机器学习模型的变量评估和选择·综合运用
（3/3）·从清理、规范化到RandomUniformForests与RoughSets双视角，收尾变量集与训练集协同筛选
◍ 均匀随机森林的分类基线表现
用 300 棵树的均匀随机森林跑二分类，训练集与测试集各传入 x/y，mtry=1、nodesize=2、双线程。模型类型明确为 Classification，OOB 错误率 20.2%，1% 偏差边界 21.26%，袋外 AUC 0.798，说明在不调参的裸配置下已有可参考的判别力。 测试集独立验证错误率 19.97%，ROC 面积 0.8003，F1 0.7966，与 OOB 估计几乎一致，过拟合迹象弱。Breiman 边界给出期望误差 18.42%、上界 27.76%，树间平均相关性仅 0.0472，森林多样性足够。 全局变量重要度里 cci 的 score 2568、在 class 1 中出现频率 0.50 且覆盖 100% 样本，signal 的 score 2438、频率 0.51 覆盖 94.92%。这两者是目前最具预测性的特征，开 R 终端复述 summary(ruf) 就能看到完整排序。 外汇与贵金属行情受宏观事件扰动，这类信号仅代表历史样本中的概率倾向，实盘使用前建议在 MT5 用对应周期数据重算特征分布。
randomUniformForest.class="kw">default(X = x.train, Y = y.train, xtest = x.test, ytest = y.test, ntree = class="num">300, mtry = class="num">1, nodesize = class="num">2, threads = class="num">2)
特征贡献排名里 slowD 排在最前
上面这张表是某次特征筛选后，按重要性得分排出来的指标序列。slowD 以 2437 分排第一，oscK 2410 分紧随，ADX 2400 分、vol 2395 分、atr 2392 分依次往下，到第 15 位的 tr 也有 2217 分，整体分差并不大，说明这些指标在模型里权重接近。 所有列入的 15 个特征，percent.importance 一列清一色是 7，等于说筛选器没有给任何一个特征打更低的重要等级，它们都被视为同档有效输入。 做外汇或贵金属策略时，这种平权结果提示你：别只盯 slowD，ADX、ATR 这类趋势与波动因子同样在起作用。MT5 里把这几列指标拉进特征矩阵跑一遍，看看你的样本集是否也给出类似的紧凑分数带。
「随机森林在 EURUSD 信号集上的实测表现」
把 15 分钟 EURUSD 的 13 个技术指标丢进随机森林做二分类（-1 空头 / 1 多头），单棵树平均节点数 1213、中位数 1313，叶节点平均 607 个，树深实测 10 层，接近平衡树的 11 层理论值。 测试集误判率 19.97%，ROC 曲线下面积 0.8003，PR 曲线下面积 0.7991，F1 分数 0.7969。混淆矩阵里空头类错判率 0.2105、多头类 0.1881，说明模型对反向样本略敏感，外汇品种高杠杆下这种偏差可能放大滑点风险。 变量重要度排前三的是 CCI（score 2568，100% 频率出现在判别路径）、signal（2438，94.92%）、slowD（2437，94.90%），ADX 虽 score 2400 但 class 标为 -1，提示它更多在空头分支起作用。 跑这套只需在 MT5 导出的 CSV 上用 R 的 randomUniformForest 包：predict 后 model.stats 直接出误差与曲线，importance 设 maxInteractions=3 就能拿到上面的交互重要度表。
◍ 变量重要度与相互作用的排序表
上面这张表是某次特征筛选后，按重要度降序列出的 15 个技术指标变量。第 6 行 vol 的索引值为 2395、符号位为 1、权重 0.51、累计重要度 93.24；到第 15 行 tr 时索引降到 2217、权重 0.52、累计重要度仅剩 86.31，说明越靠后的变量对模型的边际贡献越小。 紧随其后的 percent.importance 列给出了每个变量的局部重要度百分比：前 12 个变量（索引 1~12）统一为 7，第 13~15 个掉到 6。这个跳变点提示，在构建 MT5 上的自定义指标或 EA 特征集时，排名 13 以后的变量可能已不值得保留。 原文还提到，变量间的相互作用会针对 10 个一阶和二阶最重要的变量进行计算——也就是对每个变量，去算它和其他变量在同一顺序上的相互影响。外汇与贵金属市场波动剧烈、杠杆风险高，这类相互作用分析只能作为特征降维的参考，实际信号概率仍受行情结构影响。 开 MT5 把 vol、atr、sign、vsig、ar 这几个排前面的变量先接进你的指标原型，跑一遍样本外数据，看看累计重要度掉到 90 以下时是不是正好对应着过拟合拐点。
指标互相关矩阵里的隐性层级
