Machine Learning Forex 2012

Aprendizagem de máquina é um campo de inteligência artificial onde os programas de computador aprendem em vez de seguir cegamente um script. Com dados de treinamento suficientes você pode ensinar esses algoritmos para dirigir um carro, pilotar um helicóptero ou construir o melhor motor de busca do mundo. Aqui estão os resultados que eu obtive com a minha abordagem inicial na aplicação de aprendizagem de máquinas para negociação forex. Uma variedade de algoritmos são colocados em prática para tentar prever a evolução de um instrumento com dados de apenas 8 barras diárias para o passado. Para cada dia, são gravados quatro valores, os três primeiros registram a informação sobre o movimento dos dias anteriores, próximo do dia, alta, baixa e próxima, em percentil, enquanto a quarta registra o volume do dia. Isso faz com que 32 variáveis ​​independentes total. Os dados são obtidos a partir de três instrumentos na base de dados dukascopy, EURUSD, AUDJPY e GBPCHF diariamente Pergunte barras de 1 de Janeiro de 2008 a 31 de Dezembro de 2011, com fins de semana misturados na segunda-feira seguinte. Para cada um dos algoritmos testados, os primeiros dois anos foram utilizados para treinar os modelos enquanto que 2012 foi utilizado para testá-los. A biblioteca java aberta para algoritmos de aprendizado de máquina usada vem de WEKA: Data Mining Software em Java i. Você pode baixar gratuitamente a biblioteca ou o programa amigável em cs. waikato. ac. nzmlweka. Prever a direção do mercado Esses testes avaliam em que medida, se houver, é possível prever o movimento global do amanhã (de perto para fechar) com base em dados de oito dias anteriores usando uma variedade de algoritmos de aprendizado de máquina. Uma alta correlação significa que o modelo prevê o seguinte movimento geral do dia também. Neste caso, as correlações são muito próximas de zero para que os modelos não possam prever o movimento global do mercado. Previsão da margem do mercado Para o forex, o intervalo é definido aqui como a diferença entre o dayrsquos alto e o dayrsquos baixo como uma porcentagem do fechamento anterior (para que diferentes instrumentos sejam comparáveis). Um dos métodos mais simples e melhores, os vizinhos mais próximos, executa melhor nesta tarefa. Este método, para cada caso, simplesmente observa os n casos no conjunto de treinamento que mais parecem com ele e prevê uma média ponderada de seu intervalo. Prever o movimento absoluto de um instrumento O movimento absoluto de um instrumento é o movimento global de um dia, mas sempre positivo. Isso é um pouco semelhante ao intervalo. É impossível prever a direção do mercado para o dia seguinte baseado apenas em oito barras e volumes anteriores, pelo menos usando esses algoritmos. No entanto, a primeira falha desta abordagem é talvez que ele tenta prever todos os dias. Talvez algum processo de eliminação possa remover uma grande quantidade de dados que são principalmente imprevisíveis. Por outro lado, existem outros algoritmos como redes neuronais recorrentes que são mais apropriados para a tarefa em questão. É possível prever, até certo ponto, o alcance do dia seguinte e, portanto, logicamente o movimento absoluto (de perto para perto). Este tipo de informação pode não ser relevante para os comerciantes que seguem as tendências, mas pode ser relevante para scalpers que precisam prever o intervalo de um par de moedas. Eu acredito que tais algoritmos ultrapassam os indicadores de alcance como o ATR no sentido de que eles são preditivos e não indicativos. 1 Mark Hall, Eibe Frank, Geoffrey Holmes, Bernhard Pfahringer, Peter Reutemann, Ian H. Witten (2009) O Software de Mineração de Dados WEKA: Uma Atualização SIGKDD Explorations, Volume 11, Otimizar estratégias de negociação automática. Ao estudar a enorme quantidade de informações passadas, podemos identificar padrões que nos ajudam a prever a evolução do mercado em uma extensão suficiente. Isto é, naturalmente, o que alguns comerciantes têm vindo a fazer por um longo tempo, mas a automatização do processo nos permite encontrar estratégias muito melhores e muito mais rápido do que seria necessário um humano. Aqui nós propomos uma estratégia especulativa que foi testada com sucesso e demonstra as possibilidades trazidas pelo machine-learning no forex. Encontrar uma estratégia especulativa vencedora no eurusd EURUSD é um par muito lucrativo para uma estratégia especulativa construída a partir de algoritmos de aprendizado de máquina, embora o nosso método seja capaz de encontrar estratégias vencedoras em outros