Diskussion zum Artikel "ONNX meistern: Der Game-Changer für MQL5-Händler"
Sehen Sie sich den neuen Artikel an: Mastering ONNX: Der Game-Changer für MQL5-Händler.
Autor: Omega J Msigwa
Sie haben absolut Recht, das ist ein Game-Changer. Ich hatte die Idee, modernes maschinelles Lernen auf die Finanzmärkte anzuwenden, schon fast aufgegeben, denn bevor Sie mich über ONNX aufklärten, bestand der einzige Weg nach vorn darin, all diese Algorithmen noch einmal von vorne zu schreiben, ohne jeglichen Spielraum für Fehler, und das ist ein Himmelfahrtskommando für den Standpunkt eines Optimisten. Aber das ist ein Grund zum Feiern!
Sie haben absolut Recht, das ist ein Wendepunkt. Ich hätte die Idee, modernes maschinelles Lernen auf die Finanzmärkte anzuwenden, fast aufgegeben, denn bevor Sie mich über ONNX unterrichtet haben, bestand der einzige Weg nach vorn darin, all diese Algorithmen noch einmal neu zu schreiben, ohne jeglichen Spielraum für Fehler, und das ist ein Himmelfahrtskommando für den Standpunkt des Optimisten. Aber das ist ein Grund zum Feiern!
Ich weiß es zu schätzen
ja Sie können es tun
Omega J Msigwa schätzt Ihren ausführlichen Artikel.
Dieser Artikel berechnet eine Reihe von Normalisierungsparametern für alle historischen Daten, normalisiert dann die Daten für das Training damit und wendet die gleichen Das ist sehr logisch, denn das Modell wurde auf diese Weise trainiert. Es gibt ein paar Zweifel, die Sie hoffentlich klären können?
- Wenn die Live-Daten (in der Zukunft) einen höheren Maximalwert oder einen niedrigeren Minimalwert aufweisen, müssten wir das Modell neu trainieren?
- Diese Normalisierungsmethode unterscheidet sich von der in einigen Artikeln(12433, 12484 usw.) erwähnten Methode, d. h. die Normalisierungsberechnung wurde vor dem Training und der Live-Vorhersage auf jeden Stichprobensatz angewandt und (falls erforderlich) nach der Live-Vorhersage de-normalisiert. Was halten Sie von diesen Ansätzen im Vergleich zu denen in diesem Artikel?
Omega J Msigwa schätzt Ihren ausführlichen Artikel.
Dieser Artikel berechnet eine Reihe von Normalisierungsparametern für alle historischen Daten, normalisiert dann die Daten für das Training damit und wendet die gleichen Das ist sehr logisch, denn das Modell wurde auf diese Weise trainiert. Es gibt ein paar Zweifel, die Sie hoffentlich klären können.
- Wenn die Live-Daten (in der Zukunft) einen höheren Maximalwert oder einen niedrigeren Minimalwert aufweisen, müssten wir das Modell neu trainieren?
- Diese Normalisierungsmethode unterscheidet sich von der in einigen Artikeln(12433, 12484 usw.) erwähnten Methode, d. h. die Normalisierungsberechnung wurde vor dem Training und der Live-Vorhersage auf jeden Stichprobensatz angewandt und (falls erforderlich) nach der Live-Vorhersage de-normalisiert. Was halten Sie von diesen Ansätzen im Vergleich zu denen in diesem Artikel?
01: Gute Frage: Wenn die Daten einen neuen höheren Maximalwert oder einen niedrigeren Minimalwert aufweisen, müssen Sie das Modell möglicherweise neu trainieren, um es relevanter zu machen.
02: Ich würde sagen, dass nach der ML-Theorie die Normalisierungsberechnung, die in diesem Artikel angewandt wurde, die richtige ist, und sie macht Sinn. Eine Normalisierung für unterschiedliche Parameter für jede Stichprobe ist nicht akzeptabel (nicht meine Worte)
Hallo, sehr sehr guter Artikel
Ich frage mich, ob es möglich ist, die Daten für einen bestimmten Zeitraum zu exportieren, z.B. von 2018 bis 2020
Vielen Dank dafür!
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel ONNX meistern: Der Game-Changer für MQL5-Händler :
Tauchen Sie ein in die Welt von ONNX, dem leistungsstarken offenen Standardformat für den Austausch von Modellen für maschinelles Lernen. Entdecken Sie, wie der Einsatz von ONNX den algorithmischen Handel in MQL5 revolutionieren kann, indem er es Händlern ermöglicht, hochmoderne KI-Modelle nahtlos zu integrieren und ihre Strategien auf ein neues Niveau zu heben. Entdecken Sie die Geheimnisse der plattformübergreifenden Kompatibilität und lernen Sie, wie Sie das volle Potenzial von ONNX in Ihren MQL5-Handelsbestrebungen ausschöpfen können. Verbessern Sie Ihr Trading-Spiel mit diesem umfassenden Leitfaden zur Beherrschung von ONNX.
Es ist unbestreitbar, dass wir uns im Zeitalter der KI und des maschinellen Lernens befinden. Jeden Tag gibt es eine neue KI-basierte Technologie, die in den Bereichen Finanzen, Kunst und Spiele, Bildung und vielen anderen Lebensbereichen eingesetzt wird.
Wenn wir Händler lernen, die Macht der künstlichen Intelligenz zu nutzen, könnte uns das einen Vorteil gegenüber dem Markt verschaffen, da wir Muster und Beziehungen erkennen können, die wir mit dem menschlichen Auge nicht sehen können.
Auch wenn KI cool und magisch erscheint, stecken hinter den Modellen komplexe mathematische Operationen, die einen enormen Arbeitsaufwand und ein hohes Maß an Genauigkeit und Konzentration erfordern, wenn man diese maschinellen Lernmodelle von Grund auf neu implementieren will, was dank open-source.
Heutzutage muss man nicht einmal mehr ein Mathe- und Programmiergenie sein, um KI-Modelle zu erstellen und zu implementieren. Man braucht nur ein Grundverständnis für eine bestimmte Programmiersprache oder die Tools, die man für sein Projekt verwenden möchte, und einen PC. In einigen Fällen muss man nicht einmal einen PC besitzen, denn dank Diensten wie Google Colab kann man mit Python kostenlos KI-Modelle programmieren, erstellen und ausführen.
So einfach es ist, Modelle des maschinellen Lernens mit Python und anderen beliebten und ausgereiften Programmiersprachen zu implementieren, so einfach ist es nicht, um ehrlich zu sein, dies in MQL5 zu tun. Wenn Sie das Rad nicht neu erfinden wollen, indem Sie Machine-Learning-Modelle in MQL5 von Grund auf neu erstellen, was wir in dieser Artikelserie tun, würde ich dringend empfehlen, ONNX zu verwenden, um in Python erstellte AI-Modelle in MQL5 zu integrieren. ONNX wird jetzt in MQL5 unterstützt. Ich bin so begeistert, ich glaube, das sollten Sie auch sein.
Autor: Omega J Msigwa