梯度提升是一種強(qiáng)大的機(jī)器學(xué)習(xí)算法。該方法產(chǎn)生了一個(gè)弱模型的集合（例如，決策樹），其中（與赫茲股票交易量化軟件相反）模型是按順序構(gòu)建的，而不是獨(dú)立地（并行地）構(gòu)建的。這意味著下一棵樹從上一棵樹的錯(cuò)誤中學(xué)習(xí)，然后重復(fù)這個(gè)過程，增加了弱模型的數(shù)量。這就建立了一個(gè)強(qiáng)大的模型，可以使用異構(gòu)數(shù)據(jù)進(jìn)行泛化。在這個(gè)實(shí)驗(yàn)中，我使用了Yandex開發(fā)的赫茲股票交易量化軟件庫，它與 XGBoost和 LightGBM 一起是最流行的庫之一。

本文的目的是演示如何創(chuàng)建一個(gè)基于機(jī)器學(xué)習(xí)的模型。創(chuàng)建過程包括以下步驟：

• 接收和預(yù)處理數(shù)據(jù)

• 使用準(zhǔn)備好的數(shù)據(jù)訓(xùn)練模型

• 在自定義策略測試器中測試模型

• 將模型移植到赫茲股票交易量化軟件

Python 語言和 赫茲股票交易量化軟件庫用于準(zhǔn)備數(shù)據(jù)和訓(xùn)練模型。

準(zhǔn)備數(shù)據(jù)

導(dǎo)入所需的 Python 模塊：

import MetaTrader5 as mt5 import pandas as pd import numpy as np from datetime import datetime import random import matplotlib.pyplot as plt from catboost import CatBoostClassifier from sklearn.model_selection import train_test_split mt5.initialize() # check for gpu devices is availible from catboost.utils import get_gpu_device_count print('%i GPU devices' % get_gpu_device_count())

然后初始化所有全局變量：

LOOK_BACK = 250 MA_PERIOD = 15 SYMBOL = 'EURUSD' MARKUP = 0.0001 TIMEFRAME = mt5.TIMEFRAME_H1 START = datetime(2020, 5, 1) STOP = datetime(2021, 1, 1)

這些參數(shù)的作用如下：

• look_back — 分析歷史的深度

• ma_period ?— 用于計(jì)算價(jià)格增量的移動(dòng)平均周期數(shù)

• symbol — 應(yīng)當(dāng)在 MetaTrader 5 終端中載入的交易品種報(bào)價(jià)

• markup ?— 用于自定義測試器的點(diǎn)差大小

• timeframe ?— 應(yīng)當(dāng)載入數(shù)據(jù)的時(shí)間框架

• start, stop ?— 數(shù)據(jù)范圍赫茲股票交易量化軟件

讓我們編寫一個(gè)函數(shù)，直接接收原始數(shù)據(jù)并創(chuàng)建一個(gè)包含訓(xùn)練所需列的數(shù)據(jù)幀：

def get_prices(look_back = 15): ? ?prices = pd.DataFrame(mt5.copy_rates_range(SYMBOL, TIMEFRAME, START, STOP), ? ? ? ? ? ? ? ? ? ? ? ? ? ?columns=['time', 'close']).set_index('time') ? ?# set df index as datetime ? ?prices.index = pd.to_datetime(prices.index, unit='s') ? ?prices = prices.dropna() ? ?ratesM = prices.rolling(MA_PERIOD).mean() ? ?ratesD = prices - ratesM ? ?for i in range(look_back): ? ? ? ?prices[str(i)] = ratesD.shift(i) ? ?return prices.dropna()

函數(shù)接收指定時(shí)間段的收盤價(jià)并計(jì)算移動(dòng)平均值，然后計(jì)算增量（價(jià)格和移動(dòng)平均值之間的差）。在最后一步中，它通過 look_back 來計(jì)算額外的列，其中的行向后移動(dòng)到歷史中，這意味著向模型中添加額外的（滯后的）特性。赫茲股票交易量化軟件