instrumentos e alguns que funcionam em vários instrumentos, as estratégias desenvolvidas para o EURUSD Dar os melhores retornos. É assim que as estratégias são construídas. Não podemos alimentar o preço real para o algoritmo porque queremos que ele reconheça padrões independentemente de sua altura em um gráfico. Nós, portanto, alimentá-lo movimentos de preços, de alta a alta e baixa a baixa (melhor do que abrir para fechar). Este é um tipo simples de indicador com um poder discriminative surprising entre testes padrões do forex. Mas que intervalos devemos escolher para os nossos indicadores e usando o alto eo baixo em que período Nosso algoritmo responde a esta pergunta para nós, otimizando um conjunto de indicadores e marcando-o por quão boa estratégia podemos construir sobre ele. O método utilizado para a otimização é um algoritmo genético. Nós construímos alguns conjuntos de indicadores os mais fortes (maior pontuação) têm uma melhor chance de ldquoreproducingrdquo e ldquomutatingrdquo enquanto os mais fracos são substituídos. Este método tende a otimizar os conjuntos de indicadores e é milhares de vezes mais rápido do que simplesmente experimentar cada possibilidade única. Nós marcamos um conjunto de indicadores por quão boa estratégia podemos construir com ele. As estratégias são construídas automaticamente usando uma segunda etapa de otimização e uma estrutura de dados, a rede neural artificial. A rede neural toma como entrada os valores indicadores durante um certo período e fornece algumas informações sobre o futuro do instrumento. O que a rede neural artificial prevê As redes neurais tentam prever um fator de lucro normalizado (lucro bruto dividido pela perda bruta) em uma única transação durante um certo período no futuro. O período em questão pode variar entre 3 e 10 dias, é um parâmetro otimizável da estratégia. Portanto, nossa estratégia não necessariamente usa parar as perdas e tomar lucros, em vez disso, nós abrimos uma posição por um período predeterminado de tempo e fechamos a posição no final desse período, aconteça o que aconteceu. A rede é classificada pela porcentagem de previsões corretas pesadas pela precisão do itrsquos. Alternativamente, nossas redes neurais podem prever que parte do saldo da conta deve ser investido, as redes são então classificados pelo saldo final da conta ou o fator de lucro global. Armadilhas comuns em estratégias de negociação automática Existem algumas armadilhas comuns a ter em conta em tais estratégias onde a estratégia parece oferecer lucros surpreendentes, mas é inútil na vida real. A precaução mais importante é que o período em que a estratégia é testada não deve ser o mesmo que o período em que é construído. Caso contrário, podemos simplesmente gerar milhares de estratégias aleatórias complexas e escolher a que funciona melhor em um determinado período, mas itrsquos apenas quando temos um resultado positivo em um conjunto independente de dados que podemos começar a confiar em nossa estratégia. Na realidade, usamos três conjuntos de dados independentes do tempo, o conjunto de treinamento é usado para construir o sistema, o conjunto de validação é usado para evitar o excesso de aprendizado eo conjunto de teste é usado para os resultados relatados. No nosso caso, chegamos a 60 apostas corretas no conjunto de testes que se estende ao longo do último ano. Também é má prática para otimizar um take-profit e parar a perda desde o início. Ao otimizar uma estratégia em um período que é muito curto, pode-se facilmente obter um incrível lucro global, definindo o take-profit muito perto ea stop-loss muito longe. Quando o stop-loss é eventualmente alcançado em um período mais longo, as conseqüências são devastadoras. Uma vez que uma estratégia rentável é encontrada no entanto, o take-profit e stop loss pode ser otimizado, mas eles nunca devem ser muito distantes uns dos outros. Colocar uma tomada de lucro e parar a perda nunca é uma estratégia em si, mas sim uma maneira de controlar o risco. Uma estratégia ótima testada com um simulador reconhecido Nossa estratégia obtém um 62.5 correto apostas corretas em EURUSD. Mas podemos obter uma melhor avaliação da estratégia com uma boa simulação e uma aplicação na vida real da estratégia. Por esta razão, implementamos a estratégia usando a API JForex e testámo-la na plataforma jForex. Mais uma vez, tivemos o cuidado de não misturar o período que usamos para otimizar nossa estratégia eo período que usamos para testá-lo. Também refinamos nossa estratégia ajustando mais o valor investido em cada posição para refletir as