Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3238
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
Sie können in der gleichen R zu tun, speichern Sie das Modell, und durch Python in onnx in ein paar Zeilen
Dies gilt, wenn Sie nur ein neuronales Netzmodell und kein Modell wie Forest meinen.
Obwohl hgbust wahrscheinlich auch möglich ist.
---------------------------------
Und hier steht, dass man nicht jedes Modell konvertieren kann, sondern dass das Modell selbst dieses Format unterstützen muss.
--------------------------------
Die Schlussfolgerung ist also, dass ONNH Python ist, kein Ausweg.
neuro, natürlich).
Nur das endgültige trainierte Gitter kann in die onnx-Datei eingefügt werden. Es ist auch möglich (theoretisch), die Vorverarbeitung der Merkmale für das Gitter aus dem Anfangspreis zu übernehmen. Alles zusammen wird als Pipeline bezeichnet und die Frage ist, wie flexibel die Möglichkeit ist, die gesamte Pipeline in eine ONNX-Datei zu packen.
Niemand will wirklich in dieses Thema eintauchen, weil man sehr gut in Python sein muss und es nur sehr wenige Handbücher zu diesem Thema gibt, und die KI lügt wie immer).
Nur das endgültige trainierte Gitter kann in die onnx-Datei eingefügt werden. Es ist auch möglich (theoretisch), eine Vorverarbeitung von Zeichen für das Gitter aus dem Anfangspreis einzufügen. Alles zusammen wird als Pipeline bezeichnet und die Frage ist, wie flexibel die Möglichkeit ist, die gesamte Pipeline in eine ONNX-Datei zu packen.
Niemand will wirklich in dieses Thema eintauchen, denn man muss sehr gut in Python sein und es gibt nur sehr wenige Handbücher zu diesem Thema, und die KI lügt wie immer).
Vorverarbeitung ist grob gesagt Normalisierung, so dass sich die Anzahl der Merkmale nicht ändert....
Ich frage mich, ob es möglich ist, neue Attribute innerhalb zu generieren, das Modell akzeptiert ein Array von ohlc, und innerhalb des ohlc-Formats werden bereits neue Attribute generiert, es gibt noch ein gutes Stück vollwertigen benutzerdefinierten Code innerhalb....
Ich verstehe immer noch nicht, ob es mit wenig Blut getan werden kann oder nicht...
Die Vorverarbeitung besteht im Wesentlichen aus einer Normalisierung, so dass sich die Anzahl der Merkmale nicht ändert.
Ich frage mich, ob es möglich ist, neue Attribute im Inneren zu generieren. Das Modell akzeptiert ein Array von ohlc, und im Inneren des ohlc-Formats werden bereits neue Attribute generiert, es gibt noch ein gutes Stück vollwertigen benutzerdefinierten Code im Inneren....
Ich verstehe immer noch nicht, ob es mit wenig Blut getan werden kann oder nicht...
IMHO, für einen Python-Anfänger definitiv nicht, für einen Python-Profi - es ist eine Frage der Grenzen der Möglichkeiten. Es gibt bisher nur wenige Handbücher und die enthalten nur einfache Beispiele.
Wie dem auch sei, nach zu urteilen
http://w ww.xavierdupre.fr/app/mlprodict/helpsphinx/tutorial/onnx_numpy.html
und unter
http://www.xavierdupre.fr/app/mlprodict/helpsphinx/api/npy.html#l-numpy-onnxpy
wenn Sie nur ein Modell und einen Pip mit einfachen Normalisierungen übertragen müssen, dann ist onnx gut...
aber wenn man etwas Individuelles machen will, ist es entweder AD oder gar nicht möglich...
Ich weiß nicht, für welche Art von Händlern das gedacht ist...
Es sieht so aus, als würden 5 Leute an dem Wettbewerb teilnehmen. 4 von ihnen sind metaquotes-Mitarbeiter, die an der Integration von onnx in metatrader gearbeitet haben.
Wie auch immer, laut
http://w ww.xavierdupre.fr/app/mlprodict/helpsphinx/tutorial/onnx_numpy.html
und von
http://www.xavierdupre.fr/app/mlprodict/helpsphinx/api/npy.html#l-numpy-onnxpy
Wenn Sie nur das Modell und Pip mit einfachen Normalisierungen übertragen müssen, ist onnx gut geeignet.
aber wenn Sie etwas individuelles machen müssen, ist es entweder AD oder gar nicht möglich....
Ich weiß nicht, für welche Art von Händlern das gedacht ist...
Es sieht so aus, als würden 5 Personen an dem Wettbewerb teilnehmen, 4 von ihnen sind metaquotes-Mitarbeiter, die an der Integration in Metatrader gearbeitet haben.
Ich habe einen echten EA mit R, mit dessen erster Version ich den Tester erreicht habe.
Die Struktur ist wie folgt:
1. Es gibt einen gewöhnlichen Expert Advisor auf µl, mit dem üblichen Satz von Funktionen: Arbeiten mit Aufträgen, Stops, MM..... Der Block der Signalerzeugung, in den Beispielen der Metaquotes - der Schnittpunkt von zwei Mashes, wird durch einen Aufruf an R ersetzt, der den nächsten OHLC sendet.
2. Der Code von R besteht grob gesagt aus zwei Teilen:
2.1. Die Umwandlung der OHLC in eine Reihe von Prädiktoren für die Modelle. Dies sind Hunderte (oder Tausende) von Operatoren in R mit Zugriff auf einige Pakete (nicht Modelle) von R.
2.2. die eigentliche Signalberechnung durch das Modell.
3. das Signal für den Handel wird an den Expert Advisor zurückgesendet: -1; 0; 1.
Zurück zum Thema, es stellt sich heraus, dass die Verwendung von ONNX p.2.2 wird ONNX, und in der EA müssen p.2.1 bewegen? Dies ist ein ernsthaftes Unterfangen für mich, da neben den Modellen selbst, andere Pakete von R verwendet werden, deren Algorithmen müssen in µl kodiert werden.
Jetzt gibt es ein interessantes Phänomen in der Gesellschaft - die Popularität von etwas aus der wissenschaftlichen Welt. Daher hat sich das Verhalten geändert: Wenn die wissenschaftliche Beschreibung die Menschen früher abgestoßen hat, zieht sie sie jetzt im Gegenteil an. Um den Absatz zu steigern, ist es daher sinnvoll, andere wissenschaftlich anmutende Begriffe wie "Fourier- und Laplace-Transformationen" zu erwähnen. Und natürlich schöne Bilder/Animationen zum Thema.
Text und Bilder sind schon genug.
Zurück zum Thema: Es stellt sich heraus, dass für die Verwendung von ONNX 2.2.2 in ONNX sein wird und 2.1 in den EA? verschoben werden muss. Das ist ein ernsthaftes Unterfangen für mich, da neben den Modellen selbst auch andere Pakete aus R verwendet werden, deren Algorithmen in µl kodiert werden müssen.
So wie ich es verstehe, ist alles genau wie folgt
--------------------------------
diese Technologie ist nichts für Menschen...
das Wichtigste an einem Modell sind die Attribute, nicht das Modell selbst...
Profis haben den Prozess der Erstellung von Attributen und der Datenverarbeitung bereits etabliert, sie wissen auch, wie man Modelle mit dem Markt verbindet, sie brauchen ONNX einfach nicht.
Und Anfänger kennen ONNX gar nicht.
Für wen das geschaffen wurde, weiß ich im Grunde meines Herzens nicht ...
Für einen Wettbewerb? :)