트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩 - 페이지 3243 1...323632373238323932403241324232433244324532463247324832493250...3399 새 코멘트 blef 2023.09.14 13:20 #32421 fxsaber #: 표준 MA에서 패턴을 확인하며, 틱에 대해서만 확인합니다. ... 작업 패턴. 그리고 여전히 불분명합니다: 이 작업 템플릿에 ONNX-SIGNAL이 어떻게 들어갈까요? fxsaber 2023.09.14 13:29 #32422 blef #:그리고 아직 명확하지 않은 점: 이 작업 템플릿에 ONNX-SIGNAL을 어떻게 넣을 것인가? 이 기능의 본문의 변형을 통해. 트레이딩, 자동매매 시스템 및 테스트 트레이딩 전략에 관한 포럼 트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩 FXSABER, 2023.09.13 19:28 // Торговый сигнал. double SignalONNX( const MqlTick &Tick ) { return(0); } 각 틱은 입력에 온다 - 출력은 거래 신호에 대한 ONNX 결정입니다. 이러한 기능의 본문의 변형은 위에 표시되었습니다. ONNX의 경우 자체 모델 .onnx가 연결됩니다. EA 템플릿은 변경되지 않습니다. blef 2023.09.14 13:44 #32423 fxsaber #:이 기능의 신체 변형을 통해. 각 틱은 입력에 온다 - 출력은 거래 신호에 대한 ONNX 결정입니다. 이러한 기능의 본문의 변형은 위에 나와 있습니다. ONNX의 경우 자체 model.onnx가 연결됩니다. EA 템플릿은 변경되지 않습니다. 즉, 이 함수의 본문은 이 페이지의 MQL5 도움말( https://www.mql5.com/ru/docs/onnx?)에 지정된 함수를 구현해야 합니다. Документация по MQL5: ONNX модели www.mql5.com ONNX модели - Справочник MQL5 - Справочник по языку алгоритмического/автоматического трейдинга для MetaTrader 5 Aleksey Nikolayev 2023.09.14 13:55 #32424 blef #:즉, 이 함수의 본문은 이 페이지의 MQL5 도움말( https://www.mql5.com/ru/docs/onnx?)에 지정된 함수를 구현해야 합니다. 처음 세 개를 제외한 나머지 함수는 ONNX 세션 생성 및 삭제를 담당합니다. blef 2023.09.14 14:01 #32425 알겠습니다, 명확히 설명해 주셔서 감사합니다. 국방부에 대해 알아보도록 하겠습니다. fxsaber 2023.09.14 14:12 #32426 blef #:즉, 이 함수의 본문은 이 페이지의 MQL5 도움말( https://www.mql5.com/ru/docs/onnx?)에 지정된 함수를 구현해야 합니다. 와 같습니다. // Торговый сигнал. double SignalONNX( const MqlTick &Tick ) { struct ONNX { public: const long Handle; ONNX( const string FileName ) : Handle(::OnnxCreate(FileName, ONNX_DATA_TYPE_DOUBLE)) {} ~ONNX() { ::OnnxRelease(this.Handle); } } static const Model("model.onnx"); // Подключили модель с автоматическим отключением. OnnxRun(Model.Handle, ONNX_DATA_TYPE_DOUBLE, ...); // Прогоняем данные через модель, получаем результат. // .... Обрабатываем результат вычислений. return(0); // Возвращаем торговый сигнал. } Andrey Dik 2023.09.14 14:40 #32427 fxsaber #:맞습니다. 대체로 괜찮습니다. 하지만 함수가 반환하는 값이 두 배인 이유는 무엇일까요? СанСаныч Фоменко 2023.09.14 14:43 #32428 어떤 이유에서인지 신경망에 대해 계속 이야기합니다. 하지만 여기에 변환기가 있습니다. Microsoft의 ONNXMLTools를사용하면 모델을 ONNX 형식으로 변환 할 수 있습니다. 