Группа пользователей MetaTrader 5 Python - краткое содержание - страница 29

 

ONNX trader - эксперт для MetaTrader 5

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

Модель GRU для глубокого обучения на Python в ONNX с EA, а также сравнение GRU с LSTM-моделями

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.

Deep Learning Forecast and ordering with Python and MetaTrader5 python package and ONNX model file
Deep Learning Forecast and ordering with Python and MetaTrader5 python package and ONNX model file
  • www.mql5.com
The project involves using Python for deep learning-based forecasting in financial markets. We will explore the intricacies of testing the model's performance using key metrics such as Mean Absolute Error (MAE), Mean Squared Error (MSE), and R-squared (R2) and we will learn how to wrap everything into an executable. We will also make a ONNX model file with its EA.
 

Кросс-валидация и основы причинного вывода в моделях CatBoost, экспорт в формат ONNX

Кросс-валидация и основы причинно-следственных связей 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.

Cross-validation and basics of causal inference in CatBoost models, export to ONNX format
Cross-validation and basics of causal inference in CatBoost models, export to ONNX format
  • www.mql5.com
The article proposes the method of creating bots using machine learning.
 

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).

Seasonality Filtering and time period for Deep Learning ONNX models with python for EA
Seasonality Filtering and time period for Deep Learning ONNX models with python for EA
  • www.mql5.com
Can we benefit from seasonality when creating models for Deep Learning with python? Does filtering data for the ONNX models help to get better results? What time period should we use? We will cover all of this over this article.
 

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.

Python, ONNX and MetaTrader 5: Creating a RandomForest model with RobustScaler and PolynomialFeatures data preprocessing
Python, ONNX and MetaTrader 5: Creating a RandomForest model with RobustScaler and PolynomialFeatures data preprocessing
  • www.mql5.com
In this article, we will create a random forest model in Python, train the model, and save it as an ONNX pipeline with data preprocessing. After that we will use the model in the MetaTrader 5 terminal.
 

ONNX и MQL5 Copilot


Форум

  1. MetaTrader 5 Python User Group - краткое содержание (про ONNX в том числе)
  2. MetaEditor, Open AI и ChatGPT - краткое содержание (без учета ONNX)
  3. Изучение ONNX для торговли - ключевая тема форума о ONNX
  4. Практические примеры: эта страница

Статьи

  1. Как использовать модели ONNX в MQL5 - Metatrader 5
  2. Преодоление проблем интеграции ONNX - Metatrader 5
  3. Python, ONNX и MetaTrader 5: создание модели RandomForest с предварительной обработкой данных RobustScaler и PolynomialFeatures - Metatrader 5
  4. Фильтрация сезонности и временного периода для моделей Deep Learning ONNX с помощью python для советника - Metatrader 5
  5. Кросс-валидация и основы причинно-следственных связей в моделях CatBoost, экспорт в формат ONNX - Metatrader 5
  6. Работа с моделями ONNX в форматах float16 и float8 - Metatrader 5
  7. Маркировка данных для поиска временных рядов (часть 6):Применение и тестирование в EA с помощью ONNX - Metatrader 5
  8. Оценка моделей ONNX с помощью регрессионных метрик - MT5
  9. Пример ансамбля моделей ONNX в MQL5 - Metatrader 5
  10. Обертывание моделей ONNX в классы - Metatrader 5
  11. Возможности OpenAI ChatGPT в рамках разработки на MQL4 и MQL5 - Metatrader 5
  12. Классификационные модели в библиотеке Scikit-Learn и их экспорт в ONNX - Metatrader 5
  13. Освоение ONNX: изменение игры для трейдеров на MQL5 - Metatrader 5
  14. Регрессионные модели библиотеки Scikit-learn и их экспорт в ONNX - Metatrader 5

    CodeBase

    1. Информация о входах и выходах модели ONNX - скрипт для MetaTrader 5
    2. Трейдер ONNX - эксперт для MetaTrader 5
    3. Получить информацию о входах и выходах модели onnx - скрипт для MetaTrader 5

    Документация

    1. Модели ONNX в машинном обучении (MT5)

    Обучение ONNX для торговли - видео:

