Обсуждение статьи "Освоение ONNX: Переломный момент для MQL5-трейдеров"
Ознакомьтесь с новой статьей: Mastering ONNX: The Game-Changer for MQL5 Traders.
Автор: Омега Джей Мсигва
Вы абсолютно правы, это просто переломный момент. Я почти отказался от идеи применения современного машинного обучения на финансовых рынках, потому что до того, как вы рассказали мне о ONNX, единственным способом продвижения вперед было переписывание всех этих алгоритмов заново без права на ошибку, а это самоубийственная миссия для оптимиста. Но это повод для радости!
Вы абсолютно правы, это просто переломный момент. Я почти отказался от идеи применения современного машинного обучения на финансовых рынках, потому что до того, как вы рассказали мне о ONNX, единственным способом продвижения вперед было переписывание всех этих алгоритмов заново без права на ошибку, а это самоубийственная миссия для оптимиста. Но это повод для радости!
Я ценю это
Да, вы можете это сделать
Omega J Msigwa высоко ценит вашу подробную статью.
В этой статье вычисляется набор параметров нормализации всех исторических данных, затем с его помощью нормализуются данные для обучения и применяются те же параметры нормализации к живым данным; это очень логично, потому что модель была обучена таким образом. Есть несколько сомнений, которые, я надеюсь, вы сможете прояснить?
- Если в реальных (будущих) данных будет наблюдаться более высокий Max или более низкий Min, нам нужно будет переобучить модель?
- Этот метод нормализации отличается от способа, упомянутого в нескольких статьях(12433, 12484 и т.д.), т.е. расчет нормализации применялся к каждому набору образцов перед обучением и предсказанием в реальном времени, и (при необходимости), де-нормализация после предсказания в реальном времени. Каково ваше мнение об этих подходах по сравнению с данной статьей?
Омега Джей Мсигва высоко ценит вашу подробную статью.
В этой статье вычисляется набор параметров нормализации всех исторических данных, затем с его помощью нормализуются данные для обучения и применяются те же параметры нормализации к живым данным; это очень логично, потому что модель была обучена таким образом. Есть несколько сомнений, которые, я надеюсь, вы сможете прояснить?
- Если в реальных (будущих) данных будет наблюдаться более высокий Max или более низкий Min, нам нужно будет переобучить модель?
- Этот метод нормализации отличается от способа, упомянутого в нескольких статьях(12433, 12484 и др.), т.е. расчет нормализации применялся к каждому набору образцов перед обучением и предсказанием в реальном времени, и (при необходимости), де-нормализация после предсказания в реальном времени. Каково ваше мнение об этих подходах по сравнению с данной статьей?
01:Хороший вопрос: если в данных появляются новые более высокие max или более низкие min, возможно, вам нужно переобучить модель, чтобы сделать ее более релевантной.
02: Я бы сказал, что согласно теории ML расчет нормализации, который был применен в этой статье, является правильным, и он имеет смысл. Нормализация по разным параметрам для каждой выборки неприемлема (не мои слова)
Здравствуйте, очень хорошая статья.
Хотелось бы узнать, можно ли экспортировать данные за определенный период, например, с 2018 по 2020 год?
спасибо!
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Освоение ONNX: Переломный момент для MQL5-трейдеров:
Погрузитесь в мир ONNX - мощного открытого формата для обмена моделями машинного обучения. Узнайте, как использование ONNX может произвести революцию в алгоритмической торговле на MQL5, позволяя трейдерам беспрепятственно интегрировать передовые модели искусственного интеллекта и поднять свои стратегии на новый уровень. Раскройте секреты кросс-платформенной совместимости и узнайте, как раскрыть весь потенциал ONNX в своей торговле на MQL5. Улучшите свою торговлю с помощью этого подробного руководства по ONNX.
Нельзя отрицать, что мы живем в эпоху искусственного интеллекта (ИИ) и машинного обучения: каждый день появляются новые технологии на основе ИИ, применяемые в финансах, искусстве, играх, образовании и многих других аспектах жизни.
Для нас, трейдеров, ИИ полезен тем, что позволяет обнаруживать закономерности и взаимосвязи, которые мы не можем увидеть невооруженным глазом.
Несмотря на кажущуюся мощь и волшебство, за моделями ИИ скрываются сложные математические операции, требующие огромного объема работы и высокой степени точности для их правильного понимания и реализации. К счастью, открытый исходный код существенно упрощает задачу, устраняя необходимость реализовывать модель машинного обучения с нуля.
Сейчас не нужно быть гением математики и программирования, чтобы создавать и реализовывать модели ИИ. Необходимо лишь базовое понимание определенного языка программирования или инструментов, которые вы хотите использовать в вашем проекте. Иногда даже необязательно иметь компьютер. Благодаря таким сервисам как Google Colab, вы можете бесплатно кодировать, создавать и запускать модели ИИ с помощью Python.
Реализовать модели машинного обучения с использованием Python и других популярных и развитых языков программирования относительно просто, чего нельзя сказать об MQL5. Если только вы не хотите изобрести велосипед, создавая модели машинного обучения в MQL5 с нуля, что мы и делаем в этой серии статей, я бы настоятельно советовал использовать ONNX для интеграции моделей ИИ, построенных с помощью Python. К счастью, ONNX теперь поддерживается в MQL5.
Автор: Omega J Msigwa