交易中的机器学习：理论、模型、实践和算法交易 - 页 2948

新评论
 
Evgeny Dyuka #:

我不明白为什么要在 ONNX 上搞这么多花样。

如何让 MT5 和 MO 成为朋友，有一个显而易见的基本方案：
1. 从 OnInit() 开始，python 脚本作为一个单独的进程启动。
2. 在 EA 可以等待信息到达的模式下，我们需要几个在 python 和 EA 之间交换信息的函数。
3. 我们创建一个文件夹 Models，并将 TensorFlow 模型放入其中。

就这样MT 和 MO 整合完成！大家都很高兴。

还可以更简单......连接 Redis，获得支持 PyTorch、ONNX 和 TensorFlow 的 RedisAI，如果需要，还可以跨节点和云分配负载。

 
Maxim Dmitrievsky #:
少了一根拐杖，使用的模型范围也将大大扩展（以前大家大多通过终端输入来优化权重）。显然，它在 Mac 上也能运行，我很快就会检查一下：）有时，什么都不做，等着食物自己飞到嘴里，也是件不错的事。

我参与这个项目是为了提高 Python 的水平--我现在离不开它了）我想从 LightGBM 开始。似乎有两种获取 ONNX 的方法--onnxmltools 和 skl2onnx。

 
请注意，onnx 模型的本地执行允许您在测试器和 Claudnet 中轻松快速地运行这些模型，而无需系统开销，这在第三方集成中几乎是不可能的。

正是在策略测试期间，所有这些 "每次调用损失 50 毫秒有什么大不了 "的问题将使测试时间增加数千倍。
 
Evgeny Dyuka #:

考虑到点差和交易所/经纪商佣金，您需要预测以数十分钟或数小时计算的时间。 在现实生活中，MQ 比 fxsaber 快 5 毫秒对您有什么帮助？

随你便吧，但我不介意哪怕是一点点的速度提升。无论是在测试/优化还是在交易中。

 
Renat Fatkhullin #:
请注意，onnx 模型的本地执行允许您在测试器和 claudnet 中轻松快速地运行这些模型，而无需系统开销，这在第三方集成中几乎是不可能的。

正是在策略测试期间，所有这些 "每次调用损失 50 毫秒有什么大不了 "的问题将使测试时间增加数千倍。
在云中进行优化恐怕行不通。优化的意义在于改变 TS 参数。例如，TP/SL 选择。当参数发生变化时，用于训练的数据也会发生变化。也就是说，有必要使用每种参数变化来训练模型，为此应安装 MO 软件（Catbust、神经网络等）。在云中不太可能有人安装了所需软件的正确版本。
。

因此，训练只能在开发人员机器上的测试仪中进行。
，而且将完成的模型上传到云端也没有意义。

 
Maxim Kuznetsov #:

它可以更简单......连接 Redis，获得支持 PyTorch、ONNX 和 TensorFlow 的 RedisAI，如果需要，还可以跨节点和云分配负载。

我们的飞机上有游泳池、舞池、餐厅、舒适的休闲区、冬季花园......亲爱的乘客们，系好你们的安全带，现在我们要试着带着这些垃圾起飞了。

 
Forester #:
在云中进行优化恐怕行不通。优化的意义在于改变 TS 的参数。例如，TP/SL 选择。当参数发生变化时，用于训练的数据也会发生变化。也就是说，有必要根据每种参数变化来训练模型，为此应安装 MO 软件（Catbust、神经网络等）。在云中不太可能有人安装了所需软件的正确版本。 。

因此，训练只能在开发人员机器上的测试仪中进行。
，而且将完成的模型上传到云端也没有意义。

公平地说，一个模型并不一定是一个完整的 TS。例如，模型预测价格增量，在 EA 参数中设置预测增量的阈值，EA 会尝试进行交易。

 
Aleksey Nikolayev #:

我们的飞机上有游泳池、舞池、餐厅、舒适的休息区、冬季花园......亲爱的乘客们，系好你们的安全带，现在我们要带着这些垃圾起飞了。

在我看来，这就是 MQL 目前的发展状况。试图一次性将所有东西都塞进去，而不是进行整合。

 
Maxim Kuznetsov #:

在我看来，这正是 MQL 目前的发展方向。试图一次性将所有东西都塞进去，而不是进行整合

+

 
Maxim Kuznetsov #:

在我看来，这正是 MQL 目前的发展方向。试图一次性将所有东西都塞进去，而不是进行整合

集成的途径一直都是开放的：

  • 本地 DLL
  • .NET DLL
  • HTTP/HTTPS
  • 原始套接字
  • 文件/管道
  • SQLite
  • Python 库


但是，母语集成才有可能编写完整的应用程序。

说到 ML，我们研究并实现了向量、矩阵以及对它们的运算，以此作为机器学习的基础：

  • 矢量、矩阵及其运算作为机器学习的基础
  • 与 Python 集成，包括在终端以普通脚本的形式启动 Python 程序
  • 使用本地 ONNX 模型，这为神经模型的实际应用打开了一扇巨大的门

我们设法创建完整而快速的解决方案。

试图填鸭式 "的说法只是一种消极的态度，没有合理的理由。尤其是，各种可能性 的存在并没有以任何方式限制作者。
1...294129422943294429452946294729482949295029512952295329542955...3399
新评论