Rechenleistung für Tensorflow-basierten EA (MachineLearning, DeepLearning) - Seite 2
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Wie es aussieht geht sogar PythonOnly, vom Algo über Plattform bis hin zu Broker, alles Python?!
z.B. mit Quantiacs.com mit IB-InteractiveBroker.com
Von MetaQuotes verabschieden?
Zumal es sogar eine Metatrader-Lib für Python gibt: pypi.org/project/metatrader/
"Bayne, please call me a "Quant" from now on :)
Cheers!"
GitHub
endlose Pythonn-Libs & -Tools:
Metatrader Lib
https://pypi.org/project/metatrader/
PyQL
Pyql - QuantLib
https://github.com/enthought/pyql
PyMC3
https://docs.pymc.io/
Probabilistic Programming in Python
TA-Lib
https://blog.quantinsti.com/install-ta-lib-python/
https://quantlabs.shop/blogs/news/most-reliable-candlestick-patterns-with-ta-lib-python-demo
Forex-python
PyAlgoTrade
https://gbeced.github.io/pyalgotrade/
Fixer.io
https://dx-analytics.com/
https://1forge.com/libraries#python
pip install python_forex_quotes
Aus <https://1forge.com/libraries#python>
Pybacktest
Vectorized backtesting framework in Python/pandas, designed to make your backtesting — compact, simple and fast. It allows the user to specify trading strategies using the full power of pandas while hiding all manual calculations for trades, equity, performance statistics and creating visualizations. Resulting strategy code is usable both in research and production environment. Currently, only supports single security backtesting, Multi-security testing could be implemented by running single-sec backtests and then combining equity. It is under further development to include multi-asset backtest capabilities.
Aus <https://blog.quantinsti.com/python-trading-library/>
Ultrafinance
Ultrafinance
It is a vectorized system. A python project for real-time financial data collection, analyzing and backtesting trading strategies. Supports access to data from Yahoo Finance, Google Finance, HBade, and Excel.
Aus <https://blog.quantinsti.com/python-trading-library/>
TWP (Trading With Python)
TWP (Trading With Python)
TradingWithPython or TWP library is again a Vectorized system. It is a collection of functions and classes for Quantitative trading. It includes tools to get data from sources like Yahoo Finance, CBOE, and Interactive Brokers and often used P&L benchmarking functions. The documentation and course for this library, however, costs $395.
Aus <https://blog.quantinsti.com/python-trading-library/>
Kurse/Akademien
https://www.udemy.com/course/building-trading-algorithms-with-python/
quantinsti.com
https://www.quantstart.com/quantcademy/
https://algotrading101.com/
https://www.udacity.com/course/machine-learning-for-trading--ud501
http://www.financeandpython.com/All.html
quantinsti.com
https://www.quantinsti.com/about-us
https://www.youtube.com/user/quantinsti/playlists
https://home.tpq.io/ - THE PYTHON QUANTS GROUP
Blogs
https://www.quantnews.com/
https://www.pythonforfinance.net/recommended-sites-and-resources/
https://quantocracy.com/
https://quantdare.com/
http://www.financeandpython.com/
http://www.turingfinance.com/
https://www.quantopian.com/posts
Artikel
"pythonforfinance"
https://blog.quantinsti.com/tag/forex-crypto-trading/
https://www.oreilly.com/content/algorithmic-trading-in-less-than-100-lines-of-python-code/
https://www.pythonforfinance.net/
https://www.datacamp.com/community/tutorials/finance-python-trading
Python4Finance: https://www.youtube.com/watch?v=O-O1WclwXck
https://www.datasciencesociety.net/python-for-finance/
https://www.learndatasci.com/tutorials/python-finance-part-2-intro-quantitative-trading-strategies/
https://www.toptal.com/data-science/algorithmic-trading-a-practical-tale-for-engineers
https://pythonprogramming.net/getting-stock-prices-python-programming-for-finance/
Scott Patterson
"The Quants"
Youtube: Scott Patterson Quants/ dark pools
https://en.wikipedia.org/wiki/Scott_Patterson_(author)
https://en.wikipedia.org/wiki/The_Quants
Marketplace
??? quantiacs.com
Code a trading algorithm.
We connect it to capital.
You profit.
Dr. Yves J. Hilpisch
https://home.tpq.io/ - THE PYTHON QUANTS GROUP
https://www.hilpisch.com/YH_Derivatives_Analytics_with_Python.html
https://twitter.com/dyjh
https://github.com/yhilpisch
https://www.youtube.com/watch?v=LV7_p2YERvA&list=UUSwSD4MeOxb-29ezJi39Xgw
Zertifizierung: https://home.tpq.io/certificates/pyalgo/
Frontend: https://datapark.io/#
Lib: https://dx-analytics.com/index.html
Von mir auch ... schöne Sammlung.