例如，對于 look_back=10，數(shù)據(jù)幀中將包含10個(gè)額外的列，其價(jià)格增量為：

>>> pr = get_prices(look_back=LOOK_BACK) >>> pr ? ? ? ? ? ? ? ? ? ? ? close ? ? ? ? 0 ? ? ? ? 1 ? ? ? ? 2 ? ? ? ? 3 ? ? ? ? 4 ? ? ? ? 5 ? ? ? ? 6 ? ? ? ? 7 ? ? ? ? 8 ? ? ? ? 9 time 2020-05-01 16:00:00 ?1.09750 ?0.001405 ?0.002169 ?0.001600 ?0.002595 ?0.002794 ?0.002442 ?0.001477 ?0.001190 ?0.000566 ?0.000285 2020-05-01 17:00:00 ?1.10074 ?0.004227 ?0.001405 ?0.002169 ?0.001600 ?0.002595 ?0.002794 ?0.002442 ?0.001477 ?0.001190 ?0.000566 2020-05-01 18:00:00 ?1.09976 ?0.002900 ?0.004227 ?0.001405 ?0.002169 ?0.001600 ?0.002595 ?0.002794 ?0.002442 ?0.001477 ?0.001190 2020-05-01 19:00:00 ?1.09874 ?0.001577 ?0.002900 ?0.004227 ?0.001405 ?0.002169 ?0.001600 ?0.002595 ?0.002794 ?0.002442 ?0.001477 2020-05-01 20:00:00 ?1.09817 ?0.000759 ?0.001577 ?0.002900 ?0.004227 ?0.001405 ?0.002169 ?0.001600 ?0.002595 ?0.002794 ?0.002442 ... ? ? ? ? ? ? ? ? ? ? ?... ? ? ? ... ? ? ? ... ? ? ? ... ? ? ? ... ? ? ? ... ? ? ? ... ? ? ? ... ? ? ? ... ? ? ? ... ? ? ? ... 2020-11-02 23:00:00 ?1.16404 ?0.000400 ?0.000105 -0.000581 -0.001212 -0.000999 -0.000547 -0.000344 -0.000773 -0.000326 ?0.000501 2020-11-03 00:00:00 ?1.16392 ?0.000217 ?0.000400 ?0.000105 -0.000581 -0.001212 -0.000999 -0.000547 -0.000344 -0.000773 -0.000326 2020-11-03 01:00:00 ?1.16402 ?0.000270 ?0.000217 ?0.000400 ?0.000105 -0.000581 -0.001212 -0.000999 -0.000547 -0.000344 -0.000773 2020-11-03 02:00:00 ?1.16423 ?0.000465 ?0.000270 ?0.000217 ?0.000400 ?0.000105 -0.000581 -0.001212 -0.000999 -0.000547 -0.000344 2020-11-03 03:00:00 ?1.16464 ?0.000885 ?0.000465 ?0.000270 ?0.000217 ?0.000400 ?0.000105 -0.000581 -0.001212 -0.000999 -0.000547 [3155 rows x 11 columns]

黃色高亮顯示表示每列都有相同的數(shù)據(jù)集，但有一個(gè)偏移量。因此，每一行都是一個(gè)單獨(dú)的訓(xùn)練實(shí)例。

創(chuàng)建訓(xùn)練標(biāo)簽（隨機(jī)抽樣）

訓(xùn)練實(shí)例是特征及其相應(yīng)標(biāo)簽的集合。模型必須輸出一定的信息，模型必須學(xué)會(huì)預(yù)測這些信息。讓我們考慮二元分類，其中模型將預(yù)測將訓(xùn)練示例確定為類0或1的概率。0和1可用于交易方向：買入或賣出。換句話說，模型必須學(xué)會(huì)預(yù)測給定環(huán)境參數(shù)（一組特征）的交易方向。赫茲股票交易量化軟件

def add_labels(dataset, min, max): ? ?labels = [] ? ?for i in range(dataset.shape[0]-max): ? ? ? ?rand = random.randint(min, max) ? ? ? ?if dataset['close'][i] >= (dataset['close'][i + rand]): ? ? ? ? ? ?labels.append(1.0) ? ? ? ?elif dataset['close'][i] <= (dataset['close'][i + rand]): ? ? ? ? ? ?labels.append(0.0) ? ? ? ? ? ? ? ? ? ? ?else: ? ? ? ? ? ?labels.append(0.0) ? ?dataset = dataset.iloc[:len(labels)].copy() ? ?dataset['labels'] = labels ? ?dataset = dataset.dropna() ? ?return dataset

add_labels 函數(shù)隨機(jī)（在最小、最大范圍內(nèi)）設(shè)置每筆交易的持續(xù)時(shí)間（以柱形為單位）。通過更改最大和最小持續(xù)時(shí)間，您可以更改交易采樣頻率。因此，如果當(dāng)前價(jià)格大于下一個(gè)“rand”柱向前的價(jià)格，這就是賣出標(biāo)簽（1）。在相反的情況下，標(biāo)簽是0。讓我們看看應(yīng)用上述函數(shù)后數(shù)據(jù)集的外觀：