다음 모델을 변환할 수 있습니다. ONNX 형식으로 변환(ONNXMLTools) ONNXMLTools를 사용하면 다양한 머신러닝 툴킷의 모델을ONNX 형식으로 변환할 수 있습니다. 설치 및 사용 지침은GitHub의 ONNXMLTools리포지토리에서 확인할 수 있습니다. 지원 현재 지원되는 툴킷은 다음과 같습니다: Keras(keras2onnx 변환기 셸); Tensorflow(tf2onnx 변환기 셸); scikit-learn(skl2onnx 변환기 셸); Apple Core ML; Spark ML(실험 모드); LightGBM libscm; XGBoost; H2O CatBoost 이 목록에는 신경망보다 비신경망이 더 많이 있습니다. Документация по MQL5: ONNX модели www.mql5.com ONNX модели - Справочник MQL5 - Справочник по языку алгоритмического/автоматического трейдинга для MetaTrader 5 Machine learning in trading: How to Start with 트레이딩을 위한 ONNX 학습 fxsaber 2023.09.14 14:48 #32429 Andrey Dik #: 대체로 괜찮습니다. 하지만 함수가 반환하는 값이 두 배인 이유는 무엇일까요? 최종 템플릿 자체가 원래 템플릿보다 수신된 거래 신호를 처리하기가 더 어려울 수 있기 때문입니다. 트레이딩, 자동매매 시스템, 트레이딩 전략 테스트에 관한 포럼입니다. 트레이딩의 머신러닝: 이론, 패턴, 실전 및 알고리즘 트레이딩 FXSABER, 2023.09.13 19:28 일반적으로 우리는 이미 코드 수준에서 무언가를 논의할 수 있습니다. 템플릿에 대해 논의하기로 되어 있었습니다. 넘어가죠. СанСаныч Фоменко 2023.09.14 15:03 #32430 ONNX에서 입력 데이터는 벡터와 행렬입니다. 기성 모델을 통한 예측의 경우 이러한 기능을 사용할 수 있지만(행렬은 데이터 유형이 하나이므로 예측 옵션이 제한됨), 원시 모델이라도 훨씬 더 많은 수의 다양한 입력 파라미터가 있기 때문에 µl 모델을 학습하는 것은 불가능합니다. 예를 들어, RF를 행렬로 구동하는 것은 불가능합니다: randomForest( x, y=NULL, xtest=NULL, ytest=NULL, ntree=500, mtry=if (! is.null( y) && ! is.factor(y)) max( floor( ncol( x)/3), 1) else floor( sqrt( ncol( x))), weights=NULL, replace=TRUE, classwt=NULL, cutoff, strata, sampsize = if ( replace) nrow( x) else ceiling(.632*nrow( x)), nodesize = if (! is.null( y) && ! is.factor( y)) 5 else 1, maxnodes = NULL, importance=FALSE, localImp=FALSE, nPerm=1, 근접성, oob.prox=proximity, norm.votes=TRUE, do.trace=FALSE, keep.forest=! is.null( y) && is.null( xtest), c orr.bias=FALSE, keep.inbag=FALSE, ...) 따라서 파이썬, 테스트 및 기타 기쁨으로 만 훈련 한 다음 µl로로드하고 테스터가 EA에서 확인하기위한 변환을 수행합니다. µl에서 테스트하기 위해 예측자를 준비하는 방법과 위치, µl로 코드를 작성할지 또는 파이썬으로 전환하여 예측을 위해 예측자를 얻을지 여부는 명확하지 않습니다...., 심지어 모델이 훈련 된 것과 동일하도록. Machine learning in trading: 거시경제 지표에 기반한 시장 머신 러닝 및 신경망 1...323632373238323932403241324232433244324532463247324832493250...3399 새 코멘트 트레이딩 기회를 놓치고 있어요: 무료 트레이딩 앱 복사용 8,000 이상의 시그널 금융 시장 개척을 위한 경제 뉴스 등록 로그인 공백없는 라틴 문자 비밀번호가 이 이메일로 전송될 것입니다 오류 발생됨 Google으로 로그인 웹사이트 정책 및 이용약관에 동의합니다. 계정이 없으시면, 가입하십시오 MQL5.com 웹사이트에 로그인을 하기 위해 쿠키를 허용하십시오. 브라우저에서 필요한 설정을 활성화하시지 않으면, 로그인할 수 없습니다. 사용자명/비밀번호를 잊으셨습니까? Google으로 로그인
표준 MA에서 패턴을 확인하며, 틱에 대해서만 확인합니다.