previsões do strategyrsquos. Isso melhorou muito o fator de lucro (lucro bruto dividido pela perda bruta) de nossa estratégia. Usamos uma alavancagem para aumentar ou diminuir o risco eo retorno esperado. Mais de 161 negócios, o fator de lucro da nossa estratégia no período de teste é 2,87 Isso significa que obtemos 2,87 vezes mais lucro do que a retirada em comércios. Embora só obtenha 60,24 negócios lucrativos, eles são muito mais lucrativos do que os comércios perdedores são un-rentáveis. As estatísticas finais que achamos muito reveladoras são a redução máxima consecutiva, 5, eo lucro máximo consecutivo, 18 do patrimônio líquido. Temos uma conta ao vivo executando a estratégia, mas tem vindo a fazê-lo por demasiado pequeno período de tempo para avaliá-lo desta forma. Também otimizamos um take-profit e um stop-loss. Já que nos recusamos a ver esses fatores como parâmetros de estratégia, mas preferimos vê-los como parâmetros de controle de risco, sempre os mantemos iguais uns aos outros. O oposto cria um desequilíbrio que dificulta a avaliação da estratégia. Mais uma vez, esses parâmetros foram otimizados em um período diferente do período de teste. Os resultados mostram que um stop-loss e take-profit deve ser realmente utilizado e que deve ser colocado muito perto, em cerca de 18 pips. Colocar aqueles mais perto do preço de abertura melhora o fator de lucro geral, mas a esses níveis, comissões e taxas se tornam problemáticos. O stop-loss e take-profit melhoram o fator de lucro ea estabilidade geral da estratégia, enquanto eles impedem o lucro total, mas a alavancagem pode remediar a situação. Desvantagens de uma estratégia de negociação automática Uma crítica comum a respeito de estratégias de caixa-preta como a nossa é que o mercado pode sempre mudar de repente e as estratégias que funcionaram antes do trabalho não vai trabalhar indefinidamente. Temos que admitir que isso é totalmente fundado, e é nossa crença que nada pode ser feito para evitar isso sem uma bola de cristal para prever o futuro. No entanto, é também nosso sentimento que esta é a verdade com qualquer estratégia especulativa, feita pelo homem ou de outra forma. É claro que o forex sofreu grandes mudanças no passado. O volume é um grande indicador para essa matéria que realmente nos dá uma visão sobre o momento em que a forma como um instrumento é trocado mudanças. No gráfico abaixo pode observar-se a evolução do volume do EUR / USD nos últimos 16 anos. Uma estratégia construída usando dados que é muito distante não funciona mais. No entanto, a nossa estratégia tem funcionado igualmente bem em EURUSD para os últimos anos e nada sugere que ele vai mudar a qualquer momento em breve. Há duas coisas que podemos fazer para se proteger contra uma mudança súbita na maneira como os instrumentos de forex são negociados. Primeiro, podemos monitorar o mercado e aguardar o momento em que nossa estratégia não funciona mais, usando as estatísticas que a estratégia deve seguir como o máximo de retirada consecutiva e monitorando o volume. Em segundo lugar, podemos fazer whatrsquos chamado de aprendizagem on-line onde a nossa estratégia está continuamente sendo otimizado em novos dados. Esta segunda opção é boa prática, mas doesnrsquot guarda contra as mudanças repentinas que são típicas no forex a cada poucos anos. A melhor solução é implementar ambos os métodos, otimizando regularmente nossas estratégias, sendo consciente de que uma mudança mais profunda na estratégia será, em última instância, necessário. A outra crítica é que nós nunca realmente entendemos o que faz um modelo de caixa-preta. Esse não é o caso para nós, pois nosso modelo é bastante simples, no entanto, vamos levar o segredo para o nosso túmulo ou pelo menos até que a estratégia não é mais rentável. Aprender em Forex Trading: Por que muitos acadêmicos estão fazendo tudo errado Construindo estratégias de aprendizagem de máquina que pode obter resultados decentes em condições de mercado ao vivo sempre foi um desafio importante na negociação algorítmica. Apesar da grande quantidade de interesse e as incríveis recompensas potenciais, ainda não há publicações acadêmicas que são capazes de mostrar bons modelos de aprendizagem de máquina que pode enfrentar com êxito o problema de negociação no mercado real (ao meu melhor conhecimento, postar um comentário se Você tem um e I8217ll ser mais do que feliz para lê-lo). Embora muitos trabalhos publicados pareçam mostrar resultados promissores, muitas vezes é o caso que esses artigos se enquadram em uma variedade de diferentes problemas de tendência