把 11 个常用震荡与波动指标两两算相关系数，会得到一张对称的互相关表。上半部分以 cmo 为行首时，cmo 对 cci 的相关系数为 0.1933，对 cmo 自身当然是 1，但对 slowD 只有 0.1345，对 atr 跌到 0.1088，对 chv 仅 0.1062。 下半部分换以 ADX、tr、ar 等列为参照，cmo 对 ADX 相关系数 0.1026，对 tr 0.1022，对 ar 0.1013，对 vsig 0.1000，到 sign 剩 0.0964。cci 对 ADX 则更低，只有 0.0864。 这张表透露一件事：趋势类（ADX、DX）和波动类（atr、tr）与摆动类（cmo、cci、slowD）的相关性普遍低于 0.11，说明在 MT5 里把它们直接叠进同一个信号加权池，大概率会引入冗余度偏低的噪声而非互补。 开 MT5 用 OnTester 跑一遍 Correlation 矩阵，把自己常用的 5 个指标贴进去，看对角外最大值是否超过 0.19，超过就考虑降权其中一个。外汇与贵金属杠杆高，这类统计结论只代表样本内倾向，实盘仍可能失真。
「随机森林挑出的关键指标排序」
把 EURUSD 的 1 小时序列喂进随机均匀森林做变量重要度评估，基于相互作用的前 10 个变量里，cmo 拿到 0.1447、cci 0.1419，两者明显甩开第三名 slowD 的 0.0877，说明动量类指标在样本内对方向区分贡献最大。 按分类标签拆开看，Class -1（跌）和 Class 1（涨）的重要度分布有偏移：cci 在涨侧冲到 0.23、跌侧 0.16，cmo 则是跌侧 0.20、涨侧 0.18，意味着同一指标在多空两端的判别权重并不对称。 代码里用 Cs() 把 cci、cmo、slowD、oscK、signal、tr、ADX、chv、atr、ar 这 10 个变量锁成 best，再分别切出训练集和测试集的对应列。你在 MT5 里导出这 10 个指标到 csv，用 R 的 randomUniformForest 跑一遍，能复现上面那张重要度表。 外汇与贵金属为高杠杆品种，模型重要度只反映历史样本结构，实盘信号失效概率不低，参数和品种切换后需重测。
> best <- Cs(cci, cmo, slowD, oscK, signal, tr, ADX. chv, atr, ar) > x.tr <- x.train[ ,best] > x.tst <- x.test[ ,best] > ruf.opt <- randomUniformForest(X = x.tr, + Y = y.train, + xtest = x.tst,
◍ 随机均匀森林的袋外评估与测试集误差
把分类标记从 -1/1 转成 1/2 只是内部替换的便利操作，不影响模型对外判定的逻辑。真正要看的是 randomUniformForest 在 300 棵树、nodesize=1、mtry='random'、双线程下的实际表现。 袋外（OOB）误差率落在 18.69%，1% 偏差边界为 19.67%；OOB 混淆矩阵里 -1 类错分 253 个、1 类错分 241 个，两类 class.error 分别为 0.1899 与 0.1838，说明样本均衡度尚可。OOB 的 AUC 读到 0.8131，AUPR 0.7381，F1 0.8125。 Breiman 边界给出：在近似平衡类下期望预测误差 14.98%，上界 28.18%；树间平均相关仅 0.0666，强度 margin 0.5548。低相关性是高维外汇特征下泛化倾向不崩的底气。 用 predict 对 x.tst 跑响应预测，再拿 model.stats 核对 y.test，测试集错误率 17.55%，略优于 OOB 估计。外汇与贵金属行情高风险，这套指标只代表历史样本概率，实盘须以 MT5 接数据重跑验证。
ytest = y.test, ntree = class="num">300, mtry = "random", nodesize = class="num">1, threads = class="num">2)
随机森林的特征重要度拆解
用优化后的随机森林跑测试集，混淆矩阵显示 -1 类错分 124 个、1 类错分 108 个，class.error 分别为 0.1834 与 0.1672；ROC 曲线下面积 0.8245，PR 曲线下面积 0.8212，F1 0.8226，几何均值 0.8244，说明这套特征组合在样本外有中等偏上的判别力。 通过 importance(ruf.opt, Xtest = x.tst) 提取全局重要度，按信息增益 score 排序取前 10：atr(3556)、oscK(3487)、chv(3465)、signal(3432)、cci(3424)、slowD(3415)、ADX(3397)、ar(3369)、tr(3221)、cmo(3177)。其中 atr、oscK、ADX、ar、cmo 更倾向判别 -1 类，chv、signal、cci、slowD、tr 更倾向判别 1 类，class.frequency 都在 0.50~0.53 之间。 光看 score 不够，还得把 class 与 class.frequency 一起核对，才能知道哪些变量是真正具判别能力的，而不是单纯信息量大。外汇与贵金属波动受事件驱动，模型外推存在失效可能，实盘前务必在 MT5 用历史数据复算一遍重要度排名。 局部变量重要度可进一步看单样本贡献，避免被全局均值掩盖个别行情下的特征反转。
