Группа пользователей MetaTrader 5 Python - краткое содержание - страница 29
![MQL5 - Язык торговых стратегий для клиентского терминала MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
ONNX trader - эксперт для MetaTrader 5
Модель машинного обучения предварительно обучена и сохранена.
В боте уже есть простой фильтр в виде индикатора RSI.
Модель Deep Learning GRU на Python в ONNX с советником, а также модели GRU и LSTM
Это продолжение курса " Глубокое обучение прогнозированию и размещению ордеров с помощью Python, пакета MetaTrader5 Python и файла модели ONNX", но продолжение без предыдущего. Все будет объяснено. Все, что мы будем использовать, включено в эту статью. В этом разделе мы проведем вас через весь процесс, который завершится созданием советника для торговли и последующим тестированием.
Машинное обучение - это подмножество искусственного интеллекта (ИИ), которое фокусируется на разработке алгоритмов и статистических моделей, позволяющих компьютерам выполнять задачи без явного программирования. Основная цель машинного обучения - позволить компьютерам учиться на данных и улучшать свою производительность с течением времени.
Кросс-валидация и основы причинного вывода в моделях CatBoost, экспорт в формат ONNX
В предыдущих статьях я описал различные способы использования алгоритмов машинного обучения для создания торговых систем. Некоторые из них оказались вполне успешными, другие (в основном из ранних публикаций) оказались сильно переобученными. Таким образом, последовательность моих статей отражает эволюцию понимания того, на что на самом деле способно машинное обучение. Речь, конечно же, идет о классификации временных рядов.
Текущая статья - это развитие предыдущей темы и следующий шаг к созданию самообучающегося алгоритма, способного искать закономерности в данных и при этом минимизировать переобучение. Ведь мы хотим получить реальный эффект от использования машинного обучения, чтобы оно не только обобщало обучающие примеры, но и определяло наличие в них причинно-следственных связей.
Фильтрация сезонности и временного периода для моделей Deep Learning ONNX с помощью python для EA
Когда я читал статью: Выгода от сезонности рынка Форекс", я подумал вот о чем, чтобы сделать эту, как мне кажется, интересную статью. Я мог бы начать сравнивать советника с сезонностью и без нее, чтобы понять, сможет ли он извлечь выгоду.
Сначала мы сравним модели с фильтрацией и без нее с помощью советника, чтобы увидеть, как влияет или не влияет фильтрация данных, а после этого обсудим сезонность с помощью графика, чтобы в итоге получить реальный пример исследования, для февраля 2024 года, с сезонностью и без нее. В последней части статьи (которая мне кажется очень интересной) мы обсудим другие подходы к советнику, который мы уже имеем из статьи: Как использовать модели ONNX в MQL5, и посмотрим, сможем ли мы извлечь пользу из тонкой настройки этих советников и моделей ONNX, и да, ответ таков - да, сможем).
Python, ONNX и MetaTrader 5: создание модели RandomForest с предварительной обработкой данных RobustScaler и PolynomialFeatures
Random Forest широко используется в различных областях, а его гибкость позволяет использовать его как для задач классификации, так и для задач регрессии. В задаче классификации модель решает, к какому из заранее определенных классов относится текущее состояние. Например, на финансовом рынке это может означать решение о покупке (класс 1) или продаже (класс 0) актива на основе множества показателей.
Однако в этой статье мы сосредоточимся на проблемах регрессии. Регрессия в машинном обучении - это попытка предсказать будущие числовые значения временного ряда на основе его прошлых значений. Вместо классификации, когда мы относим объекты к определенным классам, в регрессии мы стремимся предсказать конкретные числа. Это может быть, например, прогнозирование цен на акции, предсказание температуры или любой другой числовой переменной.
ONNX и MQL5 Copilot
Форум
Статьи
CodeBase
Документация
Обучение ONNX для торговли - видео:
7.1. Введение в ONNX - учебник 1 - пост #241
7.2. Вызовы в глубоком обучении - учебник 2 - пост #242
7.3. Все о ONNX - Учебное пособие 3 - пост #243
7.4. Принципы проектирования - Учебное пособие 4 - пост #244
7.5. Формат файла ONNX - Учебник 5 - пост #245
7.6. Тип данных ONNX - Учебник 6 - пост #246
7.7. Пример машинного обучения - Учебник 7 - пост #247
7.8. ONNX Runtime - Tutorial 8 - post #248
7.9. ONNX Model Zoo - Учебник 9 - пост #249
7.10. ONNX Model Zoo Demo - Tutorial 10 - post #250
7.11. PyTorch to Tensorflow Demo - Tutorial 11 - post #251
8.1. Введение в глубокое обучение - Лекция 1 - пост #9
8.2. Рекуррентные нейронные сети и трансформаторы - Лекция 2 - пост #10
8.3. Конволюционные нейронные сети - Лекция 3 - пост #11
8.4. Глубокое генеративное моделирование - Лекция 4 - пост #12
8.5. Reinforcement Learning - Лекция 5 - пост #13
8.6. Новые рубежи глубокого обучения - Лекция 6 - пост #14
8.7. LiDAR для автономного вождения - Лекция 7 - пост #15
8.8. Автоматическое распознавание речи - Лекция 8 - пост #16
8.9. ИИ для науки - Лекция 9 - пост #17
8.10. Неопределенность в глубоком обучении - Лекция 10 - пост #18
Преодоление проблем интеграции с ONNX
Эта статья предполагает, что у вас есть базовое понимание машинного обучения и теории искусственного интеллекта и что вы хотя бы раз или два пытались использовать модели ONNX в mql5.
Наука о данных и ML (часть 22): использование нейронных сетей с автоэнкодерами для более разумных сделок путем перехода от шума к сигналу
В этой статье мы рассмотрим, как можно использовать автоэнкодерные нейронные сети в финансовой сфере, чтобы избавиться от шума на рынке и открыть для себя торговые возможности.
Эту статью легко читать, если вы имеете базовое представление о ONNX, PCA и нейронных сетях в целом.
Причинно-следственные связи в задачах классификации временных рядов
В предыдущей статье мы подробно рассмотрели обучение с помощью метаучителя и кросс-валидации, а также сохранение моделей в формате ONNX. Я также отметил, что модели машинного обучения не способны сразу находить закономерности в разрозненных и противоречивых данных. В этом случае очень важно, что именно подается на вход и выход нейронной сети или любого другого алгоритма машинного обучения.
...
В этой статье описывается попытка понять некоторые техники причинного вывода применительно к алгоритмической торговле.
Ложные регрессии в Python