Discussione sull’articolo "Come utilizzare i modelli ONNX in MQL5"
Ho ottenuto la conversione in modelli ONNX per LightGBM in python 3.10 e 3.11, con i pacchetti onnxmltools e onnxconverter_common. L'output funzionava solo in python 3.10 con il pacchetto onnxruntime, che non andava bene in 3.11. Forse qualcosa è cambiato nelle ultime tre settimane.
Peccato che ME5 non supporti il launcher python py.
Cosa cambiare, quali numeri in quale intervallo inserire, ecc. Lavoro meccanico, per favore
strumento/timeframe e date in copy_rates_range, numero di prezzi di chiusura in ingresso per la previsione (qui time_step = 120 e input_shape=(120,1) in model.add(Conv1D)), - in questo caso è il numero di prezzi di chiusura orari su cui si basa la prossima previsione di prezzo.
l'architettura stessa dei modelli, ad es.
model = Sequential() model.add(LSTM(units = 50, return_sequences = True, input_shape = (time_step, 1))) model.add(Dropout(0.2)) model.add(LSTM(units = 50, return_sequences = True)) model.add(Dropout(0.2)) model.add(LSTM(units = 50, return_sequences = True)) model.add(Dropout(0.2)) model.add(LSTM(units = 50)) model.add(Dropout(0.2)) model.add(Dense(units = 1)) model.compile(optimizer='adam',loss= 'mse',metrics=[rmse()])
i parametri dell'EA
input double InpLots = 1.0; // Importo del lotto per aprire la posizione input bool InpUseStops = true; // Utilizzare gli stop nel trading input int InpTakeProfit = 500; // Livello di TakeProfit input int InpStopLoss = 500; // Livello di StopLoss
l'algoritmo di trading stesso, ecc.
instrument/timeframe e date in copy_rates_range, il numero di prezzi di chiusura in ingresso per la previsione (qui time_step = 120 e input_shape=(120,1) in model.add(Conv1D)) nell'EA cambia
l'architettura dei modelli stessi, ad es.
Parametri EA
l'algoritmo di trading stesso, ecc.
Grazie
instrument/timeframe e date in copy_rates_range, il numero di prezzi di chiusura in ingresso per la previsione (qui time_step = 120 e input_shape=(120,1) in model.add(Conv1D)) nell'EA cambia
l'architettura dei modelli stessi, ad es.
Parametri EA
l'algoritmo di trading stesso, ecc.
Potreste indicarmi dove buttare questi file? (Li ho scaricati dal sito e non c'è nessun programma di installazione, solo file in una cartella).
I calcoli su GPU sono stati eseguiti su una scheda grafica NVIDIA GeForce RTX 2080 Ti utilizzando le librerie ... e CUDNN 8.1.0.7.
Potreste indicarmi dove lanciare questi file? (Li ho scaricati dal sito e non c'è un programma di installazione, solo file in una cartella).
C'è un video che spiega come installare CUDA, CUDNN, Keras e TensorFlow su Windows 11 per il GPU Deep Learning.
Nel primo commento del video, notare che è necessario specificare esplicitamente la versione di tensorflow 2.10.0.
- 2022.01.05
- www.youtube.com
È disponibile un video su come installare CUDA, CUDNN, Keras e TensorFlow su Windows 11 per il GPU Deep Learning.
Preso!
Potreste dirmi dove sperimentare qui?
Cosa cambiare, quali numeri in quale intervallo inserire, ecc. Lavoro meccanico, per favore
Non ha senso fare esperimenti, perché una previsione di questo tipo non differisce da una previsione ingenua (il valore del prezzo di chiusura precedente viene preso come previsione). In questo caso, si ottiene quasi il minimo errore di apprendimento (RMS), che non dice nulla sulla capacità predittiva del modello. Si tratta piuttosto di un esempio didattico su ONNX che dimostra come anche un'architettura complessa possa essere facilmente trasferita al terminale. Non so cosa si siano fumati gli autori di quell'articolo sulla ricerca di architetture di reti neurali per la previsione delle serie temporali :) in questo caso è necessaria una stima adeguata, oppure una classificazione invece di una regressione.
Opzioni di metriche per gli esperimenti
- Pablo Cánovas
- medium.com
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Accetti la politica del sito e le condizioni d’uso
Il nuovo articolo Come utilizzare i modelli ONNX in MQL5 è stato pubblicato:
ONNX (Open Neural Network Exchange) è un formato aperto creato per rappresentare modelli di machine learning. In questo articolo considereremo come creare un modello CNN-LSTM per prevedere le serie temporali finanziarie. Mostreremo anche come utilizzare il modello ONNX creato in un Expert Advisor MQL5.
Esistono due modi per creare un modello: È possibile utilizzare OnnxCreate per creare un modello da un file onnx o OnnxCreateFromBuffer per crearlo da un array di dati.
Se un modello ONNX viene utilizzato come risorsa in un EA, sarà necessario ricompilare l'EA ogni volta che si modifica il modello.
Non tutti i modelli hanno dimensioni di ingresso e/o di uscita del tensore completamente definite. Questa è normalmente la prima dimensione responsabile della dimensione del pacchetto. Prima di eseguire un modello, è necessario specificare in modo esplicito le dimensioni utilizzando le funzioni OnnxSetInputShape e OnnxSetOutputShape .
I dati di input del modello dovrebbero essere preparati nello stesso modo in cui è stato fatto durante l'addestramento del modello.
Autore: MetaQuotes