在机器学习的世界里，因果推理的主要目标是确定我们能否根据训练好的机器学习算法做出决策。MT5官方平台下载提供的不仅仅是一个交易平台，它还集成了先进的分析工具，使得交易者能够利用机器学习技术来提高交易决策的质量。在这里，我们并不总是对预测的准确性和频率感兴趣，尽管这也很重要，但我们更感兴趣的是预测的稳定性和我们对预测的信心程度。

　　因果推理的主要论点是：“相关性并不意味着因果关系”。这意味着相关性并不能证明一个事件对另一个事件的影响，而只能确定这两个或多个事件的线性关系。因此，因果关系是通过一个变量对另一个变量的影响来确定的。在第三方干预的情况下，影响变量通常被称为工具变量，或者简单地称为协变量（机器学习中的特征）之一。或通过某个行为到另一个行为。一般来说，事件 A 之后是否一定会发生事件 B？还是事件 A 实际上导致了事件 B？因此，它也被称为 A/B 测试。这正是我们要进一步处理的问题，但使用的是机器学习算法。

　　有许多方法可以解决因果关系的推断问题，包括使用随机实验、使用工具变量和机器学习。在此列举所有方法没有任何意义，因为其他着作对此也有专门论述。我们感兴趣的是如何将其应用于时间序列分类问题。值得注意的是，几乎所有这些方法都基于诺伊曼-鲁宾因果模型或潜在结果（成果）模型。这是一种统计方法，有助于确定一个事件实际上是否是另一个事件的结果。

　　例如，训练好的分类器在训练和验证子样本上显示出利润，而其信号却导致测试子样本上的损失。要衡量使用该分类器对新数据产生的因果效应，我们需要比较在新数据上实际训练和未训练分类器的结果。由于不可能看到未经训练的分类器的结果，因为它不会产生任何买入或卖出信号，因此这种潜在的结果是未知的。我们只有训练后的实际结果，而没有训练的未知结果是反事实的。换句话说，我们需要弄清楚，与随机开仓交易相比，训练分类器是否会增加利润或从新数据中获利。也就是说，训练分类器有任何积极的效果吗？

　　这种困境是“因果推理的基本问题”，即我们不知道如果没有训练分类器，实际结果会是什么，而只有在训练了分类器之后，我们才知道实际结果。由于因果推理的基本问题，无法直接观察到单位层面（单个训练实例）的因果效应。我们不能肯定地说我们的预测是否有所改进，因为我们没有任何东西可以与之比较。然而，通过随机实验，我们可以评估群体层面的因果效应。

　　在随机试验中，分类器在不同的子样本上进行随机训练。由于训练示例的这种随机分布，分类器的预测结果（平均）是相同的，分类器对特定示例的预测结果的差异可归因于测试集的示例包含或不包含在训练示例中的情况。然后，我们可以通过计算处理样本（在数据上使用训练有素的分类器）和对照样本（在数据上使用未经训练的分类器）的平均结果之差，得到平均因果效应（也称为平均处理效应）的估计值。

　　或者设想有一个多重宇宙，在每个子宇宙中都生活着同一个人，他做出了不同的决定，导致了不同的结果（成果）。每个子宇宙中的人只知道自己的未来版本，并不知道其他子宇宙中的“自己”的未来选项。在多元宇宙的例子中，我们假设所有人在其他宇宙中都有对应的人。平均而言，所有人都是相似的。这意味着我们可以将他们做出决定的原因与这些决定的结果进行比较。因此，基于这些知识，我们就有可能得出一个因果结论：如果某个特定的人在另一个宇宙中以某种方式行事，而他或她以前从未在那里行事过，那么他或她会发生什么。当然，如果这些宇宙是相似的。

　　通过MT5官方平台下载，交易者不仅可以获得一个功能强大的交易工具，还可以接触到机器学习中的因果推理技术。这些技术帮助交易者理解模型预测背后的逻辑，提高对市场动态的理解和预测的信心。