L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 479
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Beh, allora non posso aiutarti - il problema deve essere riprodotto prima di poterlo risolvere.
Puoi provare a usareEventSetTimer per il ritardo- leggere l'indicatore un paio di secondi dopo la comparsa della barra.
Grazie per la raccomandazione.
Posso usarlo non in un paio di secondi ma in circa 30 secondi? Come fare?
Puoi farlo in 30 secondi invece che in pochi secondi? E come si fa?
Sì, è possibile. Cerca gli indicatori nel codice base del suo esempio.
Per quanto riguarda la mia domanda, deduco che non ci sono specialisti????
Qualcuno usa APi di Nvidea. Ho appena guardato in giro l'altro giorno in termini di schede, e vedo che l'azienda fa schede per il mining, senza connettori video.
Qualcuno usa APi di Nvidea. Ho appena esaminato il piano della scheda l'altro giorno, vedo che l'azienda fa schede per il mining, senza connettori video.
Ho dimenticato, e qualche API è stata rilasciata, cioè CUDA
Ci sono un sacco di api nvidia là fuori -
OpenCL è uno standard popolare, è necessario scrivere codice C personalizzato. È supportato sia da Nvidia che da AMD, si può anche installare la libreria per i processori della cpu al posto della scheda video. Io uso in R tramite la libreriahttps://cran.r-project.org/web/packages/OpenCL/index.html.
Anche MT5 può fare questa api.
CUDA è una sorta di libreria strettamente nvidia, e per esempio i visori AMD non la supportano. Il punto è prendere un normale codice C++ e compilarlo in modo che funzioni sulla scheda grafica. Forse ci sono delle restrizioni sulle funzioni ammissibili, non sono entrato nei dettagli.
CUDNN è un'api e una bibliotecaria del motore neurale basato su CUDA
C'è un tale neurone MXNET, supporta tutte queste tecnologie, potete usarlo per testare il videohttps://mxnet.incubator.apache.org/get_started/install.html
Aiutami a capire il processo :)
Utilizzando un classificatore lineare come esempio. Supponiamo di insegnare qualcosa al classificatore, diamo in pasto incrementi di prezzo da 0 a 1 a 2 uscite, dove 0,5 è nessun segnale (la somma delle uscite è sempre uguale a uno)
Se tracciamo semplicemente una linea di regressione, per esempio, in base ai prezzi, gli incrementi di prezzo più grandi si troveranno più lontani dalla linea, quelli più piccoli più vicini, cioè se le uscite del classificatore sono 0,9; 0,1, l'incremento positivo si trova lontano dalla linea, cioè il segnale 0,9 sarà più forte del segnale 0,6 per comprare
E se prendiamo una rete neurale con classificazione non lineare, le uscite mostreranno la forza del segnale o mostreranno solo il grado di appartenenza a 1 delle 2 classi e non più
Cioè se questa condizione sarà soddisfatta:
Mi sembra che su questa situazione già la metà dei principianti, avendo una cattiva conoscenza della matrice, fallirà... Perché il grado di appartenenza a questa o quella classe, intuitivamente, parlerà di maggiore/minore forza del segnale. Ma è davvero così e non è meglio creare più classi per distribuire i valori di incremento in, diciamo, %, poi ottenere un valore in una o un'altra classe (una di 10, diciamo) dirà già esattamente il valore di incremento.Aiutami a capire il processo :)
Utilizzando un classificatore lineare come esempio. Supponiamo di insegnare qualcosa al classificatore e di fornire incrementi di prezzo da 0 a 1 alle uscite, dove 0,5 non è un segnale
Se tracciamo semplicemente una linea di regressione, per esempio, in base ai prezzi, allora gli incrementi di prezzo più grandi si troveranno più lontani dalla linea e quelli più piccoli più vicini ad essa. Ciò significa che se gli output del classificatore mostrano 0,9; 0,1, l'incremento positivo si trova lontano dalla linea, cioè il segnale 0,9 sarà più forte del segnale 0,6 per comprare
E se prendiamo una rete neurale con classificazione non lineare, le uscite mostreranno la forza del segnale o mostreranno solo il grado di appartenenza a 1 delle 2 classi e non più
Cioè se questa condizione sarà soddisfatta:
Capire: la linea è il confine (nel caso più semplice il valore medio). Più i prezzi incrementali sono vicini al confine, meno differiscono dalla media, anche se in valore assoluto possono non essere affatto piccoli. (per questa formulazione del problema)
Capire: la linea è un confine (nel caso più semplice, il valore medio). Più i prezzi incrementali sono vicini al confine, meno differiscono dalla media, anche se in termini assoluti potrebbero non essere affatto piccoli. (per questa formulazione del problema)
Cioè, dal grado in cui l'obiettivo appartiene alla classe non si può concludere sul cambiamento assoluto, 0,9 non significa che l'aumento di prezzo sarà maggiore che nel caso di 0,6
Cioè, il grado di appartenenza dell'obiettivo a una classe non può essere utilizzato per dedurre un cambiamento assoluto, 0,9 non significa che l'incremento di prezzo sarà maggiore che nel caso di 0,6
Di nuovo, questo dipende da come viene costruita la classificazione. Nell'esempio precedente, la classificazione era basata sulla distanza dalla linea centrale (confine) senza tener conto del valore assoluto dell'incremento. Se si introducesse il valore assoluto dell'incremento, la classificazione sarebbe diversa in linea di principio. Anche la sua scala sarà diversa.