Discusión sobre el artículo "Dominando ONNX: Un punto de inflexión para los tráders de MQL5"
Echa un vistazo al nuevo artículo: Mastering ONNX: The Game-Changer for MQL5 Traders.
Autor: Omega J Msigwa
Tienes toda la razón, esto es un cambio de juego. Estuve a punto de desechar la idea de aplicar el aprendizaje automático moderno a los mercados financieros porque antes de que me enseñaras ONNX, la única forma de avanzar iba a ser volver a escribir todos estos algoritmos de nuevo sin margen de error alguno, y eso es una misión suicida para el punto de vista optimista. Pero esto es motivo de celebración.
Tienes toda la razón, esto cambia las reglas del juego. Estuve a punto de desechar la idea de aplicar el aprendizaje automático moderno a los mercados financieros porque, antes de que me enseñaras ONNX, la única forma de avanzar iba a ser reescribir todos estos algoritmos de nuevo sin margen de error alguno, y eso es una misión suicida para el punto de vista optimista. Pero esto es motivo de celebración.
Se lo agradezco.
sí se puede hacer
Omega J Msigwa agradece su detallado artículo.
Este artículo calcula un conjunto de parámetros de normalización de todos los datos históricos, luego normaliza los datos con él para el entrenamiento, y aplica los mismos parámetros de normalización a los datos reales; lo cual es muy lógico, porque el modelo se entrenó así. Tengo algunas dudas que espero me puedan aclarar, por favor.
- Si los datos reales (futuros) experimentan un Máx. mayor o un Mín. menor, ¿tendríamos que volver a entrenar el modelo?
- Este método de normalización difiere del mencionado en algunos artículos(12433, 12484, etc.), es decir, el cálculo de normalización se aplicó a cada conjunto de muestras antes del entrenamiento y de la predicción en tiempo real, y (si era necesario), se desnormalizó después de la predicción en tiempo real. ¿Qué opina de estos métodos en comparación con los de este artículo?
Omega J Msigwa agradece su detallado artículo.
Este artículo calcula un conjunto de parámetros de normalización de todos los datos históricos, luego normaliza los datos con él para el entrenamiento, y aplica los mismos parámetros de normalización a los datos reales; lo cual es muy lógico, porque el modelo se entrenó así. Tengo algunas dudas que espero me puedan aclarar, por favor.
- Si los datos reales (futuros) experimentan un Máx mayor o un Mín menor, ¿tendríamos que volver a entrenar el modelo?
- Este método de normalización difiere del mencionado en algunos artículos(12433, 12484, etc.), es decir, el cálculo de normalización se aplicó a cada conjunto de muestras antes del entrenamiento y de la predicción en tiempo real, y (si era necesario), se desnormalizó después de la predicción en tiempo real. ¿Qué opina de estos métodos en comparación con los de este artículo?
01: Buena pregunta: si los datos experimentan un nuevo máximo más alto o un nuevo mínimo más bajo, es posible que tengas que volver a entrenar el modelo para que sea más relevante.
02: Yo diría que, según la teoría ML, el cálculo de normalización que se aplicó en este artículo es el correcto, y tiene sentido. Normalizar para diferentes parámetros para cada muestra no es aceptable (no son mis palabras)
¿Es posible volver a entrenar el modelo desde dentro de su asesor experto? ¿Para que pueda optimizarse a sí mismo a medida que avanza?
La formación se realiza desde el lado de python de las cosas y es donde el modelo entrenado se guarda, por lo que la respuesta es No.
Hola, muy muy buen articulo
Me pregunto si es posible exportar los datos para un período determinado, como por 2018 a 2020
gracias
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Artículo publicado Dominando ONNX: Un punto de inflexión para los tráders de MQL5:
Sumérjase en el mundo de ONNX, un potente formato abierto para compartir modelos de aprendizaje automático. Descubra cómo el uso de ONNX puede revolucionar el trading algorítmico en MQL5, permitiendo a los tráders integrar sin problemas modelos avanzados de IA y llevar sus estrategias al siguiente nivel. Descubra los secretos de la compatibilidad multiplataforma y aprenda a liberar todo el potencial de ONNX en sus operaciones MQL5. Mejore sus operaciones con esta guía detallada de ONNX.
No se puede negar que vivimos en la era de la inteligencia artificial (IA) y el aprendizaje automático: cada día surgen nuevas tecnologías basadas en IA, que se aplican en las finanzas, el arte, los juegos, la educación y muchas otras esferas de la vida.
Para nosotros, los tráders, la IA resulta útil porque nos permite detectar patrones y relaciones que no podemos ver a simple vista.
A pesar de su aparente poder y magia, detrás de los modelos de IA hay operaciones matemáticas complejas cuya correcta comprensión e implementación requieren una enorme cantidad de trabajo y un alto grado de precisión. Afortunadamente, el código fuente abierto facilita mucho las cosas al eliminar la necesidad de implementar un modelo de aprendizaje automático desde cero.
Hoy en día, no resulta imprescindible ser un genio de las matemáticas y la programación para crear e implementar modelos de IA. Todo lo que necesitamos es una comprensión básica del lenguaje de programación específico o de las herramientas que deseamos utilizar en nuestros proyectos. A veces ni siquiera necesitamos tener una computadora. Gracias a servicios como Google Colab, podemos codificar, crear y ejecutar modelos de IA usando Python de forma gratuita.
La implementación de modelos de aprendizaje automático utilizando Python y otros lenguajes de programación populares y desarrollados resulta relativamente sencillo, lo cual no se puede decir de MQL5. A menos que deseemos reinventar la rueda creando modelos de aprendizaje automático en MQL5 desde cero, que es lo que estamos haciendo en esta serie de artículos, le recomiendo encarecidamente usar ONNX para integrar modelos de IA creados con Python. Afortunadamente, ONNX ahora es compatible con MQL5.
Autor: Omega J Msigwa