L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3258

Nuovo commento
 
fxsaber #:
Quasi il doppio del consumo dovuto a questa linea.

È solo una transizione da CMatrixDouble a matrix<double>. Ho anche dovuto fare questo confronto tra matrici per motivi di memoria.

E il tempo è aumentato del 40% a causa di questa conversione. Commentato // Res = MatrixOut.ToMatrix();

matrix<double> Matrix1 = CorrMatrix(Matrix) - 10482307 mcs, 0 MB
matrix<double> Matrix2 = Matrix.CorrCoef(false) - 28882536 mcs, 1717 MB

Cioè se si lavora solo con Alglibov fnzionale (senza convertire le sue matrici in matrici terminali), sarà più veloce.

 
fxsaber #:

Quanto tempo impiega Python per calcolare la stessa dimensione della matrice originale come nell'esempio precedente?

import numpy as np
import time

def calc_corr_matrix():
    arr = np.random.rand(15000, 100).astype(np.float32)
    corr_matrix = np.corrcoef(arr)
    size_in_mb = corr_matrix.nbytes / 1024**2
    print("Array size:", size_in_mb, "MB")
    return corr_matrix

start_time = time.time()
corr_matrix = calc_corr_matrix()
end_time = time.time()

print("Time taken:", end_time - start_time, "seconds")
Array size: 1716.61376953125 MB
Time taken: 2.08686900138855 seconds

Misura del tempo considerando la creazione della matrice

 

gettare via le pietre )



 
Maxim Dmitrievsky #:

Misurazione del tempo tenendo conto della creazione della matrice

Array size: 1716.61376953125 MB
Time taken: 4.784467697143555 seconds

Questo è su un vecchio FX-8350.

 
fxsaber #:

Su questa base ho effettuato un calcolo della matrice di correlazione.

Ho misurato le prestazioni.

Per le statistiche, questo è il risultato che ho ottenuto

2023.09.26 06:28:23.304 Test_Corr (USDJPY,H1)   EX5: 3981 AVX Release.
2023.09.26 06:28:23.304 Test_Corr (USDJPY,H1)   TerminalInfoString(TERMINAL_CPU_NAME) = AMD FX-8350 Eight-Core 
2023.09.26 06:28:23.304 Test_Corr (USDJPY,H1)   TerminalInfoInteger(TERMINAL_CPU_CORES) = 8 
2023.09.26 06:28:23.304 Test_Corr (USDJPY,H1)   TerminalInfoString(TERMINAL_CPU_ARCHITECTURE) = AVX 
2023.09.26 06:28:23.332 Test_Corr (USDJPY,H1)   inRows = 100 inCols = 15000 
2023.09.26 06:28:45.032 Test_Corr (USDJPY,H1)   matrix<double> Matrix1 = CorrMatrix(Matrix) - 21700095 mcs, 1717 MB
2023.09.26 06:29:48.495 Test_Corr (USDJPY,H1)   matrix<double> Matrix2 = Matrix.CorrCoef(false) - 63460976 mcs, 1717 MB
2023.09.26 06:29:50.225 Test_Corr (USDJPY,H1)   IsEqual(Matrix1, Matrix2) = true 

2023.09.26 06:34:21.572	Test_Corr (USDJPY,H1)	EX5: 3981 X64 Regular Release.
2023.09.26 06:34:21.572	Test_Corr (USDJPY,H1)	TerminalInfoString(TERMINAL_CPU_NAME) = AMD FX-8350 Eight-Core 
2023.09.26 06:34:21.572	Test_Corr (USDJPY,H1)	TerminalInfoInteger(TERMINAL_CPU_CORES) = 8 
2023.09.26 06:34:21.572	Test_Corr (USDJPY,H1)	TerminalInfoString(TERMINAL_CPU_ARCHITECTURE) = AVX 
2023.09.26 06:34:21.600	Test_Corr (USDJPY,H1)	inRows = 100 inCols = 15000 
2023.09.26 06:34:42.908	Test_Corr (USDJPY,H1)	matrix<double> Matrix1 = CorrMatrix(Matrix) - 21308403 mcs, 1717 MB
2023.09.26 06:35:46.736	Test_Corr (USDJPY,H1)	matrix<double> Matrix2 = Matrix.CorrCoef(false) - 63826475 mcs, 1717 MB
2023.09.26 06:35:48.481	Test_Corr (USDJPY,H1)	IsEqual(Matrix1, Matrix2) = true
Chiaramente Python è molto più veloce. Ciò significa che anche C sarà più veloce, quindi si scopre che MQ non ci sta dicendo qualcosa, promettendo prestazioni comparabili....

Devo notare che Python ha una piccola parallelizzazione durante l'esecuzione del codice - per mezzo secondo per circa due core, il resto viene conteggiato su un core.

 
La libreria NumPy è scritta in C
 
Maxim Dmitrievsky #:
la libreria NumPy è scritta in C.

Beh, sì, ha senso. Ecco perché ho detto che il wrapper python è più veloce di un compilatore C come MQL5.

 

Qui su R ChatGPT offre

set.seed(123)  #  Задаем зерно для воспроизводимости результатов

calc_corr_matrix <- function() {
  #arr <- matrix(runif(15000 * 100), nrow = 15000, ncol = 100)
  arr <- matrix(runif(100 * 15000), nrow = 100, ncol = 15000)
  corr_matrix <- cor(arr)
  size_in_mb <- object.size(corr_matrix) / 1024^2
  cat("Array size:", size_in_mb, "MB\n")
  return(corr_matrix)
}

start_time <- Sys.time()
corr_matrix <- calc_corr_matrix()
end_time <- Sys.time()

cat("Time taken:", as.numeric(end_time - start_time), "seconds\n")

Risultato

> set.seed(123)  #  Задаем зерно для воспроизводимости результатов

> calc_corr_matrix <- function() {
+   #arr <- matrix(runif(15000 * 100), nrow = 15000, ncol = 100)
+   arr <- matrix(runif(100 * 15000), nrow = 100,  .... [TRUNCATED] 

> start_time <- Sys.time()

> corr_matrix <- calc_corr_matrix()
Array size: 1716.614 MB

> end_time <- Sys.time()

> cat("Time taken:", as.numeric(end_time - start_time), "seconds\n")
Time taken: 27.92359 seconds
>
 

Da quanto ho capito, python può lavorare con una matrice intera e le velocità qui sono di un ordine diverso qui

import numpy as np
import time

def calc_corr_matrix():
    arr = np.random.randint(1, 101, size=(15000, 100), dtype=np.int32)
    corr_matrix = np.corrcoef(arr, rowvar=False)
    size_in_mb = corr_matrix.nbytes / 1024**2
    print("Array size:", size_in_mb, "MB")
    return corr_matrix

np.random.seed(123)  #  Задаем зерно для воспроизводимости результатов

start_time = time.time()
corr_matrix = calc_corr_matrix()
end_time = time.time()

print("Time taken:", end_time - start_time, "seconds")

Se il codice è corretto, il risultato è il seguente

Array size: 0.0762939453125 MB
Time taken: 0.5172276496887207 seconds

La questione dell'accuratezza/comparabilità dei risultati dei calcoli dovrebbe essere verificata.

 
fxsaber #:

Si tratta semplicemente di una transizione da CMatrixDouble a matrix<double>.

Richiede il 20% in più di tempo di esecuzione per convertire i formati in entrambi i modi. Ma è ancora molto più lento (> 3 volte) di NumPy.

1...325132523253325432553256325732583259326032613262326332643265...3399
Nuovo commento
Motivazione: