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
Может Ренат пусть посмотрит, что из этого можно извлечь. Вполне ведь возможно, что новая спецификация даст лучшую производительность и в MQL5 ?
По поводу C#/C++, если надо будет, можно и свалить. Главное, чтобы максимально возможный выхлоп был. ;)
Протестировал некоторые скрипты из этой ветки на такой машине:
CPU-Z
CUDA-Z
На каждый скрипт буду приводить ссылку на сообщение, в котором он был опубликован, чтобы другие смогли быстро найти, провести тесты и сравнить результаты, если нужно.
Тест 1
Тест 2
Тест 3
scale = 1000
CPU
GPU
Тест 4
Тест 5
Тест 6
Тест 7
Тест 8
Попробовал ещё протестировать индикатор MetaDriver'а qpu_EMA-Rainbow.
На CPU результат лучше иногда до 2-ух раз. Вот результат:
//---
Володя (MetaDriver), покажи, какие у тебя результаты получаются ?
P.S. Изменил в коде кернела в параметрах функции gpuEMA тип с __global на __local. Немного быстрее стало, но всё равно медленнее, чем на CPU.
Попробовал ещё протестировать индикатор MetaDriver'а qpu_EMA-Rainbow.
На CPU результат лучше иногда до 2-ух раз. Вот результат:
Володя (MetaDriver), покажи, какие у тебя результаты получаются ?
P.S. Изменил в коде кернела в параметрах функции gpuEMA тип с __global на __local. Немного быстрее стало, но всё равно медленнее, чем на CPU.
У меня результаты аналогичные. Это давно обсуждали, и это логично - задача слишком простая, пересылка памяти в видеокарту и обратно не окупается. Преимущество GPU появляется в более сложных задачах.
Пример использования ускорения на GPU для трейдинга (деривативами).
Mark Joshi - известный своими книгами по финансовой математике, и в частности по деривативам и парному опционному трейдингу вот тут отчитался о проделанной работе:
http://ssrn.com/abstract=2388415
Он перевёл свои наработки, сделанные в ООП-стиле на CUDA GPU. Начал он это дело в 2010 году, потом у него был перерыв, и с 2011 года до лета 2014 он его сделал до рабочей версии 0.3. Ему удалось достичь ускорения в 100Х... 137Х раз - причём это на СЛОЖНОМ алгоритме, что трудно.
В работе использовалась библиотека QuantLib на Си++, которую, как он сам признаёт, ему пришлось переработать по пути "ООП ->-> процедурный подход" - для того, чтобы это всё работало на CUDA GPU.
Он пишет:
"I have implemented Monte Carlo pricing of IRD with the LMM on the GPU with least-squares for early exercise features.
You can get the code from kooderive.sourceforge.net in both C++ and CUDA. The paper is at .....
I used a completely different code for CUDA than I had previously used for C++. In essence, I treat data as the central concept and use the code to act on the data. The style is very functional. It did take a lot of work because my previous C++ implementations had been object oriented."
Сам его этот проект open source:
http://sourceforge.net/projects/kooderive/