>>> pr = add_labels(pr, 10, 25) >>> pr ? ? ? ? ? ? ? ? ? ? ? close ? ? ? ? 0 ? ? ? ? 1 ? ? ? ? 2 ? ? ? ? 3 ? ? ? ? 4 ? ? ? ? 5 ? ? ? ? 6 ? ? ? ? 7 ? ? ? ? 8 ? ? ? ? 9 ?labels time 2020-05-01 16:00:00 ?1.09750 ?0.001405 ?0.002169 ?0.001600 ?0.002595 ?0.002794 ?0.002442 ?0.001477 ?0.001190 ?0.000566 ?0.000285 ? ? 1.0 2020-05-01 17:00:00 ?1.10074 ?0.004227 ?0.001405 ?0.002169 ?0.001600 ?0.002595 ?0.002794 ?0.002442 ?0.001477 ?0.001190 ?0.000566 ? ? 1.0 2020-05-01 18:00:00 ?1.09976 ?0.002900 ?0.004227 ?0.001405 ?0.002169 ?0.001600 ?0.002595 ?0.002794 ?0.002442 ?0.001477 ?0.001190 ? ? 1.0 2020-05-01 19:00:00 ?1.09874 ?0.001577 ?0.002900 ?0.004227 ?0.001405 ?0.002169 ?0.001600 ?0.002595 ?0.002794 ?0.002442 ?0.001477 ? ? 1.0 2020-05-01 20:00:00 ?1.09817 ?0.000759 ?0.001577 ?0.002900 ?0.004227 ?0.001405 ?0.002169 ?0.001600 ?0.002595 ?0.002794 ?0.002442 ? ? 1.0 ... ? ? ? ? ? ? ? ? ? ? ?... ? ? ? ... ? ? ? ... ? ? ? ... ? ? ? ... ? ? ? ... ? ? ? ... ? ? ? ... ? ? ? ... ? ? ? ... ? ? ? ... ? ? ... 2020-10-29 20:00:00 ?1.16700 -0.003651 -0.005429 -0.005767 -0.006750 -0.004699 -0.004328 -0.003475 -0.003769 -0.002719 -0.002075 ? ? 1.0 2020-10-29 21:00:00 ?1.16743 -0.002699 -0.003651 -0.005429 -0.005767 -0.006750 -0.004699 -0.004328 -0.003475 -0.003769 -0.002719 ? ? 0.0 2020-10-29 22:00:00 ?1.16731 -0.002276 -0.002699 -0.003651 -0.005429 -0.005767 -0.006750 -0.004699 -0.004328 -0.003475 -0.003769 ? ? 0.0 2020-10-29 23:00:00 ?1.16740 -0.001648 -0.002276 -0.002699 -0.003651 -0.005429 -0.005767 -0.006750 -0.004699 -0.004328 -0.003475 ? ? 0.0 2020-10-30 00:00:00 ?1.16695 -0.001655 -0.001648 -0.002276 -0.002699 -0.003651 -0.005429 -0.005767 -0.006750 -0.004699 -0.004328 ? ? 1.0

添加了“l(fā)abels”列，其中分別包含買入和賣出的類別號（0或1）?，F(xiàn)在，每個(gè)訓(xùn)練示例或功能集（這里是10個(gè)）都有自己的標(biāo)簽，它指示在什么條件下應(yīng)該買入，在什么條件下應(yīng)該賣出（即它屬于哪個(gè)類）。模型必須能夠記住和泛化這些例子-這個(gè)能力將在后面討論。赫茲股票交易量化軟件