estatística que tornam o verdadeiro sucesso de mercado de suas estratégias de aprendizado de máquina altamente improvável. No borne de today8217s eu estou indo falar sobre os problemas que eu vejo na pesquisa académica relacionada com a aprendizagem de máquina em Forex e como eu acredito que esta pesquisa poderia ser melhorada para render a informação muito mais útil para a comunidade académica e negociando. A maioria das armadilhas na concepção da estratégia de aprendizagem de máquina ao fazer o comércio de Forex são inevitavelmente herdadas do mundo de problemas de aprendizagem determinísticos. Ao construir um algoritmo de aprendizado de máquina para algo como reconhecimento de rosto ou reconhecimento de letras há um problema bem definido que não muda, que geralmente é abordado pela construção de um modelo de aprendizagem de máquina em um subconjunto dos dados (um conjunto de treinamento) e, em seguida, testando se O modelo foi capaz de resolver corretamente o problema usando o lembrete dos dados (um conjunto de teste). É por isso que você tem alguns conjuntos de dados famosos e bem estabelecidos que podem ser usados ​​para estabelecer a qualidade das técnicas de aprendizagem de máquinas recém-desenvolvidas. O ponto-chave aqui no entanto, é que os problemas abordados inicialmente pela aprendizagem mecânica foram principalmente deterministas e independentes do tempo. Ao passar para a negociação, a aplicação dessa mesma filosofia produz muitos problemas relacionados com o caráter parcialmente não determinístico do mercado e sua dependência temporal. O simples ato de tentar selecionar conjuntos de treinamento e teste introduz uma quantidade significativa de viés (um viés de seleção de dados) que cria um problema. Se a seleção for repetida para melhorar os resultados no conjunto de testes 8211 que você deve assumir acontece em pelo menos alguns casos 8211, então o problema também adiciona uma grande quantidade de viés de mineração de dados. Toda a questão de fazer um único treinamento valididation exercício também gera um problema relativo a como este algoritmo é para ser aplicado ao vivo trading. Por definição, a negociação ao vivo será diferente, uma vez que a seleção de conjuntos de testes de treinamento precisa ser reaplicada a dados diferentes (como agora o conjunto de testes é realmente dados desconhecidos). O viés inerente à seleção inicial do período de amostra da amostra de amostra e a ausência de quaisquer regras testadas para negociação com dados desconhecidos torna essas técnicas geralmente em falha na negociação ao vivo. Se um algoritmo for treinado com dados 2000-2012 e tiver sido validado cruzadamente com os dados de 2012-2015, não há razão para acreditar que o mesmo sucesso acontecerá se treinado em dados de 2003-2015 e depois viver negociado de 2015 a 2017, os conjuntos de dados São muito diferentes na natureza. O sucesso do algoritmo de medição também é um problema muito relevante aqui. Inevitavelmente, os algoritmos de aprendizado de máquina usados ​​para negociação devem ser medidos em mérito pela sua capacidade de gerar retornos positivos, mas alguma literatura mede o mérito de novas técnicas algorítmicas, tentando avaliar sua capacidade de obter previsões corretas. As previsões corretas não são necessariamente as negociações rentáveis, como você pode facilmente ver ao construir classificadores binários. Se você tentar prever a próxima direção de candle8217s você ainda pode fazer uma perda se você estiver na maior parte certo em velas pequenas e errado em velas maiores. Na verdade, a maior parte desse tipo de classificadores 8211 a maioria daqueles que não trabalham 8211 acabam predizendo direcionalidade com uma precisão acima de 50, mas não acima do nível necessário para ultrapassar as comissões que permitiriam negociações de opções binárias rentáveis. Para construir estratégias que são principalmente livre dos problemas acima eu sempre defendi uma metodologia em que o algoritmo de aprendizagem da máquina é treinada antes da tomada de qualquer decisão de formação. Usando uma janela em movimento para o treinamento e nunca fazendo mais de uma decisão sem reaproveitar todo o algoritmo, podemos livrar-nos do viés de seleção que é inerente na escolha de um único conjunto de amostras de amostra. Desta forma, todo o teste é uma série de exercícios de validação de treinamento que acabam garantindo que o algoritmo de aprendizado da máquina funcione mesmo sob conjuntos de dados de treinamento tremendamente diferentes. Eu também defendo a medição do desempenho de backtesting real para medir um