Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2440
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
если действительно хорошо знаешь C/C++, и скорость крайне важна, то можно покапать в сторону TCC (Tiny C Compiler)
у него одна из фич, помимо что он маленький : можно прямо в своей программе сформировать текст С-шной функции, он её скомпилирует, сделает dll и подключит. И тут-же можно её использовать.
такую технику используют Lua, Python, Tcl в своих модулях (в модулях TCC).
Ещё придётся жестоко копаться в гугл, информация есть, но она очень "узкая" и актуальную фик найдёшь. Даже актуальный репозиторий :-)
если действительно хорошо знаешь C/C++
Да не знаю я ни капли, в том то и дело
Мы уже говорили, что идем в сторону внедрения машинного обучения в MQL5.
Скоро мы выпустим нативную поддержку комплексных чисел(готовы), скоростных векторов и матриц. Это именно нативная функциональность языка, а не библиотеки.
Далее мы включим большой набор ML механик и дадим функционал, аналогичный TensorFlow. Это позволит писать нативных роботов совершенно другого уровня.
Мы уже говорили, что идем в сторону внедрения машинного обучения в MQL5.
Скоро мы выпустим нативную поддержку комплексных чисел(готовы), скоростных векторов и матриц. Это именно нативная функциональность языка, а не библиотеки.
Далее мы включим большой набор ML механик и дадим функционал, аналогичный TensorFlow. Это позволит писать нативных роботов совершенно другого уровня.
Как я понял нативные векторы, матрицы это будут новые типы.
Будут они поддерживаться в OpenCL ?
Или в OpenCL должна быть своя технология написания.
Как я понял нативные векторы, матрицы это будут новые типы.
Будут они поддерживаться в OpenCL ?
Или в OpenCL должна быть своя технология написания.
Мы планируем автоматически и прозрачно применять OpenCL в матричных и ML операциях.
Фактически, мы собираемся выжимать максимум без применения тонн монстроидально конфигурируемых CUDA и тензорфлоу библиотек.
Мы уже говорили, что идем в сторону внедрения машинного обучения в MQL5.
Скоро мы выпустим нативную поддержку комплексных чисел(готовы), скоростных векторов и матриц. Это именно нативная функциональность языка, а не библиотеки.
Далее мы включим большой набор ML механик и дадим функционал, аналогичный TensorFlow. Это позволит писать нативных роботов совершенно другого уровня.
Это интересно, но нужны интерпретаторы моделей того же CatBoost с поддержкой категориальных предикторов и разных вариантов построения деревьев, плюс с мультиклассификацией. Исхожу из того, что нужен функционал, что б использовать современные достижения, а уже потом функционал для их воссоздания, улучшения, переработки.
Встроенные разные методы кластеризации, классификации, конвертации, сжатия размерности, преобразования, отбора предикторов - могут быть полезны с поправкой на трейдинг.
Это интересно, но нужны интерпретаторы моделей того же CatBoost с поддержкой категориальных предикторов и разных вариантов построения деревьев, плюс с мультиклассификацией. Исхожу из того, что нужен функционал, что б использовать современные достижения, а уже потом функционал для их воссоздания, улучшения, переработки.
Встроенные разные методы кластеризации, классификации, конвертации, сжатия размерности, преобразования, отбора предикторов - могут быть полезны с поправкой на трейдинг.
Все по шагам.
Мы уже сделали то(комплексные, вектора и матрицы в альфа версиях), чего нет в обычных языках, включая Питон(где даже нативных массивов простых типов нет).
В реальности фильтры и движки внутри TensorFlow не являются сверх сложными. Их можно творчески перенести в MQL5 без груза сверх совместимости со всем и вся, что заложено в исходном проекте.
Мы в свое время перенесли и представили в MQL5 исходниках около 500 функций из R. Причем на MQL5 функции быстрее от 3 до 50 раз.
Мы уже говорили, что идем в сторону внедрения машинного обучения в MQL5.
Скоро мы выпустим нативную поддержку комплексных чисел(готовы), скоростных векторов и матриц. Это именно нативная функциональность языка, а не библиотеки.
Далее мы включим большой набор ML механик и дадим функционал, аналогичный TensorFlow. Это позволит писать нативных роботов совершенно другого уровня.
Вы будете использовать WinML или DirectML или какое-то своё решение?
Будет ли поддержка ONNX?
Мы уже говорили, что идем в сторону внедрения машинного обучения в MQL5.
Скоро мы выпустим нативную поддержку комплексных чисел(готовы), скоростных векторов и матриц. Это именно нативная функциональность языка, а не библиотеки.
Далее мы включим большой набор ML механик и дадим функционал, аналогичный TensorFlow. Это позволит писать нативных роботов совершенно другого уровня.