> imp.ruf.opt <- importance(ruf.opt, Xtest = x.tst)「指标交叉影响的量化读数」
把 10 个一阶与二阶关键变量两两配对，能算出每个变量在各自排序位上对其它变量的相互作用强度。表格里横纵都是 atr、cci、oscK、slowD、ADX、tr、chv 等常见波动与摆动类指标，数值越大代表该组合的解释权重越高。 以 cci 行为例，它对 atr 的作用读数为 0.1748，对 cci 自身排序后的首变量为 0.1625，对 oscK 为 0.1620，随后 slowD、ADX、tr、chv 依次落到 0.1439–0.1349 区间。atr 作为行首时，对同列变量的读数从 0.1650 递减到 0.1251，整体比 cci 行低约 0.01 个点，说明在样本里 cci 的边缘影响力略占优。 二阶部分（avg2ndOrder 列）把信号、ar、cmo 等再压缩一层：cci 对应的二阶值为 0.1412，atr 为 0.1313，oscK 为 0.1249，越往后越小。做特征筛选时，可以直接砍掉 cmo 这类二阶值仅 0.0939 的尾段变量，给 MT5 上的自定义 EA 减负。 别把正态当圣经 这些相互作用值是特定样本窗口的统计产物，换周期或品种会漂移；外汇与贵金属杠杆高、滑点突发的特性会放大误判，实盘前务必用历史数据重算一遍再决定保留哪几个变量。
◍ 随机森林里真正扛事的那几个指标
把训练好的随机森林模型在测试集上跑变量重要度，能看到基于相互作用的 Top10 里 atr 拿 0.1341、cci 0.1335、oscK 0.1218，chv 和 slowD 都在 0.095 上下，signal 与 ar 约 0.085–0.090，这说明波动率与超买超卖类特征对分类贡献最实。 分标签拆开看更有意思：Class -1（空头样本）中 atr 重要度 0.17、oscK 0.16，而 tr 只有 0.03；到了 Class 1（多头样本）tr 反而跳到 0.16，atr 降到 0.14。同一指标在不同方向样本里的权重漂移，提示你做多空不对称过滤时不能直接共用阈值。 用 partialImportance 对两个类别分别算相对影响，class «-1» 得到 67.41%、class «1» 得到 64.45%，都基于 x.tst 测试集。这个落差说明模型在识别空头形态时更依赖少数核心变量，多头侧分布相对分散。 想自己复现，把下面这段 R 风格调用直接接在你的 imp.ruf.opt 模型对象后面就能出图，MT5 导出的 tick 特征矩阵喂进 x.tst 即可：
> plot(imp.ruf.opt, Xtest = x.tst) > pd.signal <- partialDependenceOverResponses(x.tst, + imp.ruf.opt, + whichFeature = "signal", + whichOrder = "all" + ) > pd.tr <- partialDependenceOverResponses(x.tst, imp.ruf.opt, whichFeature = "tr", whichOrder = "all" ) > pd.chv <- partialDependenceOverResponses(x.tst, imp.ruf.opt, whichFeature = "chv", whichOrder = "all") > par.imp.ruf <- partialImportance(X = x.tst, + imp.ruf.opt, + whichClass = "-class="num">1") Relative influence: class="num">67.41% Based on x.tst and class «-class="num">1» > par.imp.ruf <- partialImportance(X = x.tst, + imp.ruf.opt, + whichClass = "class="num">1") Relative influence: class="num">64.45% > par.dep.class="num">1 <- partialDependenceBetweenPredictors(Xtest = x.tst, + imp.ruf.opt, + features = Cs(atr, cci), + whichOrder = "all",
ATR与CCI的一二阶交互实测
在 perspective = T 的视角下，ATR 与 CCI 的一阶交互水平为 0.1748，覆盖了具备最大水平特征的 99.97%；二阶交互水平降到 0.1526，对应 87.28% 的最大水平特征。这说明两者在首阶就几乎绑定了绝大部分非线性信息，二阶残差已明显衰减。 分类分布图用于观察：当变量对中某一个落在特定区间时，另一个变量同属某一类的概率。若同类命中为 TRUE，则该变量在预测当前分类时，可能对其他变量产生牵引。依赖性面板则对变量对给出交叉制表，评估它们在同一类预测下的依赖强度。 热力图直接标出相关性最强的格子，颜色越深相关越强。起决定作用的变量，最可能是全局重要度最高的那个，或是高阶相互作用突出的那个——前者看「全局变量重要度」，后者看「基于互相作用的变量重要度」。 下方 R 代码用 RoughSets 把训练集与测试集转成决策表（第16列作决策属性），再做全局可辨识启发式离散化。summary 显示 DX 在 [-Inf,12.5] 有 948 条、ATR 在 (20.7,Inf] 有 1106 条，这类分布不均会直接影响粗糙集规则泛化，做贵金属回测时须留意样本偏斜带来的高风险。
