L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 479
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Je ne peux donc pas vous aider - le problème doit être reproduit avant d'être résolu.
Vous pouvez essayer d'utiliserEventSetTimer pour le délai- lisez l'indicateur quelques secondes après l'apparition de la barre.
Merci pour la recommandation.
Puis-je l'utiliser non pas en quelques secondes mais en 30 secondes environ ? Comment faire ?
Pouvez-vous le faire en 30 secondes au lieu de quelques secondes ? Et comment faites-vous cela ?
Oui, vous pouvez. Recherchez les indicateurs dans la base de code sur son exemple.
En ce qui concerne ma question, je suppose qu'il n'y a pas de spécialistes ????.
Est-ce que quelqu'un utilise APi de Nvidea. Je me suis renseigné l'autre jour sur les cartes, et j'ai vu que la société fabrique des cartes pour l'exploitation minière, sans connecteurs vidéo.
Est-ce que quelqu'un utilise APi de Nvidea. J'ai parcouru le plan des cartes l'autre jour, je vois que la firme fabrique des cartes pour le minage, sans connecteurs vidéo.
J'ai oublié, et une certaine API a été publié, c'est-à-dire CUDA
Il y a beaucoup d'api nvidia sur le marché -
OpenCL est une norme populaire, vous devez écrire du code C personnalisé. Il est pris en charge par Nvidia et AMD, vous pouvez même installer la bibliothèque pour les processeurs du processeur au lieu de la carte vidéo. Je l'utilise dans R via la bibliothèquehttps://cran.r-project.org/web/packages/OpenCL/index.html.
MT5 peut également utiliser cette API.
CUDA est une sorte de bibliothèque strictement nvidia, et par exemple les vises AMD ne la supportent pas. Il s'agit de prendre un code C++ normal et de le compiler pour qu'il fonctionne sur la carte graphique. Il y a peut-être des restrictions sur les fonctions autorisées, je n'ai pas cherché à en savoir plus.
CUDNN est une api et une bibliotec du moteur neuronal basé sur CUDA.
Il existe un tel neurone MXNET, il supporte toutes ces technologies, vous pouvez l'utiliser pour tester la vidéohttps://mxnet.incubator.apache.org/get_started/install.html.
Aidez-moi à comprendre le processus :)
En utilisant un classificateur linéaire comme exemple. Supposons que nous enseignons quelque chose au classificateur, nous alimentons les incréments de prix de 0 à 1 à 2 sorties, où 0,5 est un signal nul (la somme des sorties est toujours égale à un).
Si nous traçons simplement une ligne de régression, par exemple, en fonction des prix, les plus grands incréments de prix seront plus éloignés de la ligne, les plus petits plus proches, c'est-à-dire que si les sorties du classificateur sont 0,9 ; 0,1, l'incrément positif est éloigné de la ligne, c'est-à-dire que le signal 0,9 sera plus fort que le signal 0,6 pour acheter.
Et si nous prenons un réseau de neurones avec une classification non linéaire, les sorties montreront-elles l'intensité du signal ou seulement le degré d'appartenance à l'une des deux classes et pas plus ?
C'est-à-dire si cette condition sera remplie :
Il me semble que dans cette situation, déjà la moitié des débutants, ayant une mauvaise connaissance de la matrice, échoueront... Parce que le degré d'appartenance à telle ou telle classe, intuitivement, parlera d'une force de signal plus ou moins grande. Mais est-ce vraiment le cas et ne vaut-il pas mieux créer plus de classes pour distribuer les valeurs d'incrément en, disons, %, puis obtenir une valeur dans l'une ou l'autre classe (une parmi 10, disons) indiquera déjà exactement la valeur d'incrément.Aidez-moi à comprendre le processus :)
En utilisant un classificateur linéaire comme exemple. Supposons que nous enseignons quelque chose au classificateur et que nous fournissons des incréments de prix de 0 à 1 aux sorties, où 0,5 n'est pas un signal.
Si nous traçons simplement une ligne de régression, par exemple, en fonction des prix, les augmentations de prix les plus importantes seront plus éloignées de la ligne et les plus petites plus proches. Cela signifie que si les sorties du classificateur indiquent 0,9 ; 0,1, l'augmentation positive est éloignée de la ligne, c'est-à-dire que le signal 0,9 sera plus fort que le signal 0,6 pour acheter.
Et si nous prenons un réseau de neurones avec une classification non linéaire, les sorties montreront-elles l'intensité du signal ou seulement le degré d'appartenance à l'une des deux classes et pas plus ?
C'est-à-dire si cette condition sera remplie :
Comprendre : la ligne est la frontière (dans le cas le plus simple, la valeur moyenne). Plus les prix marginaux sont proches de la limite, moins ils s'écartent de la moyenne, bien qu'en valeur absolue ils puissent ne pas être petits du tout. (pour cette formulation du problème)
Comprendre : la ligne est une frontière (dans le cas le plus simple, la valeur moyenne). Plus les prix marginaux sont proches de la limite, moins ils s'écartent de la moyenne, même si, en termes absolus, ils peuvent ne pas être petits du tout. (pour cette formulation du problème)
En d'autres termes, le degré d'appartenance de la cible à la classe ne permet pas de conclure à la variation absolue, 0,9 ne signifie pas que l'augmentation du prix sera plus importante que dans le cas de 0,6.
En d'autres termes, le degré d'appartenance de la cible à une classe ne peut pas être utilisé pour déduire un changement absolu, 0,9 ne signifiera pas que l'augmentation du prix sera plus importante que dans le cas de 0,6.
Là encore, cela dépend de la manière dont la classification est construite. Dans l'exemple ci-dessus, la classification était basée sur la distance par rapport à la ligne centrale (frontière) sans tenir compte de la valeur absolue de l'incrément. Si la valeur absolue de l'augmentation était introduite, la classification serait en principe différente. Son échelle sera également différente.