"MQL5'te ONNX modelleri nasıl kullanılır?" makalesi için tartışma - sayfa 4
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
onyx lib ile ilgili bir sorun var herhangi bir fikrin var mı?
onyx'i kurarken bir hata aldım
HATA: onyx gereksinimini karşılayan bir sürüm bulunamadı (sürümlerden: 0.0.5, 0.0.17, 0.0.19, 0.0.20, 0.0.21, 0.1, 0.1.1, 0.1.3, 0.1.4, 0.1.5, 0.2, 0.2.1, 0.3, 0.3.2, 0.3.3, 0.3.4, 0.3.5, 0.3.6, 0.3.7, 0.3.8, 0.3.9, 0.3.10, 0.3.11, 0.3.12, 0.4, 0.4.1, 0.4.2, 0.4.4, 0.4.5, 0.4.6, 0.4.7, 0.5, 0.6.1, 0.6.2, 0.6.3, 0.6.4, 0.7.3, 0.7.4, 0.7.5, 0.7.6, 0.7.7, 0.7.8, 0.7.10, 0.7.11, 0.7.12, 0.7.13, 0.8.5, 0.8.7, 0.8.10, 0.8.11)
HATA: onyx için eşleşen dağıtım bulunamadı
sonra t2fonnx'i çalıştırırken
ithal oniks
onyx lib ile ilgili bir sorun var mı?
onyx'i kurarken bir hata aldım
HATA: onyx gereksinimini karşılayan bir sürüm bulunamadı (sürümlerden: 0.0.5, 0.0.17, 0.0.19, 0.0.20, 0.0.21, 0.1, 0.1.1, 0.1.3, 0.1.4, 0.1.5, 0.2, 0.2.1, 0.3, 0.3.2, 0.3.3, 0.3.4, 0.3.5, 0.3.6, 0.3.7, 0.3.8, 0.3.9, 0.3.10, 0.3.11, 0.3.12, 0.4, 0.4.1, 0.4.2, 0.4.4, 0.4.5, 0.4.6, 0.4.7, 0.5, 0.6.1, 0.6.2, 0.6.3, 0.6.4, 0.7.3, 0.7.4, 0.7.5, 0.7.6, 0.7.7, 0.7.8, 0.7.10, 0.7.11, 0.7.12, 0.7.13, 0.8.5, 0.8.7, 0.8.10, 0.8.11)
HATA: onyx için eşleşen dağıtım bulunamadı
sonra t2fonnx'i çalıştırırken
ithal oniks
Merhaba, makale için teşekkürler. Bir ML modelinin nasıl oluşturulacağı ve bir EA'ya nasıl dahil edileceği konusunda harika bir yol gösterici!
Sonuçlarınızı yeniden üretmeye çalıştım, ancak bazı sorunlar yaşıyorum. Nedenini anlamama yardımcı olabileceğinizi umuyordum.
Makaleyi dikkatlice takip ettim, ancak strateji test cihazında kökten farklı sonuçlar elde ettim. Bu algoritmaların bazı rastgele özellikleri olduğunu anlıyorum, ancak yine de aradaki fark beni şaşırttı. Aynı zaman dilimlerini kullanmaya da dikkat ettim, böylece en azından eğitim ve test verilerim model oluşturma amaçları için aynıydı ve MT5 arka testim aynı dönemdeydi. Çok farklı sonuçlar elde ettim.
Olası nedenleri belirlemeye çalıştım ve bence en ilginç fark model oluşturma sırasında başlıyor. Kayıp fonksiyonlarım, test/doğrulama verileri üzerinden performansa bakarken çok daha iyi bir genelleme elde ettiğinizi gösteriyor. Bunları bu mesajın sonuna ekledim.
Bunun olası nedenlerini önerebilir misiniz? Model o kadar kırılgan mı ki bu beklenmedik bir durum değil?
En son yeniden üretme çabam, son Python kodunuzu kopyalayıp yapıştırmak ve kayıp grafiklerini üretmek için bazı Matplotlib çağrıları eklemekti, ancak temelde aynı sonuçları elde ettim. Sonuçlarınızı nasıl daha iyi yeniden üretebileceğimi önerebilir misiniz?
