Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3258

Novo comentário
 
fxsaber #:
Quase o dobro da quantidade de consumo devido a essa linha.

É apenas uma transição de CMatrixDouble para matrix<double>. Tive até que fazer essa comparação de matrizes por causa da memória.

E o tempo aumentou em 40% com essa conversão. Comentado // Res = MatrixOut.ToMatrix();

matrix<double> Matrix1 = CorrMatrix(Matrix) - 10482307 mcs, 0 MB
matrix<double> Matrix2 = Matrix.CorrCoef(false) - 28882536 mcs, 1717 MB

Ou seja, se você trabalhar apenas com Alglibov funcional (sem converter suas matrizes em matrizes terminais), será mais rápido.

 
fxsaber #:

O Python leva quanto tempo para computar o mesmo tamanho da matriz original, como no exemplo acima?

import numpy as np
import time

def calc_corr_matrix():
    arr = np.random.rand(15000, 100).astype(np.float32)
    corr_matrix = np.corrcoef(arr)
    size_in_mb = corr_matrix.nbytes / 1024**2
    print("Array size:", size_in_mb, "MB")
    return corr_matrix

start_time = time.time()
corr_matrix = calc_corr_matrix()
end_time = time.time()

print("Time taken:", end_time - start_time, "seconds")
Array size: 1716.61376953125 MB
Time taken: 2.08686900138855 seconds

Medição de tempo considerando a criação da matriz

 

jogue fora suas pedras )



 
Maxim Dmitrievsky #:

Medição de tempo levando em conta a criação da matriz

Array size: 1716.61376953125 MB
Time taken: 4.784467697143555 seconds

Isso ocorre em um antigo FX-8350.

 
fxsaber #:

Com base nisso, fiz um cálculo da matriz de correlação.

Medi o desempenho.

Para estatísticas, este é o resultado que obtive

2023.09.26 06:28:23.304 Test_Corr (USDJPY,H1)   EX5: 3981 AVX Release.
2023.09.26 06:28:23.304 Test_Corr (USDJPY,H1)   TerminalInfoString(TERMINAL_CPU_NAME) = AMD FX-8350 Eight-Core 
2023.09.26 06:28:23.304 Test_Corr (USDJPY,H1)   TerminalInfoInteger(TERMINAL_CPU_CORES) = 8 
2023.09.26 06:28:23.304 Test_Corr (USDJPY,H1)   TerminalInfoString(TERMINAL_CPU_ARCHITECTURE) = AVX 
2023.09.26 06:28:23.332 Test_Corr (USDJPY,H1)   inRows = 100 inCols = 15000 
2023.09.26 06:28:45.032 Test_Corr (USDJPY,H1)   matrix<double> Matrix1 = CorrMatrix(Matrix) - 21700095 mcs, 1717 MB
2023.09.26 06:29:48.495 Test_Corr (USDJPY,H1)   matrix<double> Matrix2 = Matrix.CorrCoef(false) - 63460976 mcs, 1717 MB
2023.09.26 06:29:50.225 Test_Corr (USDJPY,H1)   IsEqual(Matrix1, Matrix2) = true 

2023.09.26 06:34:21.572	Test_Corr (USDJPY,H1)	EX5: 3981 X64 Regular Release.
2023.09.26 06:34:21.572	Test_Corr (USDJPY,H1)	TerminalInfoString(TERMINAL_CPU_NAME) = AMD FX-8350 Eight-Core 
2023.09.26 06:34:21.572	Test_Corr (USDJPY,H1)	TerminalInfoInteger(TERMINAL_CPU_CORES) = 8 
2023.09.26 06:34:21.572	Test_Corr (USDJPY,H1)	TerminalInfoString(TERMINAL_CPU_ARCHITECTURE) = AVX 
2023.09.26 06:34:21.600	Test_Corr (USDJPY,H1)	inRows = 100 inCols = 15000 
2023.09.26 06:34:42.908	Test_Corr (USDJPY,H1)	matrix<double> Matrix1 = CorrMatrix(Matrix) - 21308403 mcs, 1717 MB
2023.09.26 06:35:46.736	Test_Corr (USDJPY,H1)	matrix<double> Matrix2 = Matrix.CorrCoef(false) - 63826475 mcs, 1717 MB
2023.09.26 06:35:48.481	Test_Corr (USDJPY,H1)	IsEqual(Matrix1, Matrix2) = true
Claramente, o Python é muito mais rápido. Isso significa que o C também será mais rápido, portanto, parece que o MQ não está nos dizendo algo, prometendo um desempenho comparável....

Devo observar que o Python tem uma pequena paralelização ao executar o código - por meio segundo para cerca de dois núcleos, o restante é contado em um núcleo.

 
A biblioteca NumPy é escrita em C
 
Maxim Dmitrievsky #:
a biblioteca NumPy é escrita em C.

Bem, sim, isso faz sentido. É por isso que mencionei que o wrapper python é mais rápido do que um compilador C como o MQL5.

 

Aqui no R ChatGPT oferece

set.seed(123)  #  Задаем зерно для воспроизводимости результатов

calc_corr_matrix <- function() {
  #arr <- matrix(runif(15000 * 100), nrow = 15000, ncol = 100)
  arr <- matrix(runif(100 * 15000), nrow = 100, ncol = 15000)
  corr_matrix <- cor(arr)
  size_in_mb <- object.size(corr_matrix) / 1024^2
  cat("Array size:", size_in_mb, "MB\n")
  return(corr_matrix)
}

start_time <- Sys.time()
corr_matrix <- calc_corr_matrix()
end_time <- Sys.time()

cat("Time taken:", as.numeric(end_time - start_time), "seconds\n")

Resultado

> set.seed(123)  #  Задаем зерно для воспроизводимости результатов

> calc_corr_matrix <- function() {
+   #arr <- matrix(runif(15000 * 100), nrow = 15000, ncol = 100)
+   arr <- matrix(runif(100 * 15000), nrow = 100,  .... [TRUNCATED] 

> start_time <- Sys.time()

> corr_matrix <- calc_corr_matrix()
Array size: 1716.614 MB

> end_time <- Sys.time()

> cat("Time taken:", as.numeric(end_time - start_time), "seconds\n")
Time taken: 27.92359 seconds
>
 

Pelo que sei, o python pode trabalhar com uma matriz de números inteiros e as velocidades aqui são de uma ordem diferente

import numpy as np
import time

def calc_corr_matrix():
    arr = np.random.randint(1, 101, size=(15000, 100), dtype=np.int32)
    corr_matrix = np.corrcoef(arr, rowvar=False)
    size_in_mb = corr_matrix.nbytes / 1024**2
    print("Array size:", size_in_mb, "MB")
    return corr_matrix

np.random.seed(123)  #  Задаем зерно для воспроизводимости результатов

start_time = time.time()
corr_matrix = calc_corr_matrix()
end_time = time.time()

print("Time taken:", end_time - start_time, "seconds")

Se o código estiver correto, o resultado será o seguinte

Array size: 0.0762939453125 MB
Time taken: 0.5172276496887207 seconds

A questão da precisão/comparabilidade dos resultados dos cálculos em si deve ser verificada.

 
fxsaber #:

Essa é simplesmente uma transição de CMatrixDouble para matrix<double>.

É necessário 20% a mais de tempo de execução para converter os formatos em ambos os sentidos. Mas ainda é muito (> 3 vezes) mais lento que o NumPy.

1...325132523253325432553256325732583259326032613262326332643265...3399
Novo comentário