Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3740
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
ну а теперь то с хрена ?
в предыдущие разы хоть повод франкенштейнить.
Он самовыпилился перед тем, как я проснулся сегодня
ONNX - формат хранения нейросеток и граф расчетов.
Если подойти творчески, можно получить визуальное программирование на основе ONNX вьювера.
ONNX могло бы стать альтернативой для OpenCL. Но это пока просто идея.
Модель в формате ONNX является файлом в формате Protocol Buffers, который представляет собой формат файла сообщений, разработанный Google
Правильно ли понимаю, что если потерял ONNX-файл с моделью, то его никак не восстановить? Даже если полностью сохранились данные, которые позволили создать этот ONNX?
Грубо говоря, две одинаковые модели не получить.
Правильно ли понимаю, что если потерял ONNX-файл с моделью, то его никак не восстановить? Даже если полностью сохранились данные, которые позволили создать этот ONNX?
Грубо говоря, две одинаковые модели не получить.
Обычно есть параметр Seed который задает начальное значение псевдо-случайных ГСЧ, если Seed не менялась при новых обучениях, то могут быть повторения (про все пакеты/софт не скажу, но лес на основе алглиба давал одинаковые модели. Но рекомендуется Seed задавать например от текущего времени. Другие программы МО могут например по умалчанию использовать время или использовать реально случайные ГСЧ. Их уже тысячи и кто что в своей программе закодировал - нужно читать мануал.
Про нейронки уже подзабыл, но там вроде то же где-то рандом используется. Не изменённый Seed возможно создаст копию модели.
Две идентичные локально-развернутые LLM (запущены на своем железе) дадут совпадающие ответы на одинаковую цепочку первых вопросов?
Деревянные модели МО используют псевдо-случайные или реально случайное перемешивания строк, столбцов.
Обычно есть параметр Seed который задает начальное значение псевдо-случайных ГСЧ, если Seed не менялась при новых обучениях, то могут быть повторения (про все пакеты/софт не скажу, но лес на основе алглиба давал одинаковые модели. Но рекомендуется Seed задавать например от текущего времени. Другие программы МО могут например по умалчанию использовать время или использовать реально случайные ГСЧ. Их уже тысячи и кто что в своей программе закодировал - нужно читать мануал.
Про нейронки уже подзабыл, но там вроде то же где-то рандом используется. Не изменённый Seed возможно создаст копию модели. LLM не пользуюсь, поэтому не знаю. Возможно кто-то другой знает.
Если даже ГА не дает задавать Seed (от запуска к запуску меняются значения), то что уж говорить про алгоритмы обучения...
Интересно, не пробовал ли кто-нибудь применить к трейдингу идеи Яна Лекуна с его "мировыми моделями" и "латентными переменными"?
Его идеи уж очень хорошо ложатся на подход с поиском состояний рынка.
идеи Яна Лекуна с его "мировыми моделями" и "латентными переменными"
Он сделал архитектуру JEPA, которую уже прикрутили к временным рядам в виде TS-JEPA. Можно брать готовую модель или самому с нуля сделать в питоне (с ИИ-чатами можно управиться наверно).
Насколько понимаю, эта штука сама, без учителя, выделяет некие состояния в рядах. Потом можно использовать информацию о состоянии в своих более простых моделях.
Основные недостатки вроде бы:
1) Сложность настройки. Нужно поймать компромисс, когда все состояния не вырождаются в одно тривиальное, но нет попыток поймать любой малейший шум.
2) Не работает с текстами, а только с числовыми векторами фиксированной длины. Наверно можно прикрутить на входе кусок какой-нибудь лёгкой LLM-модели, которая преобразут текст в вектор.
Кстати, Ян Лекун интересен как последовательный критик идеи, что на основе LLM получится создать AGI (общий ИИ).
Собственно, главная идея JEPA - показать в каком направлении по его мнению должен развиваться AI, чтобы дойти когда-нибудь до AGI.