تحلیل تکنیکال officialjackofalltrades درباره نماد BTC در تاریخ ۱۴۰۴/۱۰/۲

"99% دقیق AI" عالی به نظر می رسد - تا زمانی که منحنی ارزش سهام را ببینید اگر اخیراً در بازارها گشته اید، میدان را دیده اید: AI انقلابی ما از شبکه های عصبی deep برای پیش بینی بازار با دقت 99 درصد استفاده می کند. در era مدل های بزرگ و کلمات کلیدی، هیپنوتیزم شدن توسط نمودارهایی که مستقیماً بالا می روند آسان است. مشکل این نیست که شبکه‌های عصبی useless هستند - این مشکل این است که بیشتر مردم از آنها استفاده می‌کنند (و آنها را می‌فروشند) به روش‌هایی که هیچ ارتباطی با تجارت واقعی ندارند. آنچه که شبکه های عصبی در واقع انجام می دهند در زیر تبلیغات، یک شبکه عصبی فقط یک تقریب‌کننده تابع انعطاف‌پذیر است: شما ورودی‌های آن را تغذیه می‌کنید (قیمت، حجم، شاخص‌ها، احساسات و غیره) وزن های داخلی را یاد می گیرد که آن ورودی ها را به خروجی ها ترسیم می کند این وزن ها را برای کاهش خطا در data گذشته تنظیم می کند آنها قدرتمند هستند زیرا می توانند روابط پیچیده و غیرخطی را مدل کنند. اما این قدرت یک شمشیر دولبه است: آنها نیز می توانند حفظ کردن سر و صدا و آن را "الگو". افسانه های بزرگ (و واقعیت خسته کننده) افسانه: "AI جهت را با دقت بالا پیش بینی می کند" واقعیت: بازارها سازگار هستند. "دقت" بالا اغلب به معنای حرکات کوچک یا معاملات rare است. مدلی که در 90 درصد مواقع با 0.1 درصد برنده می شود، ممکن است همچنان روی 10 درصدی که از دست می دهد منفجر شود. افسانه: "عمیق تر = بهتر" واقعیت: لایه های اضافی به طور جادویی لبه ایجاد نمی کنند. اغلب، مدل‌های ساده با منطق روشن، بهتر از جعبه‌های سیاه غول‌پیکر در رژیم‌ها زنده می‌مانند. افسانه: "AI یافت alpha انسان های پنهان نمی توانند" واقعیت: فقط می تواند آنچه را که در آن وجود دارد پیدا کند data شما آن را می دهید . زباله در، بیش از حد magic بیرون. انقلاب AI نیاز به درک بازار را برطرف نمی کند - فقدان آن را سریعتر مجازات می کند. جایی که شبکه های عصبی در تجارت معنا پیدا می کنند در عصر AI، مزیت واقع بینانه این نیست که "شبکه من شمع بعدی را پیش بینی می کند". از ML برای مشاغلی استفاده می کند که انسان ها در آنها بد هستند: احساس و متن - طبقه بندی اخبار و فیدهای اجتماعی به عنوان صعودی / نزولی / خنثی. تشخیص رژیم - خوشه‌بندی دوره‌ها به «روند»، «محدوده»، «بحران» و غیره. استخراج ویژگی - تبدیل data خام به سیگنال های مفیدی که قوانین ساده تر می توانند معامله کنند. بهینه سازی اجرا - تصمیم گیری در مورد نحوه تقسیم سفارشات برای به حداقل رساندن تأثیر و هزینه. در همه اینها، شبکه یک است جزء سیستم شما، نه کل استراتژی. تله Overfitting (جایی که اکثر AI معامله گران می میرند) اگر شبکه های عصبی آنها را محدود نکنید، ماشین هایی هستند که بیش از حد برازش می کنند. نشانه هایی که نشان می دهد در مشکل هستید: منحنی ارزش سهام تقریباً عالی صدها پارامتر و نشانگر در ورودی وقتی محدوده تاریخ یا symbol را تغییر دهید، عملکرد کاهش می یابد چند معامله بیشتر سود را تشکیل می دهند به یاد داشته باشید: شبکه در حال تلاش برای به حداقل رساندن است گذشته خطا، نه به حداکثر رساندن آینده استحکام دستورالعمل های عملی برای استفاده از شبکه های عصبی در AI Era با مشکل شروع کنید، نه با مدل "می تعطیلات فردا را پیش بینی کنم" مبهم است. «من می‌خواهم طبقه‌بندی کنم که آیا ما در یک رژیم با نوسانات بالا قرار داریم» مشخص است. ورودی ها را صادقانه نگه دارید بدون نگاه به آینده data. از تاریخچه های واقع بینانه و آگاه به بقا استفاده کنید. واقعی خارج از نمونه را نگه دارید Data Data مدل هرگز در طول آموزش لمس نمی کند. از آن یک بار به عنوان امتحان نهایی استفاده کنید، نه 20 بار به عنوان یک مجموعه تنظیم دیگر. استفاده های ساده را به «Magic» ترجیح دهید از شبکه‌ها برای رتبه‌بندی یا امتیاز استفاده کنید، نه اینکه اوج‌ها و افت‌های دقیق را اعلام کنید. خروجی های ML را با قوانین ریسک شفاف ترکیب کنید. AI یک ابزار است، نه یک ناهار رایگان شبکه‌های عصبی بخشی از ابزار تجاری AI هستند - نه جام مقدس. در این عصر، معامله گرانی که win هستند کسانی هستند که می توانند: سوالات دقیق بپرسید درک کنید که مدل های آنها واقعاً چه کاری انجام می دهند به پشت آزمون های زیبا اما شکننده "نه" بگویید از AI برای گسترش لبه خود استفاده کنید، نه برای جایگزینی تفکر.