Discussão do artigo "Dominando o ONNX: Ponto de virada para traders MQL5"
Confira o novo artigo: Dominando o ONNX: o divisor de águas para os operadores de MQL5.
Autor: Omega J Msigwa
Você está absolutamente certo, isso é um divisor de águas. Eu quase desisti da ideia de aplicar o aprendizado de máquina moderno nos mercados financeiros porque, antes de você me ensinar sobre o ONNX, a única maneira de avançar seria reescrever todos esses algoritmos novamente sem nenhuma margem de erro, e isso é uma missão suicida para o ponto de vista do otimista. Mas isso é motivo de comemoração!
Você tem toda a razão, isso é um divisor de águas. Eu quase abandonei a ideia de aplicar o aprendizado de máquina moderno nos mercados financeiros porque, antes de você me ensinar sobre o ONNX, a única maneira de avançar seria reescrever todos esses algoritmos novamente sem nenhuma margem de erro, e isso é uma missão suicida para o ponto de vista do otimista. Mas isso é motivo de comemoração!
Eu agradeço
sim, você pode fazer isso
Omega J Msigwa apreciou seu artigo detalhado.
Esse artigo calcula um conjunto de parâmetros de normalização de todos os dados históricos, normaliza os dados com eles para treinamento e aplica os mesmos parâmetros de normalização aos dados reais. parâmetros de normalização aos dados ativos, o que é muito lógico, pois o modelo foi treinado dessa forma. Há algumas dúvidas que espero que você possa esclarecer, por favor?
- Se os dados ativos (futuros) apresentarem um valor máximo maior ou um valor mínimo menor, precisaremos treinar novamente o modelo?
- Esse método de normalização é diferente da maneira mencionada em alguns artigos(12433, 12484 etc.), ou seja, o cálculo da normalização foi aplicado a cada conjunto de amostras antes do treinamento e da previsão ao vivo e (se necessário), a desnormalização após a previsão ao vivo. Qual é a sua opinião sobre essa abordagem em comparação com a deste artigo, por favor?
Omega J Msigwa agradece seu artigo detalhado.
Esse artigo calcula um conjunto de parâmetros de normalização de todos os dados históricos, normaliza os dados com eles para treinamento e aplica os mesmos parâmetros de normalização aos dados reais. parâmetros de normalização aos dados ativos, o que é muito lógico, pois o modelo foi treinado dessa forma. Há algumas dúvidas que espero que você possa esclarecer, por favor?
- Se os dados ativos (futuros) apresentarem um valor máximo maior ou um valor mínimo menor, precisaremos treinar novamente o modelo?
- Esse método de normalização é diferente da maneira mencionada em alguns artigos(12433, 12484 etc.), ou seja, o cálculo da normalização foi aplicado a cada conjunto de amostras antes do treinamento e da previsão ao vivo e (se necessário), a desnormalização após a previsão ao vivo. Qual é a sua opinião sobre essa abordagem em comparação com a deste artigo?
01:Boa pergunta: os dados apresentam um novo máximo ou mínimo mais alto, talvez seja necessário treinar novamente o modelo para torná-lo mais relevante
02: Eu diria que, de acordo com a teoria de ML, o cálculo de normalização que foi aplicado neste artigo é o correto e faz sentido. A normalização de parâmetros diferentes para cada amostra não é aceitável (não são minhas palavras)
Olá, o artigo é muito bom
Gostaria de saber se é possível exportar os dados para um determinado período, como de 2018 a 2020
Obrigado!
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Você concorda com a política do site e com os termos de uso
Novo artigo Dominando o ONNX: Ponto de virada para traders MQL5 foi publicado:
Mergulhe no mundo do ONNX, um poderoso formato aberto para compartilhar modelos de aprendizado de máquina. Descubra como o uso do ONNX pode revolucionar a negociação algorítmica em MQL5, permitindo que os traders integrem sem obstáculos modelos avançados de inteligência artificial e elevem suas estratégias a um novo patamar. Desvende os segredos da compatibilidade entre plataformas e aprenda a desbloquear todo o potencial do ONNX em sua negociação no MQL5. Melhore sua negociação com este guia detalhado sobre ONNX.
Não se pode negar que vivemos na era da inteligência artificial (IA) e do aprendizado de máquina: todos os dias, novas tecnologias baseadas em IA são aplicadas nas finanças, arte, jogos, educação e muitos outros aspectos da vida.
Para nós, traders, a IA é útil porque nos permite descobrir padrões e relações que não conseguimos ver a olho nu.
Apesar do aparente poder e magia, por trás dos modelos de IA existem operações matemáticas complexas que exigem um enorme volume de trabalho e um alto grau de precisão para sua correta compreensão e implementação. Felizmente, o código aberto simplifica significativamente a tarefa, eliminando a necessidade de desenvolver um modelo de aprendizado de máquina do zero.
Agora, não é necessário ser um gênio da matemática e da programação para criar e implementar modelos de IA. É necessário apenas um entendimento básico de uma determinada linguagem de programação ou das ferramentas que você deseja usar em seu projeto. Às vezes, nem é necessário ter um computador. Graças a serviços como o Google Colab, você pode codificar, criar e executar modelos de IA usando Python gratuitamente.
Implementar modelos de aprendizado de máquina usando Python e outras linguagens de programação populares e avançadas é relativamente simples, o que não se pode dizer sobre MQL5. A menos que você queira reinventar a roda, criando modelos de aprendizado de máquina em MQL5 do zero, o que estamos fazendo nesta série de artigos, eu recomendaria fortemente o uso do ONNX para integrar modelos de IA construídos com Python. Felizmente, o ONNX agora é suportado no MQL5.
Autor: Omega J Msigwa