因果推理中的倾向性评分·综合运用
「堆叠模型里跑两遍 25 轮搜寻最优」
这段脚本在元学习框架里做两轮独立搜索，每轮都循环 25 次调用 learn_final_models，把返回的评估指标暂存进 options 列表，实时跟踪 best_res。第一轮把分箱阈值区间锁在 0.3~0.7，第二轮把下界压到 0.1，其他超参（models_number=5、iterations=25、depth=2、bad_samples_fraction=0.5、bins_number=25、coefficient=1.5、Use_IPW=False）完全一致，等于在更宽的下尾里重新探一遍模型表现。 从工程角度看，这种重复 25 轮、打印 'Learn i model' 的写法适合在 MT5 的 Python 环境或外接算力上跑；外汇与贵金属价格序列噪声大，这类集成搜索对过拟合敏感，调 lower_bound 从 0.3 降到 0.1 可能让少数极端样本获得更大权重，实盘前务必用历史数据回测验证。 代码逐行拆解：B_S_B = B_S_B.append(diff_negatives[diff_negatives == True].index) 是把差分结果为负的下标追加进列表；options=[] 与 best_res=0.0 初始化容器和最优值；for i in range(25) 控制 25 次迭代；options.append(...) 每次塞入一个模型元组；if options[-1][0] > best_res 拿本次指标更新最优；print('BEST: '+str(best_res)) 输出当前最佳。第二轮仅 lower_bound=0.1 不同，其余照搬。
B_S_B = B_S_B.append(diff_negatives[diff_negatives == True].index) options = [] best_res = class="num">0.0 for i in range(class="num">25): print(&class="macro">#x27;Learn &class="macro">#x27; + str(i) + &class="macro">#x27; model&class="macro">#x27;) options.append(learn_final_models(meta_learners(models_number=class="num">5, iterations=class="num">25, depth=class="num">2, bad_samples_fraction=class="num">0.5, bins_number=class="num">25, lower_bound=class="num">0.3, upper_bound=class="num">0.7, coefficient=class="num">1.5, Use_IPW=False))) if options[-class="num">1][class="num">0] > best_res: best_res = options[-class="num">1][class="num">0] print("BEST: " + str(best_res)) options = [] best_res = class="num">0.0 for i in range(class="num">25): print(&class="macro">#x27;Learn &class="macro">#x27; + str(i) + &class="macro">#x27; model&class="macro">#x27;) options.append(learn_final_models(meta_learners(models_number=class="num">5, iterations=class="num">25, depth=class="num">2, bad_samples_fraction=class="num">0.5, bins_number=class="num">25, lower_bound=class="num">0.1,
参数边界与筛选开关的写法
这段片段里，upper_bound 被设为 10.0，coefficient 取 1.5，Use_IPW 置为 True，说明在最优参数搜寻时把上界卡在 10 倍区间、放大系数 1.5 倍，并启用了逆概率加权来纠偏样本。 末尾用 options[-1][0] > best_res 做滚动比较，只有新算出的结果优于历史最优才更新 best_res，最后打印 BEST 对应的数值。 在 MT5 里验证时，可先把 upper_bound 从 10.0 降到 5.0 观察 best_res 收敛速度，外汇与贵金属波动剧烈，参数过宽可能过拟合，属于高风险调试。
upper_bound=class="num">10.0, coefficient=class="num">1.5, Use_IPW=True))) if options[-class="num">1][class="num">0] > best_res: best_res = options[-class="num">1][class="num">0] print("BEST: " + str(best_res))
◍ 倾向评分模型的边界与落地
倾向性评分把因果推断的框架搬进金融时间序列分类，理论根基扎实，但不是银弹。它最大的实际价值，是让训练出来的模型在新数据上仍能保留样本特征，不至于一过拟合就废。 缺点也得摊开说：匹配质量高度依赖特征工程，naive 匹配在 AUDCAD H1 这类低波动品种上容易吃掉信号；且外汇、贵金属本身高杠杆高风险，任何模型输出都只是概率倾向，不能直接当方向指令。 文末附的三个 py 文件里，propensity_matching_naive.py 训完会在目录吐出 catboost_info，若想接 MT5 实盘，得自己补 export_model_to_ONNX() 把模型转 ONNX——前一篇的存档函数可直接抄。跑通这条链路，你才算把因果推断真正压进了盯盘流程。