文章 "利用CatBoost机器学习模型作为趋势跟踪策略的过滤器"
根据我自己的经验，我只能补充说，在三个月以上的数据上训练模型不会带来任何好处。模型应该能够捕捉当前的模式，并专注于这些模式。你需要贴近市场。
您的观点完全正确。根据我的经验，我也发现使用最近的数据更容易训练出能产生更好结果的模型。不过，主要问题是这种方法限制了训练集的规模，除非你使用的时间框架很短。根据学术论文，趋势跟踪策略在较长的时间框架内比在较短的时间框架内表现更好。因此，你可能会训练出一个可预测性更高但训练样本更少的模型，这很容易造成过度拟合，而原始策略的优势一开始就比较小。这些因素之间需要权衡，更不用说利差也会产生影响。
我的解决方案是，在保留旧数据的同时，为训练集中的新数据分配更大的权重。这样，我们既能适应制度转变后的新模式，又能从多年来保持一致的旧模式中获益。 不过，正如我之前提到的，这些决策总是需要权衡利弊。
你的观点完全正确。根据我的经验，我也发现使用最近的数据更容易训练出能产生更好结果的模型。不过，主要问题在于这种方法限制了训练集的规模，除非你使用的时间框架很短。根据学术论文，趋势跟踪策略在较长的时间框架内比在较短的时间框架内表现更好。因此，你可能会训练出一个可预测性更高但训练样本更少的模型，这很容易造成过度拟合，而原始策略的优势一开始就比较小。这些因素之间需要权衡，更不用说利差也会起到一定作用。
我的解决方案是，在保留旧数据的同时，为训练集中的新数据分配更大的权重。这样，我们既能适应制度转变后的新模式，又能从多年来保持一致的旧模式中获益。 不过，正如我之前提到的，这些决策总是需要权衡利弊。
每三个月使用最近三个月的数据对模型进行一次重新训练，或许就能达到目的。我稍后会尝试实现这个滚动模型优化的想法。谢谢你的建议。
我正在尝试按照您的说明进行操作，但遗憾的是，由于缺少文件参考和下载链接，我无法继续完成最终输出。
我会花时间教您遗漏了什么，因为这看起来是一个很好的过程。
您缺少：
1. FileCSV.mqh 的直接链接，这需要通过其他文章来获取。
2. 所有处理功能的声明
3.充分解释创建或下载文件的过程
CatOnnx.mqh
"\\Files\\CatBoost_Momentum_test.onnx" 4.
4.关于如何使用 pip 或类似工具安装 catboot 的直接链接和相关说明，确保您已安装了 python 所需的依赖项。(我不需要，但其他人需要知道） 5.
5.指导阅读 CB2.ipynb 说明和工作流程。
总之，这一切导致学生在你的文章读到一半时，只能花几个小时寻找正确的过程来完成教程并复制你的结果。
总的来说，我给这篇文章的信息打 4 分（满分 10 分），并为你的经典趋势跟踪策略加分，因为它编排得很好。
请对文章进行编辑，使其更具指导性和循序渐进性，以便我们都能学习和效仿。
PS
如果能就如何将其应用于其他策略提出建议，那就太好了！
请对文章进行编辑，使其更具指导性和循序渐进性，以便我们都能学习和效仿。
PS
如果能就如何将此方法应用于其他策略提出建议，那就再好不过了！
感谢您的反馈。遗憾的是，我最终只简单介绍了相关文章，因为我觉得这会占用太多篇幅，而且由于版权问题，我没有提供下载链接。详细内容最好还是从原文中获取。不过，我确实认为我忽略了一些对我的 python 代码的仔细说明，以及 python 说明的直接链接，尽管我为每一行都添加了注释。如果你在自己的实现过程中遇到具体障碍，可以在这里讨论或加我聊天。
- www.mql5.com
我在玩CatBoost，发现在 2024 年（全部）数据上训练的策略在 2024 年回溯测试（在 MetaTrader 中）时能产生大于 300% 的收益，但在其他年份的表现却很差。有人有这方面的经验吗？直观感觉是过度拟合，但即使我用更低的迭代次数（如 1k）进行训练，也会得到相同的结果。
我使用 ~40 - 50 个特征对分钟数据进行训练，因此每年大约有 250,000 行数据。.cbm 文件的大小往往是迭代次数的 1000 倍（例如，1000 次迭代 = 1MB，10000 次迭代 = 10MB，以此类推）。在 Metatrader 上进行的回溯测试限制了我的回溯测试速度，大约 100,000MB 的回溯测试才会停止。我可以用 C++ 进行任意大容量的回溯测试，但 Metatrader 和 C++ 的收益却大相径庭。
我使用 ~40 - 50 个特征对分钟数据进行训练，因此每年大约有 250,000 行数据。.cbm 文件的大小往往是迭代次数的 1000 倍（例如，1000 次迭代 = 1MB，10000 次迭代 = 10MB，以此类推）。在 Metatrader 上进行的回溯测试限制了我的回溯测试速度，大约 100,000MB 的回溯测试才会停止。我可以用 C++ 进行任意大容量的回溯测试，但 Metatrader 和 C++ 的收益却大相径庭。
您好。首先，MetaTrader 反向测试仪会考虑点差和佣金，这可能是它与您在 C++ 中的结果不同的原因。其次，在我看来，机器学习本质上是一个过度拟合的过程。有很多方法可以减少过度拟合，比如集合、剔除和特征工程。但归根结底，样本内总是比样本外要好得多。使用机器学习预测金融时间序列是一个老问题。如果你想预测收益率（我假设是因为你说的是 25 万行），那么噪音是意料之中的，因为你和其他玩家的预测目标是一样的。而我在这篇文章中介绍的是一种金属标签法，由于预测目标仅限于自己的策略，因此噪音较小，但可学习的样本较少，使得复杂性约束更加严格。我建议降低对 ML 方法的期望值，并探索减少过度拟合的方法。
谢谢你这么快就回复了一个超过 6 个月的主题。这里有很多值得思考的问题。我正在适应巨大的参数空间，并试图找到减少过度拟合的方法。
再次感谢！
新文章 利用CatBoost机器学习模型作为趋势跟踪策略的过滤器已发布：
在商品交易（CTA）策略开发领域，有一条经验法则：每个策略想法背后都最好有清晰、直观的解释。这不仅是人们最初构思策略想法的方式，更有助于避免过拟合问题。即便在使用机器学习模型时，这一建议也同样适用。我们将尝试解释这一想法背后的直觉。
为何这一方法可能奏效：
CatBoost模型会创建决策树，这些决策树接收特征输入并输出每种结果的概率。在本例中，我们仅针对二元结果（1代表盈利，0代表亏损）进行训练。模型会调整决策树中的规则，以最小化训练数据集中的损失函数。如果模型在样本外测试结果中展现出一定的预测能力，我们就可以考虑用它来过滤掉那些盈利概率较低的交易，从而提升整体盈利能力。
对于像我们这样的散户交易者而言，现实期望是，我们训练的模型不会像先知一样精准无误，而只会比随机游走略胜一筹。提高模型精度的途径有很多，我将在后文讨论，但即便只是微小的改进，也是值得尝试的。
作者：Zhuo Kai Chen