交易中的机器学习：理论、模型、实践和算法交易 - 页 3253

[fxsaber]

Maxim Dmitrievsky #:
怎么样？

https://www.mql5.com/ru/docs/constants/chartconstants/enum_timeframes

标识符	描述
PERIOD_CURRENT	当前时段
PERIOD_M1	1 分钟
PERIOD_M2	2 分钟
PERIOD_M3	3 分钟
PERIOD_M4	4 分钟
PERIOD_M5	5 分钟
PERIOD_M6	6 分钟
PERIOD_M10	10 分钟
PERIOD_M12	12 分钟
PERIOD_M15	15 分钟
PERIOD_M20	20 分钟
PERIOD_M30	30 分钟
PERIOD_H1	1 小时
PERIOD_H2	2 小时
PERIOD_H3	3 小时
PERIOD_H4	4 小时
PERIOD_H6	6 小时
PERIOD_H8	8 小时
PERIOD_H12	12 小时
PERIOD_D1	1 天
PERIOD_W1	1 周
PERIOD_MN1	1 个月

[Maxim Dmitrievsky]

fxsaber #:

https://www.mql5.com/ru/docs/constants/chartconstants/enum_timeframes

我没那么快能做完，要到今晚晚些时候或前几天。

[Valeriy Yastremskiy]

Maxim Dmitrievsky #:
我不能这么快就去，要等晚上，或者前几天。

天气不错))))

[Maxim Dmitrievsky]

小 TF 内存溢出。在 16 个 Osu 和 30 千兆交换文件（Mac 上的 swap）的情况下，内存会溢出。例如，有一个 50k x 50k 的相关矩阵。

Pandas 和 Nampay 崩溃了，它不是为大数据设计的。我试试 dask。或者过滤历史数据。

总之，MO 在普通硬件上并不适用，而这种方法。

[Forester]

Maxim Dmitrievsky #:
小 TF 内存溢出。使用 16 个 Osu 和 30GB 的 swap 文件（Mac 上的 swap）时，内存会溢出。例如，有一个 50k x 50k 的相关矩阵。

Pandas 和 Nampay 崩溃了，它不是为大数据设计的。我会试试 dask。或者过滤历史数据。

总之，MO 并不适合普通硬件，而这种方法。

你在做量化吗？量化的主要目的是减少数据大小。将 4 字节的浮点数转换为 1 字节的 uchar 或 char。
16g 矩阵将变为 4g。
。

所有计算都在内存中完成 - 您需要增加内存。现在的内存很便宜。

[Maxim Dmitrievsky]

Forester #:
您会进行量化吗？量化的主要目的是减少数据大小。将 4 字节浮点数转换为 1 字节 uchar 或 char。16g 矩阵将变为 4g。 。

所有计算都在 RAM 中完成 - 您需要增加更多内存。现在的内存很便宜。

我不知道如何计算相关性

在 Macbook 上增加内存可没那么容易）。对于时间序列来说，它的效率仍然非常低，我需要重新做一下

尤其是我要再下一个 TF，需要多 5 倍的资源。

通过 SQL 计算效率高吗？

[Forester]

Maxim Dmitrievsky #:

我不知道如何计算之后的相关性

给 Macbook 添加内存并不容易 )对于时间序列来说，它的效率仍然很低，我需要想办法重新做一遍

尤其是我要降低 TF 值，需要多 5 倍的资源。

算法库中有一个双相关计算函数。我想你只需将所有变量改成 char/uchar 变量就可以了。 还有其他几十个常用函数也需要重做。从 CMatrixDouble 到动态数组或其他东西。

Pearson product-moment correlation matrix                        |
//| INPUT PARAMETERS:                                                |
//|     X   -   array[N,M], sample matrix:                           |
//|             * J-th column corresponds to J-th variable           |
//|             * I-th row corresponds to I-th observation           |
//|     N   -   N>=0, number of observations:                        |
//|             * if given, only leading N rows of X are used        |
//|             * if not given, automatically determined from input  |
//|               size                                               |
//|     M   -   M>0, number of variables:                            |
//|             * if given, only leading M columns of X are used     |
//|             * if not given, automatically determined from input  |
//|               size                                               |
//| OUTPUT PARAMETERS:                                               |
//|     C   -   array[M,M], correlation matrix (zero if N=0 or N=1)  |
//+------------------------------------------------------------------+
static bool CBaseStat::PearsonCorrM(const CMatrixDouble &cx,const int n,
                                    const int m,CMatrixDouble &c)

如果你有一个自制程序，如果没有现成的软件包，你也必须进行量化。

[Forester]

Maxim Dmitrievsky #:
通过 SQL 阅读是否有效？

我不知道

[mytarmailS]

Maxim Dmitrievsky #:
小 TF 内存溢出。内存溢出时有 16 个 Osu 和 30GB 的 swap 文件（Mac 上的 swap）。例如，有一个 50k x 50k 的相关矩阵。

Pandas 和 Nampay 崩溃了，它不是为大数据设计的。我会试试 dask。或者过滤历史数据。

总之，MO 并不适合普通硬件，而这种方法。

为什么需要相关矩阵？

有一个模式，有一个历史数组可以与模式进行比较，有什么问题呢？

[Maxim Dmitrievsky]

mytarmailS #:

为什么需要相关矩阵？

有一个模式，有一个历史数组来比较这个模式，问题出在哪里？

没有模式，模式是通过相关矩阵搜索到的。