Обсуждение статьи "Использование ONNX-моделей в MQL5"
У меня конвертация в ONNX модели для LightGBM получилось в питоне 3.10 и 3.11, с пакетами onnxmltools и onnxconverter_common. Вывод получился только в питоне 3.10 с пакетом onnxruntime, который не встал в версии 3.11. Возможно, за прошедшие три недели что-то поменялось.
Плохо, что МЕ5 не поддерживает питоновский лаунчер py.
Что менять, какие числа в каком диапазоне вставлять и тд. Механическую работу подскажите
инструмент/таймфрейм и даты в copy_rates_range, количество входных цен close для прогноза (здесь time_step = 120 и input_shape=(120,1) в model.add(Conv1D)), - в данном случае это количество часовых цен close, на которых строится прогноз следущей цены.
сама архитектура моделей, например
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()])
параметры советника
input double InpLots = 1.0; // Lots amount to open position input bool InpUseStops = true; // Use stops in trading input int InpTakeProfit = 500; // TakeProfit level input int InpStopLoss = 500; // StopLoss level
сам алгоритм торговли и т.п.
инструмент/таймфрейм и даты в copy_rates_range, количество входных цен close для прогноза (здесь time_step = 120 и input_shape=(120,1) в model.add(Conv1D)) в советнике меняется
сама архитектура моделей, например
параметры советника
сам алгоритм торговли и т.п.
Подскажите, пожалуйста, куда эти файлы кинуть? (скачал их с сайта, а там нет установщика, просто файлы в папке)
GPU-расчеты производились на видеокарте NVIDIA GeForce RTX 2080 Ti при помощи библиотек ... и CUDNN 8.1.0.7.
Подскажите, пожалуйста, куда эти файлы кинуть? (скачал их с сайта, а там нет установщика, просто файлы в папке)
Есть видео Setting Up CUDA, CUDNN, Keras, and TensorFlow on Windows 11 for GPU Deep Learning по их установке
В 1-м комментарии к видео обратите внимание что нужно явно указать версию tensorflow 2.10.0
- 2022.01.05
- www.youtube.com
Есть видео Setting Up CUDA, CUDNN, Keras, and TensorFlow on Windows 11 for GPU Deep Learning по их установке
Принял!
Подскажите, пожалуйста, а где здесь экспериментировать?
Что менять, какие числа в каком диапазоне вставлять и тд. Механическую работу подскажите
Там ведь нет смысла экспериментировать, поскольку такой прогноз не отличается от наивного (в качестве прогноза берется значение предыдущей цены закрытия). В этом случае действительно получается почти самая маленькая ошибка обучения (среднеквадратичная), ничего не говорящая о предсказательной способности модели. Скорее, обучающий пример по ONNX, что даже сложную архитектуру можно легко перенести в терминал. Не знаю что курили авторы той статьи, по исследованию нейросетевых архитектур для прогнозирования временных рядов :) здесь либо оценка нужна адекватная, либо классификация вместо регрессии.
Варианты метрик для экспериментов
- Pablo Cánovas
- medium.com
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Использование ONNX-моделей в MQL5:
ONNX (Open Neural Network Exchange) — открытый стандарт представления моделей нейронных сетей. В данной статье мы рассмотрим процесс создания модели СNN-LSTM для прогнозирования финансовых временных рядов и использование созданной ONNX-модели в MQL5-эксперте.
Существует два способа создать модель: OnnxCreate для создания модели из onnx-файла и OnnxCreateFromBuffer для создания из массива данных.
Если ONNX-модель используется в эксперте в качестве ресурса, то после каждого её изменения эксперт необходимо перекомпилировать.
Не у всех моделей полностью определены размеры входных и/или выходных тензоров. Как правило, это первая размерность, отвечающая за размер пачки. Перед запуском модели необходимо явно указать размеры, которые будут использоваться. Для этого нужны функции OnnxSetInputShape и OnnxSetOutputShape.
Входные данные модели нужно готовить таким же самым способом, что был использован при обучении модели.
Автор: MetaQuotes