Các bộ phân loại dựa trên cây thường đưa ra xác suất quá tự tin, đặc biệt trong các nhãn tài chính nhiễu, do đó độ chính xác có thể trông chấp nhận được trong khi các ước lượng xác suất lại hệ thống quá cực đoan. Sự không điều chỉnh này直接影响 đến việc xác định kích thước lệnh và cách tính kích thước theo phong cách Kelly, dẫn đến vị thế quá lớn, mức giảm sâu hơn và tăng trưởng hình học yếu hơn. Việc điều chỉnh được đánh giá thông qua biểu đồ độ tin cậy cộng với điểm Brier (tính hữu ích tổng thể), ECE (khoảng cách trung bình) và MCE (rủi ro đuôi trong trường hợp xấu nhất), kèm theo các dải tin cậy bootstrap để phản ánh số lượng mẫu độc lập hạn chế. Hai bộ điều chỉnh thực tế được so sánh: hồi quy isotonic (không tham số, giữ nguyên thứ tự, tốt nhất khi có đủ dữ liệu) và phép scaling Platt (hàm sigmoid, ổn định hơn với mẫu nhỏ nhưng ít linh hoạt hơn). Ràng buộc kỹ thuật quan trọng là tránh rò rỉ thời gian. Việc điều chỉnh được huấn luyện trên các dự đoán ngoài mẫu p... #MQL5 #MT5 #AITrading #Strategy https://t.co/YzqMoyifVC