Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 3253

[fxsaber]

Maxim Dmitrievsky #:
Bu nasıl?

https://www.mql5.com/ru/docs/constants/chartconstants/enum_timeframes

Tanımlayıcı	Açıklama
PERIOD_CURRENT	Cari dönem
PERIOD_M1	1 dakika
PERIOD_M2	2 dakika
PERIOD_M3	3 dakika
PERIOD_M4	4 dakika
PERIOD_M5	5 dakika
PERIOD_M6	6 dakika
PERIOD_M10	10 dakika
PERIOD_M12	12 dakika
PERIOD_M15	15 dakika
PERIOD_M20	20 dakika
PERIOD_M30	30 dakika
PERIOD_H1	1 saat
PERIOD_H2	2 saat
PERIOD_H3	3 saat
PERIOD_H4	4 saat
PERIOD_H6	6 saat
PERIOD_H8	8 saat
PERIOD_H12	12 saat
PERIOD_D1	1 gün
PERIOD_W1	1 hafta
PERIOD_MN1	1 ay

[Maxim Dmitrievsky]

fxsaber #:

https://www.mql5.com/ru/docs/constants/chartconstants/enum_timeframes

Bu kadar çabuk yapamayacağım, bu gece ya da diğer güne kadar olmaz.

[Valeriy Yastremskiy]

Maxim Dmitrievsky #:
Bu kadar yakın bir zamanda yapamayacağım, akşama doğru ya da diğer gün.

Hava güzel))))

[Maxim Dmitrievsky]

Küçük TF'lerde bellek taşması. Bellek 16 osu ve 30gig'lik takas dosyası (mac'te takas) ile taşar. Örneğin, 50k x 50k korelasyon matrisi var.

Pandas ve Nampay çöküyor, büyük veriler için tasarlanmamış. Dask'ı deneyeceğim. Ya da geçmişi filtreleyin.

Kısacası, MO bu yaklaşımın sıradan donanımı çekmediğini gösteriyor.

[Forester]

Maxim Dmitrievsky #:
Küçük TF'lerde bellek taşması. Bellek 16 osu ve 30gig'lik takas dosyası (mac'te takas) ile taşar. Örneğin 50k'ya 50k'lık bir korelasyon matrisi var.

Pandas ve Nampay çöküyor, büyük veriler için tasarlanmamış. Dask'ı deneyeceğim. Ya da geçmişi filtreleyin.

Kısacası, MO bu yaklaşımın sıradan donanımı çekmediğini gösteriyor.

Sayısallaştırma yapıyor musunuz? Nicelleştirmenin temel amacı veri boyutunu küçültmektir. 4 byte float'ı 1 byte uchar veya char'a dönüştürmek.
16g matris 4g olacaktır.
.

Ve tüm hesaplamalar RAM'de yapılır - daha fazla eklemeniz gerekir. Günümüzde bellek ucuzdur.

[Maxim Dmitrievsky]

Forester #:
Sayısallaştırma yapıyor musunuz? Nicelleştirmenin temel amacı veri boyutunu küçültmektir. 4 byte float'tan 1 byte uchar veya char'a.
16g matris 4g olacaktır.
.

Ve tüm hesaplamalar RAM'de yapılır - daha fazla eklemeniz gerekir. Günümüzde bellek ucuzdur.

Korelasyonu nasıl hesaplayacağımı bilmiyorum

Bir macbook'a bellek eklemek o kadar kolay değil). Zaman serileri için hala son derece verimsiz, bir şekilde yeniden yapmam gerekiyor

Özellikle de başka bir TF'ye ineceğim ve 5 kat daha fazla kaynağa ihtiyacım olacağı için.

SQL üzerinden hesaplamak verimli olacak mı?

[Forester]

Maxim Dmitrievsky #:

Daha sonra korelasyonu nasıl hesaplayacağımı bilmiyorum

Bir macbook'a bellek eklemek kolay değildir) Zaman serileri için hala çok verimsiz, bir şekilde yeniden yapmam gerekiyor

Özellikle de daha düşük bir TF'ye ineceğim ve 5 kat daha fazla kaynağa ihtiyaç duyacağım için.

Alglib'de bir çift korelasyon hesaplama fonksiyonu var. Sanırım tüm değişkenleri char/uchar olarak değiştirebilirsiniz ve her şey çalışacaktır. Yeniden yapılması gereken düzinelerce başka kullanılan işlev de var. Ve CMatrixDouble'dan dinamik dizilere veya başka bir şeye gidin.

Pearson product-moment correlation matrix                        |
//| INPUT PARAMETERS:                                                |
//|     X   -   array[N,M], sample matrix:                           |
//|             * J-th column corresponds to J-th variable           |
//|             * I-th row corresponds to I-th observation           |
//|     N   -   N>=0, number of observations:                        |
//|             * if given, only leading N rows of X are used        |
//|             * if not given, automatically determined from input  |
//|               size                                               |
//|     M   -   M>0, number of variables:                            |
//|             * if given, only leading M columns of X are used     |
//|             * if not given, automatically determined from input  |
//|               size                                               |
//| OUTPUT PARAMETERS:                                               |
//|     C   -   array[M,M], correlation matrix (zero if N=0 or N=1)  |
//+------------------------------------------------------------------+
static bool CBaseStat::PearsonCorrM(const CMatrixDouble &cx,const int n,
                                    const int m,CMatrixDouble &c)

Ve eğer ev yapımı bir programınız varsa, bunu yapan hazır bir paketiniz yoksa, niceleme de yapmanız gerekecektir.

[Forester]

Maxim Dmitrievsky #:
SQL üzerinden okumak verimli olur mu?

Bilmiyorum

[mytarmailS]

Maxim Dmitrievsky #:
Küçük TF'lerde bellek taşması. Bellek 16 osu ve takas dosyası (mac'te takas) 30gig ile taşar. Örneğin 50k'ya 50k'lık bir korelasyon matrisi var.

Pandas ve Nampay çöküyor, büyük veriler için tasarlanmamış. Dask'ı deneyeceğim. Ya da geçmişi filtreleyin.

Kısacası, MO bu yaklaşımın sıradan donanımı çekmediğini gösteriyor.

Neden bir korelasyon matrisine ihtiyacınız var ki?

Bir örüntü var, örüntüyü karşılaştırmak için bir dizi geçmiş var, sorun nedir?

[Maxim Dmitrievsky]

mytarmailS #:

Neden bir korelasyon matrisine ihtiyacınız var ki?

Bir model var, modeli karşılaştırmak için bir dizi tarih var, sorun nedir?

Örüntü yoktur, örüntüler korelasyon matrisi ile aranır.