交易中的机器学习：理论、模型、实践和算法交易 - 页 3271 1...326432653266326732683269327032713272327332743275327632773278...3399 新评论 Forester 2023.10.01 12:32 #32701 fxsaber #: NumPy 的算法似乎与 ALglib 不同。 Maxim 的 CPU 速度是我的两倍。我不记得他是否给出了 Algliba 的时序，应该没有。 Forester 2023.10.01 12:33 #32702 fxsaber #:与旧版本的 Alglib 相比。我没有数据表明它变得更慢了。 你自己也写道，标准版比现在的 Alglib 慢。我有旧版本的代码，但不在终端里。 fxsaber 2023.10.01 12:35 #32703 Forester #:马克西姆的 CPU 比我的快 2 倍。我不记得他是否给出了 Algliba 的时序，我想应该没有。 时间 交易、自动交易系统和交易策略测试论坛 交易中的机器学习：理论、模型、实践和算法交易。 Aleksey Vyazmikin, 2023.09.26 05:19 AM Array size: 1716.61376953125 MB Time taken: 4.784467697143555 seconds 这是在老式 FX-8350 上运行的 交易、自动交易系统和交易策略测试论坛。 交易中的机器学习：理论、模型、实践和算法交易 Aleksey Vyazmikin, 2023.09.26 05:37 AM 对于统计数据，这是我的结果 2023.09.26 06:28:23.304 Test_Corr (USDJPY,H1) EX5: 3981 AVX Release. 2023.09.26 06:28:23.304 Test_Corr (USDJPY,H1) TerminalInfoString(TERMINAL_CPU_NAME) = AMD FX-8350 Eight-Core 2023.09.26 06:28:23.304 Test_Corr (USDJPY,H1) TerminalInfoInteger(TERMINAL_CPU_CORES) = 8 2023.09.26 06:28:23.304 Test_Corr (USDJPY,H1) TerminalInfoString(TERMINAL_CPU_ARCHITECTURE) = AVX 2023.09.26 06:28:23.332 Test_Corr (USDJPY,H1) inRows = 100 inCols = 15000 2023.09.26 06:28:45.032 Test_Corr (USDJPY,H1) matrix<double> Matrix1 = CorrMatrix(Matrix) - 21700095 mcs, 1717 MB 2023.09.26 06:29:48.495 Test_Corr (USDJPY,H1) matrix<double> Matrix2 = Matrix.CorrCoef(false) - 63460976 mcs, 1717 MB 2023.09.26 06:29:50.225 Test_Corr (USDJPY,H1) IsEqual(Matrix1, Matrix2) = true Python 显然 要快得多 。因此，在 C 语言中也会更快，所以事实证明 MQ 并没有告诉我们什么，它承诺的性能相当....。 我应该注意的是，Python 在运行代码时有一个小的并行化过程--大约两个内核运行半秒，其余的在一个内核上运行。 fxsaber 2023.10.01 12:37 #32704 Forester #: 你自己写道，标准版比现在的 alglibov 慢。我有旧版本的代码，但没有终端。 Alglib 源代码本身是由 MQ 为其矩阵重写的。我甚至不想讨论标准 CorrCoef，因为它存在明显的问题。 也就是说，Alglib 有两个源代码。 在 MQ 转换之前的动态数组。 针对矩阵/矢量类型修改过的 MQ。我就是这么测试的。 两个版本的 Alglib 源码都应该可用，这样你就可以相互比较了。 Forester 2023.10.01 12:39 #32705 fxsaber #:时间 嗯，是的......人们花了很多年来研究算法。我看到过一篇关于用 C++ 进行快速排序的文章--代码似乎更复杂，而且做了一些不必要的操作，但由于处理器预先进行了计算，所以运行速度更快。展望未来 Forester 2023.10.01 12:43 #32706 fxsaber #:Alglib 源码本身是由 MQ 为其矩阵重写的。我甚至不想讨论标准 CorrCoef，因为它存在明显的问题。也就是说，Alglib 有两个来源。 在 MQ 转换之前的动态数组。 针对矩阵/矢量类型修改过的 MQ。我就是这么测试的。 这两个版本的 Alglib 的源代码都应该可用，因此你可以将它们相互比较。 我比较懒。我不使用相关性。