Wenn MetaQuotes nicht aufpasst, werden sie technologisch überrannt.
Vermute dass sie das begriffen haben was den schritt sich zu "öffnen" erklären könnte.
👍
und calli hat heimlich die 9999 gemacht 🥇
Definitiv!
(Wenn ihr mir politisches Brainstorming erlaubt...)
Das virtuelle OpenSource-Konzept hat bisher zwar einige IT-Giganten leben gelassen und ist sicher kein Allheilmittel, gerade nicht im Endkonsumer-Bereich, wo das große Geld verdient wird.
Aber bemerkenswert ist auch dass Keras, 2015 als einheitliche Schnittstelle für verschiedene KI-Backends, darunter TensorFlow, Microsoft Cognitive Toolkit (vormals CNTK) und Theano, veröffentlich wurde.
von denen heute nur noch Tensorflow unterstützt wird:
KI genauso wie BigData oder Blockchain oder andere neuesten Technologien etc. gehören keiner Firma, und stehen erstmal Opensource zur Verfügung.
(Vielleicht ja sogar demnächst GAIA-X, die Europäische Cloud-Antwort auf AWS/Azur etc?)
Metaquotes macht mit Ihrer Plattformstrategie definitiv einiges richtig, was auch ihre dominierende Marktstellung zeigt: für Nutzer kostenlose Marktplatz-Infrastruktur, auf der sich Anbieter und Nachfrage tummeln.
Und die Software zu bedienen macht Spaß. So sind alle Internetgiganten entstanden.
Die Inkompativilität von MQL4 und MQL5 brachte ersten Kuddelmuddel, Die Community ist nun geteilt Infrastrukturen verdoppelt, Skaleneffekte halbiert.
Erscheint unvernünftig aber nicht existenzkritisch.
Aber wenn die neuen Python-Technologien den Enduser erreichen, es hübsche Frontends gibt und KI sich mit der Mouse bedienen läßt sollte Metaquotes positioniert sein.Vielleicht mit genau so einer Lösung?!
Um den großen Markt mit den EndUsern weiterhin zu dominieren?!
Vielleicht ein KI-VPS Service?
Oder ist es vielleicht die Aufgabe für die Entwickler, sowas zur realisieren?!
Dass Wettrennen scheint eröffnet, ich ahne, der Quellcode steht am Ende auf GitHub :)
--------
Meine ersten GitHub-Erfahrungen (MetaTraderForecast) haben sich übrigens nicht fortgesetzt.
Der erste Versuch mit dem MetaTraderForecaster war gut, erläßt sich tatsächlich starten, ist aber kaum brauchbar, nur zum weiterentwickeln geeignet.
Hab mir an die 20 weitere Angesehen, alles braucht intensive Einarbeitung und scheint nicht einfach so zu funktionieren.
Hab ihr vielleicht Tips?
Gibt es was, dass nicht nur als Indikator dient, gerne forcast-kerzen zeichnet, vielleicht sogar eigentständig tradet?
Welches GitHub-Repository kann am meisten?
Nach der ersten verbrachten Woche mit GitHub-Recherchen erscheint alles mit extremen Aufwand verbunden, bis man weiß, was wer kann, und was nicht...
Ist verständlich, aber ich steh etwas unter Zeitdruck...
Drei heiße GitHub-Autoren kann ich heute empfehlen.
(Der heißeste ist Parrondo!)
Ich will mir alles angucken.
Aber hat wer nen Tip, womit beginnen?
Es ist so viel...
parrondo
344 Repositories - 28 source repositories
https://todotrader.com
https://github.com/parrondo
https://parrondo.github.io/quant-trading-project-structure/
https://www.facebook.com/TodoTrader-416763655823682/
Keine Kontaktmöglichkeit gefunden außer über Facebook
Amjad Aburaya
Owner of Financial-ML
Harveybc
16 Repositories
und calli hat heimlich die 9999 gemacht 🥇
da wurden die 8888 aber auch übersehen ;-)
Aber hat wer nen Tip, womit beginnen?
Es ist so viel...
Egal mach es ...je mehr du sowas machst um so mehr Ideen bekommst ....
Einfacher kann man kein Wissen erlangen.
Aber ein Tipp habe ich. Da du etwas aufs Tempo drückst....bringt nichts :-)
Schiebe die Idee "Klicken laden starten Geld" ganz weit weg.....auch KI ist kein Wundermittel.
Es erhöht aber Trefferchance
Ich würde mir erstmal einige kleinerer GitHub Projekte zum Thema
time series analysis
Ansehen um zu verstehen worauf es ankommt, wenn man diese Daten mit einer KI auswerten möchte.
Das sogenannte "preprocessing". (Normalisieren, Aufteilen ...)
Viele Projekte sind von Studierenden/Professoren etc. erstellt, die noch wenig Einblick von der Börse haben.