開發(fā)自定義測試器

因?yàn)槲覀冋趧?chuàng)建一個(gè)交易系統(tǒng)，所以最好有一個(gè)策略測試器來進(jìn)行及時(shí)的模型測試。下面是此類測試器的示例：

def tester(dataset, markup = 0.0): ? ?last_deal = int(2) ? ?last_price = 0.0 ? ?report = [0.0] ? ?for i in range(dataset.shape[0]): ? ? ? ?pred = dataset['labels'][i] ? ? ? ?if last_deal == 2: ? ? ? ? ? ?last_price = dataset['close'][i] ? ? ? ? ? ?last_deal = 0 if pred <=0.5 else 1 ? ? ? ? ? ?continue ? ? ? ?if last_deal == 0 and pred > 0.5: ? ? ? ? ? ?last_deal = 1 ? ? ? ? ? ?report.append(report[-1] - markup + (dataset['close'][i] - last_price)) ? ? ? ? ? ?last_price = dataset['close'][i] ? ? ? ? ? ?continue ? ? ? ?if last_deal == 1 and pred <=0.5: ? ? ? ? ? ?last_deal = 0 ? ? ? ? ? ?report.append(report[-1] - markup + (last_price - dataset['close'][i])) ? ? ? ? ? ?last_price = dataset['close'][i] ? ? ? ? ?return report

tester 函數(shù)接受一個(gè)數(shù)據(jù)集和一個(gè)“標(biāo)記”（可選）并檢查整個(gè)數(shù)據(jù)集，類似于在 MetaTrader 5 測試器中的操作。在每一個(gè)新柱都會(huì)檢查一個(gè)信號（標(biāo)簽），當(dāng)標(biāo)簽改變時(shí)，交易就會(huì)反轉(zhuǎn)。因此，賣出信號作為結(jié)束買入頭寸和打開賣出頭寸的信號?，F(xiàn)在，讓我們測試上述數(shù)據(jù)集：赫茲股票交易量化軟件

pr = get_prices(look_back=LOOK_BACK) pr = add_labels(pr, 10, 25) rep = tester(pr, MARKUP) plt.plot(rep) plt.show()

編輯切換為居中

不計(jì)入點(diǎn)差測試原始數(shù)據(jù)集

編輯切換為居中

以70個(gè)五位小數(shù)點(diǎn)差測試原始數(shù)據(jù)集

這是一種理想化的圖像（這就是我們希望模型工作的方式）。由于標(biāo)簽是隨機(jī)抽樣的，這取決于一系列參數(shù)，這些參數(shù)決定了交易的最短和最長壽命，因此曲線總是不同的。盡管如此，它們都會(huì)表現(xiàn)出一個(gè)很好的點(diǎn)增長（沿Y軸）和不同的交易數(shù)量（沿X軸）。赫茲股票交易量化軟件

訓(xùn)練 CatBoost 模型

現(xiàn)在，讓我們直接開始訓(xùn)練模型。首先，讓我們將數(shù)據(jù)集分成兩個(gè)樣本：訓(xùn)練和驗(yàn)證。這用于減少模型過擬合。當(dāng)模型繼續(xù)在訓(xùn)練子樣本上訓(xùn)練，試圖最小化分類誤差時(shí)，同樣的誤差也在驗(yàn)證子樣本上測量。如果這些誤差的差別很大，則該模型被稱為過擬合。相反，接近值表示模型的訓(xùn)練是正確的。赫茲股票交易量化軟件

#splitting on train and validation subsets X = pr[pr.columns[1:-1]] y = pr[pr.columns[-1]] train_X, test_X, train_y, test_y = train_test_split(X, y, train_size = 0.5, test_size = 0.5, shuffle=True)

在隨機(jī)混合訓(xùn)練示例之后，讓我們將數(shù)據(jù)分成兩個(gè)長度相等的數(shù)據(jù)集。接下來，創(chuàng)建并訓(xùn)練模型：

#learning with train and validation subsets model = CatBoostClassifier(iterations=1000, ? ? ? ? ? ? ? ? ? ? ? ?depth=6, ? ? ? ? ? ? ? ? ? ? ? ?learning_rate=0.01, ? ? ? ? ? ? ? ? ? ? ? ?custom_loss=['Accuracy'], ? ? ? ? ? ? ? ? ? ? ? ?eval_metric='Accuracy', ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?verbose=True, ? ? ? ? ? ? ? ? ? ? ? ?use_best_model=True, ? ? ? ? ? ? ? ? ? ? ? ?task_type='CPU') model.fit(train_X, train_y, eval_set = (test_X, test_y), early_stopping_rounds=50, plot=False)

該模型采用了許多參數(shù)，但并非所有參數(shù)都顯示在本例中。如果您想微調(diào)模型，可以參考文檔，這通常不是必需的。CatBoost 在開箱即用的情況下工作得很好，只需最少的調(diào)整。