> library(RoughSets) 加载所需的包： Rcpp > require(magrittr) > data.tr <- SF.asDecisionTable(data.f[idx$tr, ], + decision.attr = class="num">16, + indx.nominal = class="num">16) > data.tst <- SF.asDecisionTable(data.f[idx$ts, ], + decision.attr = class="num">16, + indx.nominal = class="num">16 + ) > true.class <- data.tst[ ,ncol(data.tst)] > cut.values <- D.global.discernibility.heuristic.RST(data.tr) > data.tr.d <- SF.applyDecTable(data.tr, cut.values) > summary(data.tr.d)
「指标联合分布的样本频数切片」
把多指标状态做分箱后，直接看样本落在各区间的频数，比单看一个指标更有参考价值。下面这张联合分布表来自 2642 个样本（sign 与 slowD 覆盖全样本，即 2642 条），其余指标按阈值切段统计频次。 tr 与 atr 的配对显示：低频波动段 [-Inf,0.00072] 有 1288 个样本，而高波动段 (0.00196,Inf] 仅 203 个，说明绝大多数时刻市场处于低 tr 状态。cci 在 (-6.61,Inf] 有 1356 个、[-Inf,-6.61] 有 1286 个，多空临界附近分布接近对称。 cmo 在 [-Inf,5.81] 有 1480 个样本，占全样本 56%，而 (54.1,Inf] 仅 232 个，极端超买出现的机会偏低。vsig 在 [-Inf,0.0252] 有 1637 个、 (0.0252,Inf] 有 1005 个，波动率信号偏谨慎的样本更多。 在 MT5 里用 OnCalculate 累积这些分箱计数，可以实时观察当下样本相对历史频数的偏离；若某指标突然落入极低频区间，可能提示状态异常，但外汇和贵金属属高风险品种，频数异常不等于方向确定性。
◍ 粗糙集约简后的特征与分类命中率
用快速约简在训练集上跑了一遍，留下的决策属性是 DX、ADX、oscDX、ar、tr、atr、cci、chv、cmo、vsig、oscK、signal、vol，共 13 个维度，其余指标被约掉。 把约简结果套回测试集做离散化后，用置信度 0.9、覆盖次数 3 生成近似量化规则（AQRules），预测分布为 -1 类 655 个、1 类 667 个，两类数量接近。 模糊矩阵显示：真实 -1 预测对 497、错判 1 类 163；真实 1 预测对 504、错判 -1 类 158。整体 Accuracy 0.7572，95% 置信区间 (0.7331, 0.7801)，No Information Rate 0.5045，P-Value 小于 2e-16，说明该规则集显著优于随机基线。 外汇与贵金属市场波动剧烈、杠杆风险高，这套约简+规则映射仅供 MT5 外接 R 环境复算验证，实盘信号概率仍受时段与流动性影响。
实例筛选后规则集的混淆矩阵表现
在训练集上跑 FRIS 实例筛选（阈值 tau=0.5、alpha=1、t.tnorm+lukasiewicz 聚合）后，样本量从原始数据压缩到 2353 行，相当于砍掉近半冗余样本，规则提取前先做了一层降噪。 用 AQRules 生成置信度 0.9、覆盖次数≥3 的规则集，对测试集预测得到 -1 类 638 个、1 类 684 个，分布与真实占比 0.4826 接近，没有明显偏移。 混淆矩阵显示：真实 -1 预测 -1 为 506，真实 -1 误判 1 为 132；真实 1 预测 1 为 530，误判 -1 为 154。整体准确率 0.7837，95% 置信区间 (0.7605, 0.8056)，显著高于无信息率 0.5174（p<2e-16）。 Kappa 从初版 0.5144 提升到 0.5673，平衡准确率 0.7840，敏感度 0.7931、特异度 0.7749。外汇与贵金属行情受突发流动性影响，这类统计优势只代表样本内概率倾向，实盘仍需以 MT5 历史中心回测验证。
「关联规则里的前件区间与样本支撑」