我只是在一年前注意到了速度上的差异，并在这个话题出现时分享了出来。 Maxim Kuznetsov 2023.10.01 12:59 #32707 fxsaber #: NumPy 的算法似乎与 ALglib 不同。 在 AlgLib 中，原始文档说明了为什么不同、哪些不同以及它们的用途。对于回归（我主要是在那里研究 AlgLib），它是相当原始的。 同样，一切比较都很奇怪，因为你无法比较。为不同的库/实现建立速度=f(维度,特殊矩阵属性)依赖关系图，然后看看它们。你这是从天花板上提取的边缘案例。 在这里，你看的不是绝对值，而是症状和 "高原 "的存在。在此基础上，您可以选择一种工具来处理特定数据。 Maxim Dmitrievsky 2023.10.01 13:09 #32708 Forester #:马克西姆的 CPU 比我的快 2 倍。我不记得他是否给出了 Algliba 的时间，我想没有。我的 mt 是通过虚拟化运行的，测试结果不太可信。另外，我选择在 Python 中计算一些东西，然后将其转移到任何平台上。例如，对于加密来说，你根本不需要终端。 就速度而言，这完全是 扯淡。 fxsaber 2023.10.01 13:13 #32709 Maxim Kuznetsov #:同样，这也是一种奇怪的比较方式，你无法比较。 我不做比较，我提供的代码每个人都可以根据自己的情况进行测量。 100 的字符串长度是模式的长度。你可能不需要超过这个长度。 由于相关矩阵的二次方大小，15000 个样本的内存是有限的。样本越多越好。所以我自制了一个，可以有一百万个样本。 我既不想也没时间花在客观比较上。我是为了完成自己的任务而做的，并分享了工作代码。谁需要它，谁就能看到它。 mytarmailS 2023.10.01 13:27 #32710 诶诶......如果我们能将 5%的精力投入到一项共同的任务中，我们将在几个月内征服这个市场。就这样，几十年来，每个人都在自己的汤里煮沸，90% 的有用时间都花在了这个无用的论坛上。 1...326432653266326732683269327032713272327332743275327632773278...3399 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
NumPy 的算法似乎与 ALglib 不同。
Maxim 的 CPU 速度是我的两倍。我不记得他是否给出了 Algliba 的时序，应该没有。
与旧版本的 Alglib 相比。我没有数据表明它变得更慢了。
马克西姆的 CPU 比我的快 2 倍。我不记得他是否给出了 Algliba 的时序，我想应该没有。
时间
交易、自动交易系统和交易策略测试论坛
交易中的机器学习：理论、模型、实践和算法交易。
Aleksey Vyazmikin, 2023.09.26 05:19 AM
这是在老式 FX-8350 上运行的
交易、自动交易系统和交易策略测试论坛。
交易中的机器学习：理论、模型、实践和算法交易
Aleksey Vyazmikin, 2023.09.26 05:37 AM
对于统计数据，这是我的结果
我应该注意的是，Python 在运行代码时有一个小的并行化过程--大约两个内核运行半秒，其余的在一个内核上运行。
你自己写道，标准版比现在的 alglibov 慢。我有旧版本的代码，但没有终端。
Alglib 源代码本身是由 MQ 为其矩阵重写的。我甚至不想讨论标准 CorrCoef，因为它存在明显的问题。
也就是说，Alglib 有两个源代码。
时间
Alglib 源码本身是由 MQ 为其矩阵重写的。我甚至不想讨论标准 CorrCoef，因为它存在明显的问题。
也就是说，Alglib 有两个来源。
NumPy 的算法似乎与 ALglib 不同。
在 AlgLib 中，原始文档说明了为什么不同、哪些不同以及它们的用途。对于回归（我主要是在那里研究 AlgLib），它是相当原始的。
同样，一切比较都很奇怪，因为你无法比较。为不同的库/实现建立速度=f(维度,特殊矩阵属性)依赖关系图，然后看看它们。你这是从天花板上提取的边缘案例。
在这里，你看的不是绝对值，而是症状和 "高原 "的存在。在此基础上，您可以选择一种工具来处理特定数据。
马克西姆的 CPU 比我的快 2 倍。我不记得他是否给出了 Algliba 的时间，我想没有。
我的 mt 是通过虚拟化运行的，测试结果不太可信。
另外，我选择在 Python 中计算一些东西，然后将其转移到任何平台上。例如，对于加密来说，你根本不需要终端。
就速度而言，这完全是 扯淡。同样，这也是一种奇怪的比较方式，你无法比较。
我不做比较，我提供的代码每个人都可以根据自己的情况进行测量。
100 的字符串长度是模式的长度。你可能不需要超过这个长度。
由于相关矩阵的二次方大小，15000 个样本的内存是有限的。样本越多越好。所以我自制了一个，可以有一百万个样本。
我既不想也没时间花在客观比较上。我是为了完成自己的任务而做的，并分享了工作代码。谁需要它，谁就能看到它。