以下是模型參數(shù)的簡要說明：

• iterations — 模型中樹的最大數(shù)目。模型在每次迭代后都會(huì)增加弱模型（樹）的數(shù)量，因此請確保設(shè)置足夠大的值。根據(jù)我的實(shí)踐，對于這個(gè)特定的例子，1000次迭代通常已經(jīng)足夠了。赫茲股票交易量化軟件

• depth ?— 每棵樹的深度。深度越小，模型越粗糙-輸出的交易越少。深度在6到10之間似乎是最佳的。

• learning_rate ?— 梯度步長值；這與神經(jīng)網(wǎng)絡(luò)中使用的原理相同。合理的參數(shù)范圍為0.01～0.1。值越低，模型訓(xùn)練的時(shí)間就越長。但在這種情況下，它可以找到更好的結(jié)果。赫茲股票交易量化軟件

• custom_loss, eval_metric ?— 用于評估模型的度量。分類的經(jīng)典標(biāo)準(zhǔn)是“準(zhǔn)確度”

• use_best_model ?— 在每一步中，模型都會(huì)評估“準(zhǔn)確性”，這可能會(huì)隨著時(shí)間的推移而改變。此標(biāo)志允許以最小的誤差保存模型，否則最后一次迭代得到的模型將被保存。赫茲股票交易量化軟件

• task_type ?— 允許在GPU上訓(xùn)練模型（默認(rèn)情況下使用CPU）。這只適用于非常大的數(shù)據(jù)；在其他情況下，在GPU內(nèi)核上執(zhí)行訓(xùn)練的速度比在處理器上執(zhí)行訓(xùn)練的速度慢。

• early_stopping_rounds ?— 該模型有一個(gè)內(nèi)置的過擬合檢測器，其工作原理簡單。如果度量在指定的迭代次數(shù)內(nèi)停止減少/增加（對于“精確度”，它停止增加），則訓(xùn)練停止。

訓(xùn)練開始后，控制臺將顯示每個(gè)迭代中模型的當(dāng)前狀態(tài)：

170: ? ?learn: 1.0000000 ? ? ? ?test: 0.7712509 best: 0.7767795 (165) ? total: 11.2s ? ?remaining: 21.5s 171: ? ?learn: 1.0000000 ? ? ? ?test: 0.7726330 best: 0.7767795 (165) ? total: 11.2s ? ?remaining: 21.4s 172: ? ?learn: 1.0000000 ? ? ? ?test: 0.7733241 best: 0.7767795 (165) ? total: 11.3s ? ?remaining: 21.3s 173: ? ?learn: 1.0000000 ? ? ? ?test: 0.7740152 best: 0.7767795 (165) ? total: 11.3s ? ?remaining: 21.3s 174: ? ?learn: 1.0000000 ? ? ? ?test: 0.7712509 best: 0.7767795 (165) ? total: 11.4s ? ?remaining: 21.2s 175: ? ?learn: 1.0000000 ? ? ? ?test: 0.7726330 best: 0.7767795 (165) ? total: 11.5s ? ?remaining: 21.1s 176: ? ?learn: 1.0000000 ? ? ? ?test: 0.7712509 best: 0.7767795 (165) ? total: 11.5s ? ?remaining: 21s 177: ? ?learn: 1.0000000 ? ? ? ?test: 0.7740152 best: 0.7767795 (165) ? total: 11.6s ? ?remaining: 21s 178: ? ?learn: 1.0000000 ? ? ? ?test: 0.7719419 best: 0.7767795 (165) ? total: 11.7s ? ?remaining: 20.9s 179: ? ?learn: 1.0000000 ? ? ? ?test: 0.7747063 best: 0.7767795 (165) ? total: 11.7s ? ?remaining: 20.8s 180: ? ?learn: 1.0000000 ? ? ? ?test: 0.7705598 best: 0.7767795 (165) ? total: 11.8s ? ?remaining: 20.7s Stopped by overfitting detector ?(15 iterations wait) bestTest = 0.7767795439 bestIteration = 165

在上面的例子中，過擬合檢測器在第180次迭代時(shí)觸發(fā)并停止訓(xùn)練。此外，控制臺還顯示訓(xùn)練子樣本（learn）和驗(yàn)證子樣本（test）的統(tǒng)計(jì)信息，以及總的模型訓(xùn)練時(shí)間（僅20秒）。在輸出時(shí)，訓(xùn)練子樣本的準(zhǔn)確度最好為1.0（與理想結(jié)果相對應(yīng)），驗(yàn)證子樣本的準(zhǔn)確度為0.78，雖然更差，但仍高于0.5（被認(rèn)為是隨機(jī)的）。最佳迭代是165 - 模型已經(jīng)保存了?，F(xiàn)在，我們可以在測試器中測試：