mérito algoritmo de aprendizagem de máquina e, além disso, eu iria tão longe como para dizer que nenhum algoritmo pode valer a pena o seu sal sem ser provado sob reais condições fora da amostra. Desenvolver algoritmos desta maneira é muito mais difícil e eu não encontrei um único artigo acadêmico que segue este tipo de abordagem (se eu perdi, sinta-se livre para postar um link para que eu possa incluir um comentário). Isso não significa que essa metodologia seja completamente livre de problemas, no entanto, ela ainda está sujeita aos problemas clássicos relevantes para todos os exercícios de construção de estratégia, incluindo viés de ajuste de curva e viés de mineração de dados. É por isso que também é importante usar uma grande quantidade de dados (uso 25 anos para testar sistemas, sempre treinando depois de cada máquina aprendendo decisão derivada) e realizar testes de avaliação de viés de mineração de dados adequados para determinar a confiança com a qual podemos Dizer que os resultados não vêm de acaso aleatório. Meu amigo AlgoTraderJo 8211 que também acontece de ser um membro da minha comunidade comercial 8211 está actualmente a crescer um fio na ForexFactory seguindo este mesmo tipo de filosofia para o desenvolvimento de aprendizagem de máquina, como trabalhamos em alguns novos algoritmos de aprendizagem de máquina para a minha comunidade comercial. Você pode consultar seu tópico ou posts anteriores no meu blog para vários exemplos de algoritmos de aprendizado de máquina desenvolvidos dessa maneira. Se você gostaria de aprender mais sobre nossos desenvolvimentos na aprendizagem de máquina e como você também pode também desenvolver suas próprias estratégias de aprendizagem de máquina usando a estrutura de F4 por favor considere juntar Asirikuy. Um site cheio de vídeos educacionais, sistemas de negociação, desenvolvimento e uma abordagem som, honesto e transparente para a negociação automatizada. MetaTrader Expert Advisor aprendizagem máquina apresenta muitas vantagens únicas e atraentes para os comerciantes à procura de uma vantagem no mercado. No ano passado, vimos uma enorme quantidade de recursos dos principais fundos de hedge, como a Bridgewater Associates, dedicada a explorar essas técnicas. Embora usando a aprendizagem de máquina ou inteligência artificial parece incrivelmente complexa e difícil de implementar, ainda existem maneiras de alavancar suas capacidades sem precisar de um doutorado em matemática ou ciências. Neste post, bem passar por 3 maneiras diferentes que você pode usar técnicas de aprendizagem de máquina para melhorar a sua própria negociação. Seleção de Indicadores Uma das decisões mais importantes é decidir quais indicadores usar para o comércio. Se você é um comerciante técnico ou fundamental, ou você apenas usar ação de preço para o comércio, o seu sucesso vai ser em grande parte dependente dos indicadores que você usa e como você interpretá-los. Felizmente, existem muitos métodos diferentes para a seleção de seus indicadores e isso é conhecido como seleção de recursos no mundo máquina-aprendizagem. Usando uma árvore de decisão para selecionar seus indicadores As árvores de decisão são algoritmos muito versáteis que têm o benefício de serem facilmente interpretáveis. Dado um grande conjunto de dados de indicadores eo movimento de preços do ativo, uma árvore de decisão encontrará os indicadores e os valores dos indicadores, que melhor dividem os dados entre aumentos de preços e diminuições de preços. Indicadores mais próximos da parte superior da árvore são vistos como melhores preditores do que aqueles mais próximos ao fundo da árvore, e seguindo um ramo particular permitirá que você facilmente encontrar interdependências e relações entre os indicadores. A árvore de decisão também lhe dará um conjunto de regras que você pode usar para negociar com base nesses indicadores, mas você deve ter certeza de podar corretamente a árvore e testar para overfitting. A árvore de decisão é uma poderosa ferramenta visual que pode ajudá-lo a decidir quais combinações de indicadores para o comércio e quais os valores para negociá-los. Você pode encontrar um tutorial sobre como construir uma estratégia com uma árvore de decisão aqui ou para um guia mais geral, em R aqui é um bom recurso. Otimização Uma vez que você tenha a base para a sua estratégia, o próximo passo é a otimização, ou escolher os valores dos parâmetros corretos para maximizar suas chances de sucesso. Muitas estratégias têm uma grande variedade de parâmetros, tais como configurações de indicadores, as condições de entrada