    1. ONNX Runtime - пост #60
    2. Конвертация моделей в формат #ONNX - пост #61
    3. ONNX - открытый формат для моделей машинного обучения - пост #62
    4. Развертывание моделей (глубокого) машинного обучения с помощью ONNX - пост #63
    5. Рекуррентные нейронные сети | LSTM для прогнозирования движения цены для торговых алгоритмов - пост
    6. Полный курс по искусственному интеллекту | Самоучитель искусственного интеллекта для начинающих | Edureka - пост #230
    7. Открытая биржа нейронных сетей (ONNX):
      7.1. Введение в ONNX - учебник 1 - пост
      7.2. Вызовы в глубоком обучении - учебник 2 - пост
      7.3. Все о ONNX - Учебное пособие 3 - пост
      7.4. Принципы проектирования - Учебное пособие 4 - пост
      7.5. Формат файла ONNX - Учебник 5 - пост
      7.6. Тип данных ONNX - Учебник 6 - пост
      7.7. Пример машинного обучения - Учебник 7 - пост
      7.8. ONNX Runtime - Tutorial 8 - post
      7.9. ONNX Model Zoo - Учебник 9 - пост
      7.10. ONNX Model Zoo Demo - Tutorial 10 - post
      7.11. PyTorch to Tensorflow Demo - Tutorial 11 - post
    8. MIT Introduction to Deep Learning:
      8.1. Введение в глубокое обучение - Лекция 1 - пост
      8.2. Рекуррентные нейронные сети и трансформаторы - Лекция 2 - пост
      8.3. Конволюционные нейронные сети - Лекция 3 - пост
      8.4. Глубокое генеративное моделирование - Лекция 4 - пост
      8.5. Reinforcement Learning - Лекция 5 - пост
      8.6. Новые рубежи глубокого обучения - Лекция 6 - пост
      8.7. LiDAR для автономного вождения - Лекция 7 - пост
      8.8. Автоматическое распознавание речи - Лекция 8 - пост
      8.9. ИИ для науки - Лекция 9 - пост
      8.10. Неопределенность в глубоком обучении - Лекция 10 - пост

      Python, ONNX and MetaTrader 5: Creating a RandomForest model with RobustScaler and PolynomialFeatures data preprocessing
      Python, ONNX and MetaTrader 5: Creating a RandomForest model with RobustScaler and PolynomialFeatures data preprocessing
      • www.mql5.com
      In this article, we will create a random forest model in Python, train the model, and save it as an ONNX pipeline with data preprocessing. After that we will use the model in the MetaTrader 5 terminal.
       

      Преодоление проблем интеграции с ONNX

      ONNX (Open Neural Network Exchange) революционизирует способ создания сложных программ mql5 на основе искусственного интеллекта. Эта новая технология для MetaTrader 5 - путь вперед в машинном обучении, поскольку она многообещающа, как никакая другая для своей цели, однако ONNX поставляется с парой проблем, которые могут доставить вам головную боль, если вы не имеете ни малейшего представления о том, как их решить.

      Преодоление проблем интеграции 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.

      Overcoming ONNX Integration Challenges
      Overcoming ONNX Integration Challenges
      • www.mql5.com
      ONNX is a great tool for integrating complex AI code between different platforms, it is a great tool that comes with some challenges that one must address to get the most out of it, In this article we discuss the common issues you might face and how to mitigate them.
       

      Наука о данных и ML (часть 22): использование нейронных сетей с автоэнкодерами для более разумных сделок путем перехода от шума к сигналу

      Наука о данных и ML (часть 22): использование автоэнкодеров и нейронных сетей 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.

      Mastering ONNX: The Game-Changer for MQL5 Traders
      Mastering ONNX: The Game-Changer for MQL5 Traders
      • www.mql5.com
      Dive into the world of ONNX, the powerful open-standard format for exchanging machine learning models. Discover how leveraging ONNX can revolutionize algorithmic trading in MQL5, allowing traders to seamlessly integrate cutting-edge AI models and elevate their strategies to new heights. Uncover the secrets to cross-platform compatibility and learn how to unlock the full potential of ONNX in your MQL5 trading endeavors. Elevate your trading game with this comprehensive guide to Mastering ONNX
       

      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.

      Causal inference in time series classification problems
      Causal inference in time series classification problems
      • www.mql5.com
      In this article, we will look at the theory of causal inference using machine learning, as well as the custom approach implementation in Python. Causal inference and causal thinking have their roots in philosophy and psychology and play an important role in our understanding of reality.
       

      Ложные регрессии в Python

      Ложные регрессии в Python

      В этой статье мы начнем с интуитивного понимания ложных регрессий. Затем мы создадим синтетические данные временного ряда, чтобы смоделировать ложную регрессию и проследить ее характерные эффекты. Затем мы изучим методы выявления ложных регрессий и на основе полученных данных проверим модель машинного обучения, созданную на Python. Наконец, если наша модель подтвердится, мы экспортируем ее в ONNX и реализуем торговую стратегию на MQL5.
      Spurious Regressions in Python
      Spurious Regressions in Python
      • www.mql5.com
      Spurious regressions occur when two time series exhibit a high degree of correlation purely by chance, leading to misleading results in regression analysis. In such cases, even though variables may appear to be related, the correlation is coincidental and the model may be unreliable.