#test the learned model p = model.predict_proba(X) p2 = [x[0]<0.5 for x in p] pr2 = pr.iloc[:len(p2)].copy() pr2['labels'] = p2 rep = tester(pr2, MARKUP) plt.plot(rep) plt.show()

X - 是包含特征但沒有標(biāo)簽的源數(shù)據(jù)集。為了得到標(biāo)簽，有必要從訓(xùn)練模型中獲得標(biāo)簽，并預(yù)測分配到0類或1類的“p”概率。由于該模型生成兩個(gè)類的概率，而我們只需要0或1，因此“p2”變量只接收第一維（0）中的概率。此外，原始數(shù)據(jù)集中的標(biāo)簽將替換為模型預(yù)測的標(biāo)簽。以下是測試器中的結(jié)果：赫茲股票交易量化軟件

編輯切換為居中

抽樣交易后的理想結(jié)果

編輯切換為居中

在模型輸出時(shí)得到的結(jié)果

如您所見，模型學(xué)習(xí)得很好，這意味著它記住了訓(xùn)練示例，并且在驗(yàn)證集上顯示了比隨機(jī)結(jié)果更好的結(jié)果。讓我們進(jìn)入最后一個(gè)階段：導(dǎo)出模型并創(chuàng)建一個(gè)交易機(jī)器人。

將模型移植到 赫茲股票交易量化軟件

赫茲股票交易量化軟件允許直接從 Python 程序進(jìn)行交易，因此不需要移植模型。但是，我想檢查我的自定義測試器，并將其與標(biāo)準(zhǔn)策略測試器進(jìn)行比較。此外，編譯好的機(jī)器人的可用性在許多情況下都很方便，包括在VPS上的使用（在這種情況下，您不必安裝Python）。因此，我編寫了一個(gè)輔助函數(shù)，它將準(zhǔn)備好的模型保存到 MQH 文件中。函數(shù)如下：

def export_model_to_MQL_code(model): ? ?model.save_model('catmodel.h', ? ? ? ? ? format="cpp", ? ? ? ? ? export_parameters=None, ? ? ? ? ? pool=None) ? ?code = 'double catboost_model' + '(const double &features[]) { \n' ? ?code += ' ? ?' ? ?with open('catmodel.h', 'r') as file: ? ? ? ?data = file.read() ? ? ? ?code += data[data.find("unsigned int TreeDepth"):data.find("double Scale = 1;")] ? ?code +='\n\n' ? ?code+= 'return ' + 'ApplyCatboostModel(features, TreeDepth, TreeSplits , BorderCounts, Borders, LeafValues); } \n\n' ? ?code += 'double ApplyCatboostModel(const double &features[],uint &TreeDepth_[],uint &TreeSplits_[],uint &BorderCounts_[],float &Borders_[],double &LeafValues_[]) {\n\ ? ?uint FloatFeatureCount=ArrayRange(BorderCounts_,0);\n\ ? ?uint BinaryFeatureCount=ArrayRange(Borders_,0);\n\ ? ?uint TreeCount=ArrayRange(TreeDepth_,0);\n\ ? ?bool ? ? binaryFeatures[];\n\ ? ?ArrayResize(binaryFeatures,BinaryFeatureCount);\n\ ? ?uint binFeatureIndex=0;\n\ ? ?for(uint i=0; i<FloatFeatureCount; i++) {\n\ ? ? ? for(uint j=0; j<BorderCounts_[i]; j++) {\n\ ? ? ? ? ?binaryFeatures[binFeatureIndex]=features[i]>Borders_[binFeatureIndex];\n\ ? ? ? ? ?binFeatureIndex++;\n\ ? ? ? }\n\ ? ?}\n\ ? ?double result=0.0;\n\ ? ?uint treeSplitsPtr=0;\n\ ? ?uint leafValuesForCurrentTreePtr=0;\n\ ? ?for(uint treeId=0; treeId<TreeCount; treeId++) {\n\ ? ? ? uint currentTreeDepth=TreeDepth_[treeId];\n\ ? ? ? uint index=0;\n\ ? ? ? for(uint depth=0; depth<currentTreeDepth; depth++) {\n\ ? ? ? ? ?index|=(binaryFeatures[TreeSplits_[treeSplitsPtr+depth]]<<depth);\n\ ? ? ? }\n\ ? ? ? result+=LeafValues_[leafValuesForCurrentTreePtr+index];\n\ ? ? ? treeSplitsPtr+=currentTreeDepth;\n\ ? ? ? leafValuesForCurrentTreePtr+=(1<<currentTreeDepth);\n\ ? ?}\n\ ? ?return 1.0/(1.0+MathPow(M_E,-result));\n\ ? ?}' ? ?file = open('C:/Users/dmitrievsky/AppData/Roaming/MetaQuotes/Terminal/D0E8209F77C8CF37AD8BF550E51FF075/MQL5/Include/' + 'cat_model' + '.mqh', "w") ? ?file.write(code) ? ?file.close() ? ?print('The file ' + 'cat_model' + '.mqh ' + 'has been written to disc')