e saída, stop loss e tomar níveis de lucro e dimensionamento de posição, que fazem métodos de força bruta de tentar cada combinação única extremamente difícil e demorado, se em tudo Mesmo possível. Resolver estes tipos de problemas é outra área onde a aprendizagem de máquina excels. Otimizando uma Estratégia Usando Algoritmos Genéticos Algoritmos genéticos imitam o processo de seleção natural, criando um conjunto único de estratégias de criança que contém uma mistura das melhores estratégias de pai, com uma chance de mutação aleatória. O processo começa codificando sua estratégia em uma matriz. Por exemplo, ele poderia ler como algo como: Indicador 1 Período Você, então, geraria uma grande população de estratégias com variações aleatórias desses parâmetros. Essas estratégias têm combinações diferentes de períodos médios móveis, condições de entrada e saída e relações risco-recompensa. Em seguida, você testaria essa população executando cada estratégia em um conjunto de testes e selecionando as principais estratégias com base em uma métrica de desempenho de sua escolha. Finalmente, você combina aleatoriamente os traços das estratégias de topo, com uma pequena chance de mutação de alguns dos parâmetros, para criar uma nova geração de estratégias de criança. Em seguida, repita o procedimento de avaliação e, uma vez mais, acopla as melhores estratégias de desempenho desta nova geração. Isto conduz a uma sobrevivência do scenario o mais apto onde somente as estratégias superiores sobrevivem para passar ao longo de seus genes à geração seguinte Repete este processo um número grande de vezes ou até que determinados critérios do desempenho sejam alcançados e você é deixado com uma estratégia muito robusta construída de Gerações das melhores estratégias de desempenho Você precisa ter certeza de que você seleciona uma métrica de desempenho apropriada (como retorno ajustado ao risco) e sempre testa a estratégia final sobre os dados que não foram usados ​​para construir a estratégia para garantir que você não esteja Determinado conjunto de dados. Este é um método muito poderoso e robusto que tem sido bem sucedido em uma ampla variedade de aplicações, incluindo o mundo da negociação. Você pode encontrar uma descrição mais detalhada aqui e um tutorial sobre como implementá-lo em R aqui. Live Trading Um dos aspectos mais atraentes da aprendizagem da máquina é ter um algoritmo que é capaz de aprender e adaptar-se às condições do mercado em mudança. No entanto, isso cria uma estratégia de caixa negra que, se você não entender completamente como funcionam os algoritmos e testá-lo você mesmo, é muito difícil confiar em uma conta real. Não saber quando ou por que uma estratégia está entrando em um comércio pode ser uma proposição assustadora. No entanto, existem maneiras de obter os benefícios de uma abordagem inteligente, algorítmica, mantendo a transparência e compreensão na sua estratégia. Regra de Associação Regra de Associação de Aprendizagem Aprender é o processo de derivar um conjunto de regras claras e compreensíveis a partir dos padrões descobertos por um algoritmo de aprendizado de máquina. Algoritmos, como o algoritmo Apriori, buscam um conjunto de dados de indicadores, valores de indicadores eo movimento de preço resultante para produzir um conjunto de condições basicamente if-then declarações, que levam aos resultados de maior desempenho. No entanto, ainda é difícil saber exatamente de onde essas regras vêm, o algoritmo Apriori requer um número bastante grande de parâmetros a serem ajustados e este processo não se presta bem às condições de mercado em mudança. Com TRAIDE. Levamos o processo um passo adiante e permitimos que você veja os padrões encontrados por um conjunto de algoritmos de aprendizado de máquina, a partir do qual você pode criar suas próprias regras de negociação. Essas regras são, então, fáceis de implementar e ajustadas às mudanças das condições de mercado, sem necessidade de qualquer programação ou experiência matemática. Você é capaz de obter os benefícios do uso de algoritmos de aprendizado de máquina para o comércio, mantendo a transparência completa, uma compreensão da sua estratégia e incluindo o seu próprio domínio experiência em sua negociação. Usando a aprendizagem de máquinas e inteligência artificial para encontrar uma vantagem no mercado não precisa ser exclusivamente de propriedade de apenas as maiores instituições financeiras. Como esta tecnologia se torna mais acessível e essas técnicas mais comuns, você também pode usar a aprendizagem da máquina para melhorar a sua negociação.