Los clasificadores basados en árboles suelen generar probabilidades excesivamente seguras, especialmente con etiquetas financieras ruidosas, por lo que la precisión puede parecer aceptable mientras las estimaciones de probabilidad son sistemáticamente demasiado extremas. Esta mala calibración afecta directamente el tamaño de las apuestas y el tamaño tipo Kelly, generando posiciones excesivamente grandes, mayores caídas y un crecimiento geométrico más débil. La calibración se evalúa con diagramas de confiabilidad más la puntuación de Brier (utilidad general), ECE (brecha promedio) y MCE (riesgo de cola en el peor caso), con bandas de confianza bootstrap para reflejar muestras independientes limitadas. Se comparan dos calibradores prácticos: regresión isotónica (no paramétrica, que preserva el rango, óptima con suficientes datos) y escalado de Platt (sigmoide, más estable con muestras pequeñas pero menos flexible). La restricción de ingeniería clave es evitar la fuga temporal. La calibración se ajusta sobre predicciones fuera de la muestra p... #MQL5 #MT5 #AITrading #Strategy https://t.co/YzqMoyifVC