L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2947
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
Molto bene. E quali versioni e opset di ONNX saranno supportati?
Tutte quelle presenti nel progetto open source ONNX Runtime.
Tutto ciò è presente nel progetto open source ONNX Runtime.
onnx.defs.onnx_opset_version() scrive che opset=17. La versione nel log di MT dice 1.14.0, anche se penso che l'ultima versione di ONNX sia la 1.13.1.
onnx.defs.onnx_opset_version() scrive che opset=17. La versione nel log di MT dice 1.14.0, anche se sembra che l'ultima versione di ONNX sia 1.13.1.
No, è vero. Si tratta dell'ultima versione di ONNX 1.13.1 e dell' ultima versione di ONNX Runtime 1.14.1.
L'insieme delle funzioni per l'accesso ai grafici, ai ticchettii, alle posizioni di trading e alla cronologia delle transazioni è riportato sopra. È sufficiente per il lavoro diretto degli script python.
Forse aggiungeremo l'accesso agli indicatori.
Il trasferimento degli indicatori non è un metodo universale, anche se probabilmente è sufficiente per la maggior parte dei trader. Ad esempio, a me interessa di più trasmettere i dati non su ogni barra, ma nei momenti in cui i livelli vengono rotti. Qualcuno è interessato ad altro, ecc.
Non è possibile creare un metodo di scambio ideale che sia adatto a tutti, quindi è inevitabile ricorrere a metodi di stampo diverso in fase di sviluppo. La cosa principale è evitare questi metodi nella fase di lancio in un tester o su un VPS.
Ho testato il progetto ONNX.Price.Prediction nella nuova versione di MT5 b3601. Tutto sembra funzionare - formazione e output in python, output in MT5 (ho rimosso la dll per ONNX dalla root e riavviato il terminale).
Possiamo aspettare il rilascio e iniziare a provare con i nostri modelli).
La trasmissione degli indicatori non è un metodo universale, anche se è sufficiente per la maggior parte dei trader. Ad esempio, a me interessa di più trasmettere i dati non su ogni barra, ma nei momenti in cui i livelli vengono rotti. Qualcuno è interessato ad altro, ecc.
Non è possibile creare un metodo di scambio ideale che sia adatto a tutti, quindi è inevitabile ricorrere a metodi di stampo diverso in fase di sviluppo. La cosa principale è evitare questi metodi nella fase di lancio in un tester o su un VPS.
. .
Se tutto questo viene risolto, MT si trasforma da intermediario tra un broker e un cliente in un comodo strumento per scrivere strategie e indicatori.
MT fornisce quotazioni e allo stesso tempo è molto veloce e affidabile: un ottimo elemento da inserire in un sistema di trading. Consentire il passaggio di stringhe a python significa consolidare il ruolo del terminale.
Ad esempio, crypto ha superato MT perché il broker in crypto è un elemento superfluo e inutile, ma non annulla l'uso del terminale per la scrittura e l'utilizzo degli Expert Advisor.
In parole povere: scrivere un EA => eseguirlo su BTCUSD => fare trading su Binance tramite uno script Python => ringraziare MetaTrader per averlo avuto.
Non capisco perché avete bisogno di tutte queste cose con ONNX.
C'è un ovvio scenario di base per rendere MT5 e MO amici:
1. Da OnInit() avviare lo script python come processo separato.
2. Hai bisogno di un paio di funzioni di scambio di informazioni tra python e EA, nella modalità in cui l'EA può attendere informazioni.
3. Creare una cartella Models e gettarvi dentro i modelli TensorFlow.
E' TUTTO!!! L'integrazione tra MT e MO è avvenuta! Tutti sono contenti.
Non capisco il motivo di tutte queste cose fantasiose con ONNX.
Esiste un ovvio scenario di base per rendere MT5 e MO amici:
1. Da OnInit() lo script python viene avviato come processo separato.
2. Abbiamo bisogno di un paio di funzioni di scambio di informazioni tra python e EA, nella modalità in cui l'EA può attendere l'arrivo di informazioni.
3. Creiamo una cartella Models e vi inseriamo i modelli TensorFlow.
E' TUTTO!!! L'integrazione tra MT e MO è avvenuta! Tutti sono contenti.
Esiste una simile integrazione con R. Solo che non è chiaro perché R sia necessario su VPS e perché ci siano problemi per supportare la sua integrazione con MT (controllo di versione del linguaggio e dei pacchetti, ecc.). Sarà lo stesso con python.
C'è anche un aspetto legato alla velocità, che è molto importante nel nostro settore. Guardate come fxsaber gratta i millisecondi in una battaglia costante con le metaquote che si trasformano in punti di profitto. Ovviamente un pacchetto di qualsiasi cosa con qualsiasi cosa funzionerà più lentamente di entrambi i programmi da soli.
Sembrerebbe cosa più ovvia.....
Possiamo aspettare il rilascio e iniziare a provare con i nostri modelli).
Esiste un'integrazione con R. Solo che non è chiaro perché R sia necessario su VPS e perché ci siano problemi nel supportare la sua integrazione con MT (controllo di versione del linguaggio e dei pacchetti, ecc.). Sarà lo stesso con python.
C'è anche un punto legato alla velocità, che è molto importante nel nostro lavoro. Guardate come fxsaber gratta i millisecondi in una battaglia costante con le metaquote che si trasformano in punti di profitto. Ovviamente un pacchetto di qualsiasi cosa con qualsiasi cosa funzionerà più lentamente di entrambi i programmi da soli.
Sembrerebbe cosa più ovvia.....
Tenendo conto dello spread e delle commissioni di borsa/broker, è necessario fare previsioni per il tempo misurato in decine di minuti o ore. Cosa c'entrano 50 millisecondi di differenza?
In che modo, nella vita reale, MQ batte fxsaber di 5 millisecondi?