Teşekkürler
µl'de ONNX modellerinin kullanılması uygulama sorununu çözmektedir. Ancak, tüm modeller değil ve oldukça kolay değil.
Modellerin eğitimi ve optimizasyonu Python'da ayrı bir süreçle çözülür.
Ancak tüm bunların arasında ilk aşama en çok zaman alan, son derece yaratıcı ve en önemli olanıdır. Ve bunu µl üzerinde gerçekleştirmek imkansızdır. İlkel ölçeklendirmeyi ön işleme olarak görmüyoruz. Ve halk bilgeliği der ki: "Çöp içeri - çöp dışarı". MO'nun yalnızca MCL'de tam olarak kullanılması için MCL'de ek olarak geliştirilecek ve uygulanacak çok fazla şey var. Özellikle de sürekli genişlediği için uçsuz bucaksız olanı kucaklamak mümkün değildir.
Bu nedenle, bir ön işlemi yürütmek için ya başka bir dilde (R/Python/Julia vb.) yapın ya da ONNX'e dönüştürmeye çalışın.
Şimdiye kadar ONNX'i uygulamanın faydası sadece ONNX modellerinin nasıl dönüştürüleceğini, oluşturulacağını, basitleştirileceğini ve optimize edileceğini öğrenmektir. Gelecekte faydalı olabilir.
Bundan daha iyisini söyleyemezdiniz, her şey kesin ve isabetli
Ön işlemeyi MT'ye aktarmak sorun değil, sistemi gerçekten MT test cihazında test etmek istiyorum, python / R'de hatalarla dolu kendi test cihazımı yazmam gerekiyor.
Zaten R ve python'da test edilmiş çok sayıda test cihazı var.
Ancak ön işlemeyi aktarmak sadece bir sorundur, ön işleme önemsiz bir ölçeklendirme veya stokastik hesaplama değildir.Olası nedenleri belirlemeye çalıştım ve bence en ilginç fark model oluşturma sırasında başlıyor. Kayıp fonksiyonlarım, test/doğrulama verileri üzerinden performansa bakarken çok daha iyi bir genelleme elde ettiğinizi gösteriyor. Bunları bu mesajın sonuna ekledim.
Bunun olası nedenlerini önerebilir misiniz? Model o kadar kırılgan mı ki bu beklenmedik bir şey değil?
En son yeniden üretme çabam, son Python kodunuzu kopyalayıp yapıştırmayı ve kayıp grafiklerini üretmek için bazı Matplotlib çağrıları eklemeyi içeriyordu, ancak temelde aynı sonuçları elde ettim. Sonuçlarınızı nasıl daha iyi yeniden üretebileceğimi önerebilir misiniz?
Teşekkürler
Burada da aynı sorunla karşılaşıyorum.
Biri yardım edebilir mi lütfen?
Burada da aynı sorunla karşılaşıyorum.
Biri yardım edebilir mi lütfen?
Karşılaştığım sorunla ilgili araştırmamı sürdürmek (muhtemelen başkaları da); ve bulgularımı güncellemek.
Öncelikle, bu ayrıntılı makaleyi paylaştığınız için MetaQuotes 'a (yazar) çok teşekkür ederim. ML ticaret arayışımda çok şey öğreniyorum.
Makaledeki orijinal onnx dosyalarını MetaQuates-Demo hesabımda çalıştırarak aynı sonuçları yeniden üretmeyi başardım. Ancak, onnx modelini ekli ONNX.eurusd.H1.120.Training.py ile yeniden eğitiyorum:
model (onnx ekli: ) puanları:
ve 1Jan2023-26Mar2023 geriye dönük test sonuçları ektedir: "backtest results.png"
Ekteki ONNX.eurusd.H1.120.Training.py dosyasını aşağıdakilerle yeniden eğitiyorum:
model (onnx ekli:) puanları:
ve 1Jan2023-26Mar2023 bakteri testi sonuçları ektedir: "bacttest result2.png"
Yukarıdaki alıştırmalardan yola çıkarak, makaleden nihai sonucu üretmek için kullanılan modelin muhtemelen aşağıdaki tarihlerle eğitilmeyeceğini tahmin ediyorum?
Birinin bunlar hakkında yorum yapmasını rica ediyorum.