文章 "在Python和MQL5中应用局部特征选择"

新评论
 

新文章 在Python和MQL5中应用局部特征选择已发布：

本文探讨了Narges Armanfard等人在论文《数据分类的局部特征选择》中介绍的一种特征选择算法。该算法使用Python实现，用于构建二元分类器模型，这些模型可以与MetaTrader 5应用程序集成以进行推理。

在金融市场分析中，指标的有效性往往随着底层条件的变化而变化。例如，波动率的变动可能会使先前可靠的指标在市场环境变化时显示无效。这种变化性解释了交易者使用的指标种类繁多的原因，因为没有任何单一指标能够在所有市场条件下始终表现良好。从机器学习的角度来看，这需要一种灵活的特征选择技术来适应这种动态行为。

许多常见的特征选择算法优先选择在整个特征空间中表现出预测能力的特征。即使这些特征与目标变量之间的关系是非线性的，或者受到其他特征的影响，它们通常也会受到青睐。然而，这种全局偏差可能会引发问题，因为现代非线性模型能够从具备强局部预测能力的特征，或与目标变量在特征空间特定区域内呈现关系变化的特征中，挖掘出有价值的线索。

在本文中，我们探讨了Narges Armanfard、James P. Reilly和Majid Komeili在论文《数据分类的局部特征选择》中介绍的一种特征选择算法。该方法旨在识别通常被传统选择技术忽视的预测特征，因为它们的全局作用有限。我们将从算法的一般概述开始，然后通过Python实现以创建适合导出到MetaTrader 5的分类器模型。


作者：Francis Dube

新评论