Discussão do artigo "Encapsulando modelos ONNX em classes"
Artigo muito útil！
A versão 1.13.0 ou 1.14.0 do ONNX é usada pelo MT5?
Isso é realmente interessante, muito obrigado.
No arquivo ML ONNX.eurusd.D1.30.class.Training.py anexado ao artigo, há as seguintes linhas de código (linha 48 - 59) em def collect_dataset():
for i in tqdm(range(n - sample_size)):
w = df.iloc[i: i + sample_size + 1]
x = w[['close', 'ma_fast', 'ma_slow']].iloc[:-1].values
delta = x[0][-1] - w.iloc[-1]['close']
if np.abs(delta)<=0.0001:
y = 0, 1, 0
else:
if delta>0:
y = 1, 0, 0
else:
y = 0, 0, 1 Qual é a lógica por trás da linha destacada acima, por favor?
A classificação é baseada na diferença entre o "ma_slow"(x[0][-1]) da primeira amostra e o "close"( fechamento) do novo alvo(w.iloc[-1]['close']). Além disso, haveria um tempo diferente de'sample_size-1'.
Além disso:
if delta>0:
y = 1, 0, 0 isso não deveria ser y = 0,0,1? Ou seja, um sinal de venda.
Da mesma forma, para ONNX.eurusd.D1.10.class.Training.py em def collect_dataset(), linha45-47:
x = w[['open', 'high', 'low', 'close']].iloc[:-1].values
delta = x[3][-1] - w.iloc[-1]['close'] Como? A classificação é baseada na diferença entre o "fechamento" da quarta amostra(x[3][-1]) e o "fechamento" do novo alvo(w.iloc[-1]['close']); e haveria uma diferença de tempo de"sample_size-4".
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Novo artigo Encapsulando modelos ONNX em classes foi publicado:
A programação orientada a objetos permite criar códigos mais compactos, fáceis de ler e modificar. Apresentamos um exemplo para três modelos ONNX.
A maioria dos votos é calculada pela fórmula <número total de votos>/2 + 1. Para um número total de votos igual a 3, a maioria é de 2 votos. Isso é chamado de "votação rígida".
Resultado do teste com as mesmas configurações.
Lembremos do desempenho de cada um dos três modelos individualmente, ou seja, a quantidade de trades lucrativos e não lucrativos. O primeiro modelo - 11:3, o segundo modelo - 6:1, o terceiro modelo - 16:10. 10.
Parece que, com a votação rígida, melhoramos o resultado - 16:4. 4. No entanto, é claro que precisamos verificar os relatórios completos e os gráficos de teste.
Autor: MetaQuotes