L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3253

[fxsaber]

Maxim Dmitrievsky #:
Comment cela se passe-t-il ?

https://www.mql5.com/ru/docs/constants/chartconstants/enum_timeframes

Identifiant	Description de l'identifiant
PERIOD_CURRENT	Période en cours
PERIOD_M1	1 minute
PERIOD_M2	2 minutes
PERIOD_M3	3 minutes
PERIOD_M4	4 minutes
PERIOD_M5	5 minutes
PERIOD_M6	6 minutes
PERIOD_M10	10 minutes
PERIOD_M12	12 minutes
PERIOD_M15	15 minutes
PERIOD_M20	20 minutes
PERIOD_M30	30 minutes
PERIOD_H1	1 heure
PERIOD_H2	2 heures
PERIOD_H3	3 heures
PERIOD_H4	4 heures
PERIOD_H6	6 heures
PERIOD_H8	8 heures
PERIOD_H12	12 heures
PERIOD_D1	1 jour
PERIOD_W1	1 semaine
PERIOD_MN1	1 mois

[Maxim Dmitrievsky]

fxsaber #:

https://www.mql5.com/ru/docs/constants/chartconstants/enum_timeframes

Je ne pourrai pas le faire aussi rapidement, pas avant ce soir ou l'autre jour.

[Valeriy Yastremskiy]

Maxim Dmitrievsky #:
Je ne pourrai pas le faire si tôt, plus près du soir, ou l'autre jour.

Il fait beau))))

[Maxim Dmitrievsky]

Débordement de mémoire sur des petites TF. La mémoire déborde avec 16 osu et un fichier d'échange (swap sur un mac) de 30gig. Eh bien, il y a une matrice de corrélation de 50k par 50k, par exemple.

Pandas et Nampay se plantent, ils ne sont pas conçus pour les données volumineuses. Je vais essayer dask. Ou filtrer l'historique.

Bref, que MO ne tire pas sur du matériel ordinaire, que cette approche.

[Forester]

Maxim Dmitrievsky #:
Débordement de mémoire sur des petites TF. La mémoire déborde avec 16 osu et un fichier d'échange (swap sur un mac) de 30gig. Il y a une matrice de corrélation de 50k par 50k, par exemple.

Pandas et Nampay plantent, ce n'est pas conçu pour les grosses données. Je vais essayer dask. Ou filtrer l'historique.

Bref, que MO ne tire pas sur du matériel ordinaire, que cette approche.

Faites-vous de la quantification ? L'objectif principal de la quantification est de réduire la taille des données. Un float de 4 octets devient un uchar ou un char de 1 octet.
Une matrice de 16 g deviendra une matrice de 4 g.
.

Et tous les calculs sont effectués dans la mémoire vive - vous devez en ajouter. La mémoire est peu coûteuse de nos jours.

[Maxim Dmitrievsky]

Forester #:
Pratiquez-vous la quantification ? L'objectif principal de la quantification est de réduire la taille des données. Un float de 4 octets devient un uchar ou un char de 1 octet.
Une matrice de 16 g deviendra une matrice de 4 g.
.

Tous les calculs sont effectués dans la mémoire vive - il faut en ajouter. La mémoire est peu coûteuse de nos jours.

Je ne sais pas comment calculer la corrélation

Il n'est pas si facile d'ajouter de la mémoire à un macbook). C'est encore extrêmement inefficace pour les séries temporelles, il faut que je le refasse d'une manière ou d'une autre

D'autant plus que je vais descendre une autre TF et avoir besoin de 5 fois plus de ressources.

Est-ce qu'il sera efficace de calculer par SQL ?

[Forester]

Maxim Dmitrievsky #:

Je ne sais pas comment calculer la corrélation par la suite

Il n'est pas facile d'ajouter de la mémoire à un macbook ) C'est encore très inefficace pour les séries temporelles, j'ai besoin de le refaire d'une manière ou d'une autre

D'autant plus que je vais descendre à un TF inférieur et avoir besoin de 5 fois plus de ressources.

Il existe une fonction de calcul de double corrélation dans alglib. Je pense qu'il suffit de changer toutes les variables en char/uchar et tout fonctionnera. Il y a des dizaines d'autres fonctions utilisées qui ont besoin d'être refaites aussi. Et de CMatrixDouble, passez aux tableaux dynamiques ou à autre chose.

Pearson product-moment correlation matrix                        |
//| INPUT PARAMETERS:                                                |
//|     X   -   array[N,M], sample matrix:                           |
//|             * J-th column corresponds to J-th variable           |
//|             * I-th row corresponds to I-th observation           |
//|     N   -   N>=0, number of observations:                        |
//|             * if given, only leading N rows of X are used        |
//|             * if not given, automatically determined from input  |
//|               size                                               |
//|     M   -   M>0, number of variables:                            |
//|             * if given, only leading M columns of X are used     |
//|             * if not given, automatically determined from input  |
//|               size                                               |
//| OUTPUT PARAMETERS:                                               |
//|     C   -   array[M,M], correlation matrix (zero if N=0 or N=1)  |
//+------------------------------------------------------------------+
static bool CBaseStat::PearsonCorrM(const CMatrixDouble &cx,const int n,
                                    const int m,CMatrixDouble &c)

Et si vous avez un programme fait maison, vous devrez aussi faire de la quantification, si vous n'avez pas un paquetage prêt à l'emploi qui le fait.

[Forester]

Maxim Dmitrievsky #:
serait-il efficace de lire SQL ?

Je n'en sais rien

[mytarmailS]

Maxim Dmitrievsky #:
Débordement de mémoire sur des petites TF. La mémoire déborde avec 16 osu et un fichier d'échange (swap sur un mac) de 30gig. Il y a une matrice de corrélation de 50k par 50k, par exemple.

Pandas et Nampay se plantent, ils ne sont pas conçus pour les grandes données. Je vais essayer dask. Ou filtrer l'historique.

Bref, que MO ne tire pas sur du matériel ordinaire, que cette approche.

Pourquoi avez-vous besoin d'une matrice de corrélation ?

Il y a un modèle, il y a un tableau d'historique avec lequel comparer le modèle, quel est le problème ?

[Maxim Dmitrievsky]

mytarmailS #:

Pourquoi avez-vous besoin d'une matrice de corrélation ?

Il y a un modèle, il y a un tableau de l'histoire avec lequel comparer le modèle, quel est le problème ?

Il n'y a pas de modèle, les modèles sont recherchés par la matrice de corrélation.