...
작업 패턴.그리고 여전히 불분명합니다: 이 작업 템플릿에 ONNX-SIGNAL이 어떻게 들어갈까요?
그리고 아직 명확하지 않은 점: 이 작업 템플릿에 ONNX-SIGNAL을 어떻게 넣을 것인가?
이 기능의 본문의 변형을 통해.
트레이딩, 자동매매 시스템 및 테스트 트레이딩 전략에 관한 포럼
트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩
FXSABER, 2023.09.13 19:28
각 틱은 입력에 온다 - 출력은 거래 신호에 대한 ONNX 결정입니다.
이러한 기능의 본문의 변형은 위에 표시되었습니다. ONNX의 경우 자체 모델 .onnx가 연결됩니다.
EA 템플릿은 변경되지 않습니다.
이 기능의 신체 변형을 통해.
각 틱은 입력에 온다 - 출력은 거래 신호에 대한 ONNX 결정입니다.
이러한 기능의 본문의 변형은 위에 나와 있습니다. ONNX의 경우 자체 model.onnx가 연결됩니다.
EA 템플릿은 변경되지 않습니다.
즉, 이 함수의 본문은 이 페이지의 MQL5 도움말( https://www.mql5.com/ru/docs/onnx?)에 지정된 함수를 구현해야 합니다.
즉, 이 함수의 본문은 이 페이지의 MQL5 도움말( https://www.mql5.com/ru/docs/onnx?)에 지정된 함수를 구현해야 합니다.
즉, 이 함수의 본문은 이 페이지의 MQL5 도움말( https://www.mql5.com/ru/docs/onnx?)에 지정된 함수를 구현해야 합니다.
와 같습니다.
맞습니다.
어떤 이유에서인지 신경망에 대해 계속 이야기합니다.
하지만 여기에 변환기가 있습니다.
Microsoft의 ONNXMLTools를사용하면 모델을 ONNX 형식으로 변환 할 수 있습니다.
다음 모델을 변환할 수 있습니다.
ONNX 형식으로 변환(ONNXMLTools)
ONNXMLTools를 사용하면 다양한 머신러닝 툴킷의 모델을ONNX 형식으로 변환할 수 있습니다.
설치 및 사용 지침은GitHub의 ONNXMLTools리포지토리에서 확인할 수 있습니다.
지원
현재 지원되는 툴킷은 다음과 같습니다:
이 목록에는 신경망보다 비신경망이 더 많이 있습니다.
최종 템플릿 자체가 원래 템플릿보다 수신된 거래 신호를 처리하기가 더 어려울 수 있기 때문입니다.
트레이딩, 자동매매 시스템, 트레이딩 전략 테스트에 관한 포럼입니다.
트레이딩의 머신러닝: 이론, 패턴, 실전 및 알고리즘 트레이딩
FXSABER, 2023.09.13 19:28
일반적으로 우리는 이미 코드 수준에서 무언가를 논의할 수 있습니다.
템플릿에 대해 논의하기로 되어 있었습니다. 넘어가죠.
ONNX에서 입력 데이터는 벡터와 행렬입니다.
기성 모델을 통한 예측의 경우 이러한 기능을 사용할 수 있지만(행렬은 데이터 유형이 하나이므로 예측 옵션이 제한됨), 원시 모델이라도 훨씬 더 많은 수의 다양한 입력 파라미터가 있기 때문에 µl 모델을 학습하는 것은 불가능합니다.
예를 들어, RF를 행렬로 구동하는 것은 불가능합니다:
따라서 파이썬, 테스트 및 기타 기쁨으로 만 훈련 한 다음 µl로로드하고 테스터가 EA에서 확인하기위한 변환을 수행합니다. µl에서 테스트하기 위해 예측자를 준비하는 방법과 위치, µl로 코드를 작성할지 또는 파이썬으로 전환하여 예측을 위해 예측자를 얻을지 여부는 명확하지 않습니다...., 심지어 모델이 훈련 된 것과 동일하도록.