EA-1370 · 机器学习
Schnick_Demo
该EA是一个支持向量机(SVM)学习工具的演示脚本。它基于预定义的'Schnick'分类函数生成合成训练数据,训练两个SVM(一个使用无误差数据,另一个使用随机插入误差的数据),然后测试并比较它们的分类准确率。该EA不执行任何实际交易。
打开交互版（权益曲线、切换品种）基本信息
回测结果（H1，约 1 年）
暂未回测：这个 EA 还没能自动转换。
策略分析
该EA的策略概念是基于支持向量机(SVM)的二元分类,通过7个输入特征(身高、体重、腿数、眼数、臂长、平均速度、叫声频率)来判断一个虚拟生物'施尼克'是否属于特定物种。入场条件并不涉及真实市场交易,而是在OnInit中一次性生成5000个训练样本,每个样本包含7个随机生成的特征值。出场条件同样不适用,因为该EA仅执行分类测试后在初始化阶段结束。仓位管理和资金管理完全不存在,因为这是一个纯粹的机器学习演示工具,不涉及任何金融交易逻辑。该EA通过对比无误差训练数据和含500个随机误差训练数据下的SVM准确率,展示了SVM对噪声数据的鲁棒性。分类决策边界由isItASchnick函数硬编码的多维度范围判断定义,本质上是一个多维超矩形分类问题。
优势
- 清晰展示了SVM在MQL5中的集成使用方法
- 通过对比无误差和有误差数据的训练结果,直观展示SVM对噪声的鲁棒性
- 代码结构清晰,函数划分合理,注释充分便于理解
劣势
- 不执行任何实际交易,仅是一个概念验证演示
- 分类标准硬编码在isItASchnick函数中,缺乏灵活性和实际市场适用性
- 训练和测试都在OnInit中一次性完成,无法在实时行情中持续学习和分类
改进建议
- 将SVM分类应用于真实市场指标数据,实现基于机器学习的交易信号生成
- 增加实时分类功能,在OnTick中使用已训练的SVM对新到数据进行分类并生成交易信号
风险评估
总体风险: 安全
- 该EA不执行交易,无市场风险
- 所有计算在初始化阶段完成,不影响运行时性能
评估得分
代码质量4.0
策略逻辑3.0
风险管理5.0
稳健性3.0
创新性4.0
文档4.0
综合3.8
参数
| 参数 | 默认值 | 说明 |
|---|---|---|
N_Inputs | 7 | SVM输入特征的数量 |
N_TrainingPoints | 5000 | 训练样本数量 |
N_TestPoints | 5000 | 测试样本数量 |
OP_TOLERANCE | 0.01 | SVM训练的误差容忍度参数 |
N (insertRandomErrors) | 500 | 插入到训练数据中的随机错误数量 |
同类 EA：机器学习
回测是历史模拟，不代表未来收益，不构成投资建议。