Da liegt der Focus auf Rechenbare Ergebnisse. An der Börse zählen aber andere Grundsätze.(Viele Trades = schlecht)
Was auch sinn macht ist sich eine DEMO von Matlab zu laden. aktuell R2020a .
https://de.mathworks.com/solutions/deep-learning.html
Dort sind viele Beispiele in deutsch und gut Dokumentiert. Da gibt es grafische "Netzdesigner" die einen auch mal optisch zeigen wie so Netz aussieht.
Auf jedenfall ist der Lerneffekt sehr groß.
Oder man lässt sich das Netz in C Code gießen und schaut sich rein den Code an .
Es ist essentiel zu wissen wie so ein Netz intern arbeitet. Nur so kommt man sinnvollen Anpassungen die einem an der Börse helfen.
Grundlagen Grundlagen.......
...mmmmhh......Dank! :))
Auch kein Tip zu Prioritätensetzung?
Geschwindigkeit entsteht durch richtige Priosetzung.
Wer auf den Berg will, setzt sich nicht schon zuhause den 20kg-Rucksack auf, wenn eh noch 2h Autofahrt vor einem liegen...
Es ist so viel...welches Repository zuerst ansehen...?
Hab neuste Python&Tensorflow-Bücher gelesen, große Teil der KerasDoku geordnet strukturiert und deutsch gemacht (alles OneNote)
Erste Keras-Modelle verändert, etc.
Und natürlich geht es tief in die LineareAlgebra...und ich werden jede RNN, LSTM, GRU und RL/ES lesen und visualisieren können.
Aber nicht alles auf einmal.
Ein Code ist Ausgangslage, mit dem gehts dann auch nach Matlab, C, etc.
derzeit der von Financial-ML, incl. ZeroMQ, ich hoffe, der ist brauchbar.
Gegenvorschläge gerne.
Das wollte ich noch schreiben:
Am Ende machst du mit der KI nichts anderes als eine Millionenfache-Optimierung von einer Problemstellung.
Ein perfekt trainiertes Netz würde die Masse erkennen die sich ständig falsch positioniert (Anfänger)
Das zu generalisieren damit es langfristig auch einen nicht gesehenen Chart einem die Trefferchance erhöht.
...mmmmhh...... Dank! :))
Auch kein Tipp zu Prioritätensetzung?
Geschwindigkeit entsteht durch richtige Priosetzung.
Gegenvorschläge gerne.
Warum hast du Zeitdruck?
Frische Ehe, Kinder, Haus, Job weg?
Ich arbeite an diesem Thema schon ca. 4 Jahre. Erste sinnvolle Ergebnisse gab es nach 2 Jahren.
Ich behaupte aber nicht das das natürlich schneller geht.
Persönlich würde ich mich nicht zu den Anfängern zählen was die Börse und KI sowie das coden betrifft.
Tausende Stunden Code Reviews... Wochenenden voller Videos... Hunderte wissenschaftlicher Publikation zu aktueller Forschung im Bereich KI
Tausende Kilowatt-Stunden Rechenzeit.
viele Herausgeber von wissenschaftliche Publikationen haben den Universitäts-Cluster nutzen können. Da geht es in Regionen von 100 x V100 Teslas
Mit Rechenzeiten von teilweise 1 Woche! Und das nur um Zeitreihen 12x10000 Punkten zu trainieren.
Man darf den Rechenbedarf dabei nicht unterschätzen. Hier gab es schon Herren die wollten einen "Web-Server" als Recheneinheit mit der KI nutzen.
Da muss ich schmunzeln..... Intelligenz eines Brotes (Also der Web-Server 😁)
Oder gleich ein eigenes Framework in MQL erstellen...... Kein Kommentar. Wozu? TensorFlow hat die besten Coder und das sind viele über Jahre das ausbrüten lassen.
Und nun kommt einer und meint es selber alleine zu können.
Es fehlt vielen an Vorstellungskraft was es bedeutet ein EA auf Basis einer "schlauen" KI zu erstellen.
Eine Chaotische Zeitreihe zu analysieren ist die schwierigste Aufgabe, die man der KI geben kann.
Ich geb zu, die eigene Gehirnleistung ist schwer hochskallierbar.
Aber auch wenn man da bisher vielelicht etwas verwöhnt ist, zeigt sich leider erst am Ende ob die queryExpences ins Budget passen.
sprich...Zeit ist Geld und irgendwann ist Zeit alle :)
2 Jahre vollständig ohne Return ist nicht machbar, aber bisschen Zeit ist noch finanzierbar.
Vielleicht kann ich bis dahin einen gekauften EA-Robo laufen lassen um etwas Zeit (Finanzierung) zu gewinnen.
Aber da einen zu finden ist ja auch so eine Vertrauensfrage...lieber selber bauen. Aber...
...vielleicht gibs ja einen auf GitHub...Ich such mal weiter