ツリーベースの分類器は、特にノイズの多い金融ラベルにおいて、過信された確率を出力することが多く、正確性は妥当に見える一方で、確率推定は系統的に極端になりがちです。この不適切なキャリブレーションは、ベットサイズやケリー型のサイズ決定に直接影響し、過大な保有資産、より深い下落、そして弱い幾何学的成長を引き起こします。 キャリブレーションの評価には、信頼性ダイアグラムとBrierスコア（全体的な有用性）、ECE（平均ギャップ）、MCE（最悪の場合のテールリスク）を使用し、ブートストラップ信頼区間を用いて独立サンプルの制限を反映します。 二つの実用的なキャリブレーターを比較します：等調回帰（ノンパラメトリック、順位保存、十分なデータがある場合に最適）とプラットスケーリング（シグモイド、小規模サンプルでは安定しているが柔軟性は低い）。 重要なエンジニアリング上の制約は、時間的リークを回避することです。キャリブレーションは、アウト・オブ・フォールド予測 p に基づいて適合されます... #MQL5 #MT5 #AITrading #Strategy https://t.co/YzqMoyifVC