上面这段 R 输出是从某次关联规则挖掘里截出来的 head(rules) 结果，类别标记里 'Positive' Class 设为 -1，说明我们把下跌样本当成正类在跑。 规则的前件落在三个区间：变量 6 取值 (85.1, Inf]、变量 4 取值 (0.00137, Inf]、变量 11 取值 (0.0374, Inf]，后件统一是 '1'（即正类标签）。这种写法意味着当三个特征同时突破各自阈值时，模型倾向把它判为下跌倾向样本。 支撑样本索引列了 68 个 bar 编号，从 1335 到 2643，说明该规则在总样本里覆盖了至少这 68 根 K 线；laplace 修正值为 0.9857143，接近 1 表示在平滑后置信度仍偏高。 外汇与贵金属属高风险品种，这类规则只是历史样本的统计关联，换周期或换品种后支撑集可能大幅缩水，开 MT5 用相同特征阈值回测自己的品种才能真正看清失效边界。
&class="macro">#x27;Positive&class="macro">#x27; Class : -class="num">1 > head(rules) [[class="num">1]] [[class="num">1]]$idx [class="num">1] class="num">6 class="num">4 class="num">11 [[class="num">1]]$values [class="num">1] "(class="num">85.1, Inf]" "(class="num">0.00137, Inf]" "(class="num">0.0374, Inf]" [[class="num">1]]$consequent [class="num">1] "class="num">1" [[class="num">1]]$support [class="num">1] class="num">1335 class="num">1349 class="num">1363 class="num">1368 class="num">1372 class="num">1390 class="num">1407 class="num">1424 class="num">1449 class="num">1454 [class="num">11] class="num">1461 class="num">1472 class="num">1533 class="num">1546 class="num">1588 class="num">1590 class="num">1600 class="num">1625 class="num">1630 class="num">1661 [class="num">21] class="num">1667 class="num">1704 class="num">1720 class="num">1742 class="num">1771 class="num">1777 class="num">1816 class="num">1835 class="num">1851 class="num">1877 [class="num">31] class="num">1883 class="num">1903 class="num">1907 class="num">1912 class="num">1913 class="num">1920 class="num">1933 class="num">1946 class="num">1955 class="num">1981 [class="num">41] class="num">1982 class="num">1998 class="num">2002 class="num">2039 class="num">2040 class="num">2099 class="num">2107 class="num">2126 class="num">2128 class="num">2191 [class="num">51] class="num">2195 class="num">2254 class="num">2272 class="num">2298 class="num">2301 class="num">2326 class="num">2355 class="num">2356 class="num">2369 class="num">2396 [class="num">61] class="num">2472 class="num">2489 class="num">2497 class="num">2531 class="num">2564 class="num">2583 class="num">2602 class="num">2643 [[class="num">1]]$laplace class="num">1 class="num">0.9857143
◍ 把工具请下神坛
这套围绕预测因子评估、可视化与筛选的方法，核心落在了相关性分析和多档重要度分级上——实验里观察到，把高相关因子强行并入模型，回测拟合度虚高但样本外表现倾向走弱。下一阶段才会把结论喂给 RBM 深度网络，本篇只是把地基打完。 评论区里有人拿「实时少 300 根 K 线」挑刺，作者回复 Dig 只是报价小数位（5 或 3），这类细节恰恰说明工具链离「直接实盘」还有手工校准的缝隙。外汇与贵金属杠杆高、滑点跳空频繁，任何因子方案都只是概率优势，不是免死金牌。 真要验证，开 MT5 把你自己品种的 Dig 填对，跑一遍分层标注和贪婪筛选，看树叶稳定性再说信不信。