OpenCL: test di implementazione interna in MQL5 - pagina 70
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Forse Renat può vedere cosa si può imparare da questo. È abbastanza possibile che la nuova specifica dia migliori prestazioni anche in MQL5, vero?
Per quanto riguarda C#/C++, se necessario, possiamo anche scaricarlo. La cosa principale è ottenere il massimo rendimento possibile. ;)
Ho testato alcuni degli script in questo thread su una tale macchina:
CPU-Z
CUDA-Z
Per ogni script fornirò un link al post dove è stato pubblicato in modo che altri possano trovarlo rapidamente, eseguire i test e confrontare i risultati se necessario.
Prova 1
Prova 2
Prova 3
scala = 1000
Prova 4
Prova 5
Prova 6
Prova7
Test 8
Ho anche provato a testare l'indicatoreqpu_EMA-Rainbow di MetaDriver.
Sulla CPU, il risultato è a volte fino a 2x meglio. Ecco il risultato:
//---
Volodya(MetaDriver), mi mostri i suoi risultati?
P.S. Ho cambiato il mio tipo nel codice del kernel nei parametri della funzione gpuEMA da__global a__local. Un po' più veloce, ma ancora più lento che sulla CPU.
Ho anche provato a testare l'indicatoreqpu_EMA-Rainbow di MetaDriver.
Sulla CPU, il risultato è a volte fino a 2x meglio. Ecco il risultato:
Volodya(MetaDriver), mi mostri i suoi risultati?
P.S. Cambiato nel codice del kernel nei parametri della funzione gpuEMA da__global a__local. Un po' più veloce, ma ancora più lento che sulla CPU.
Ho risultati simili. Questo è stato discusso a lungo, e ha senso - il compito è troppo semplice, trasferire la memoria da e verso la scheda video non paga. Il vantaggio della GPU appare in compiti più complessi.
Un esempio di utilizzo dell'accelerazione GPU per il trading (derivati).
Mark Joshi - famoso per i suoi libri sulla matematica finanziaria, in particolare sui derivati e sul trading di opzioni, ha riportato qui il suo lavoro:
http://ssrn.com/abstract=2388415
Ha tradotto il suo lavoro in stile OOP su GPU CUDA. L'ha iniziato nel 2010, poi ha avuto una pausa, e dal 2011 fino all'estate 2014 è arrivato alla versione 0.3 funzionante. È riuscito a raggiungere un'accelerazione di 100X... 137X volte - e questo su un algoritmo FANTASTICO, che è difficile.
Il lavoro ha usato la libreria QuantLib in C++, che lui stesso ammette di aver dovuto rielaborare sulla falsariga di "OOP ->-> approccio procedurale" - per far funzionare il tutto sulla GPU CUDA.
Egli scrive:
"Ho implementato la tariffazione Monte Carlo dell'IRD con la LMM sulla GPU con i minimi quadrati per le caratteristiche dell'esercizio iniziale.
Potete ottenere il codice da kooderive.sourceforge.net sia in C++ che in CUDA. Il documento è su ......
Ho usato un codice completamente diverso per CUDA rispetto a quello che avevo usato in precedenza per C++. In sostanza, tratto i dati come concetto centrale e uso il codice per agire sui dati. Lo stile è molto funzionale. C'è voluto molto lavoro perché le mie precedenti implementazioni C++ erano orientate agli oggetti".
Il suo progetto stesso è open source:
http://sourceforge.net/projects/kooderive/