim Dmitrievsky

[Maxim Dmitrievsky]

https://www.mql5.com/zh/code/48482

文章中的模型存档（除了列表中的第一个模型），供您在不安装 Python 的情况下快速参考。

[Vetalson 1988]

您好，我使用了您的方法：propensity_matching_naive.py， 在参数中设置了 25 个模型的训练。训练结束后，在 python 目录下出现了 ：

catboost_info 。

我试着做了什么？加载 AUDCAD h1 报价，然后使用您的出版物 :https://www.mql5.com/zh/articles/14360 中的文件 :
propensity_matching_naive.py 。

我不知道下一步该做什么，是继续以 ONNX 格式保存，还是这种方法只能作为质量评估测试？:

catmodel propensity matching naive.onnx

catmodel_m 倾向匹配 naive.onnx

我平生第一次使用 pythom，安装没有问题，库也不难。我读了你的出版物，方法很严谨，但也许不是最简单的计算方法，我可能错了，一切都是相对的。

我附上了我在训练中得到的截图。

[Maxim Dmitrievsky]

Vetalson 1988 #:

您好，我使用了您的方法：propensity_matching_naive.py， 在参数中设置了 25 个模型的训练。训练结束后，在 python 目录下出现了一个文件夹： propensity_matching_naive.py：

catboost_info .

我试着做了什么？加载 AUDCAD h1 报价，然后使用您的出版物 :https://www.mql5.com/zh/articles/14360 中的文件 :
propensity_matching_naive.py 。

我不知道下一步该怎么做，是继续以 ONNX 格式保存，还是这种方法只能作为质量评估测试？:

catmodel propensity matching naive.onnx

catmodel_m 倾向匹配 naive.onnx

我有生以来第一次使用 pythom，安装起来没有问题，库也不难。我读了你的出版物，方法很严谨，但也许不是最简单的计算方法，我可能错了，一切都是相对的。

我附上了我在训练中得到的截图。

很好。在之前的文章中介绍了 2 种导出方法。

1. 较早的一种，将模型导出为本地 MQL 代码

2. 在后面的文章中导出为 onnx 格式。

我不记得本文的 python 文件中是否有模型导出函数。"export_model_to_ONNX()", 如果没有，你可以从前面的文章中获取。