函數(shù)代碼看起來既奇怪又笨拙，經(jīng)過訓(xùn)練的模型對象被輸入到函數(shù)中，然后以C++格式保存對象：

model.save_model('catmodel.h', ? ? ? ? ? format="cpp", ? ? ? ? ? export_parameters=None, ? ? ? ? ? pool=None)

然后創(chuàng)建一個(gè)字符串，并使用標(biāo)準(zhǔn) Python 函數(shù)將 C++ 代碼解析為MQL5：

code = 'double catboost_model' + '(const double &features[]) { \n' ? ?code += ' ? ?' ? ?with open('catmodel.h', 'r') as file: ? ? ? ?data = file.read() ? ? ? ?code += data[data.find("unsigned int TreeDepth"):data.find("double Scale = 1;")] ? ?code +='\n\n' ? ?code+= 'return ' + 'ApplyCatboostModel(features, TreeDepth, TreeSplits , BorderCounts, Borders, LeafValues); } \n\n'

在上述操作之后，將插入此庫中的“ApplyCatboostModel”函數(shù)。它根據(jù)保存的模型和傳遞的特征向量，返回（0；1）范圍內(nèi)的計(jì)算結(jié)果。

之后，我們需要指定赫茲股票交易量化軟件 終端的 \\Include 文件夾的路徑，模型將保存到該文件夾中。因此，在設(shè)置所有參數(shù)后，只需單擊一下即可對模型進(jìn)行訓(xùn)練，并立即保存為MQH文件，這非常方便。這個(gè)選項(xiàng)也很好，因?yàn)檫@是用 Python 教授模型的常見和流行的實(shí)踐。

在 MetaTrader 5 中編寫一個(gè) EA 交易

在訓(xùn)練和保存 CatBoost 模型之后，我們需要編寫一個(gè)簡單的 EA 進(jìn)行測試：

#include <MT4Orders.mqh> #include <Trade\AccountInfo.mqh> #include <cat_model.mqh> sinput int look_back = 50; sinput int MA_period = 15; sinput int ? ? ?OrderMagic = 666; ? ? ? //Orders magic sinput double ? MaximumRisk=0.01; ? ? ? //Maximum risk sinput double ? CustomLot=0; ? ? ? ? ? ?//Custom lot input int stoploss = 500; static datetime last_time=0; #define Ask SymbolInfoDouble(_Symbol, SYMBOL_ASK) #define Bid SymbolInfoDouble(_Symbol, SYMBOL_BID) int hnd;

現(xiàn)在，連接保存的 cat_model.mqh 和由fxsaber提供的赫茲股票交易量化軟件

look_back 和 MA_period 參數(shù)的設(shè)置必須與在 Python 程序中訓(xùn)練時(shí)指定的完全一致，否則將引發(fā)錯(cuò)誤。

此外，在每一個(gè)柱上，我們檢查模型的信號，其中輸入增量向量（價(jià)格和移動(dòng)平均值之間的差異）：

if(!isNewBar()) return; ? double ma[]; ? double pr[]; ? double ret[]; ? ArrayResize(ret, look_back); ? CopyBuffer(hnd, 0, 1, look_back, ma); ? CopyClose(NULL,PERIOD_CURRENT,1,look_back,pr); ? for(int i=0; i<look_back; i++) ? ? ?ret[i] = pr[i] - ma[i]; ? ArraySetAsSeries(ret, true); ? double sig = catboost_model(ret);