Maskin Læring Forex 2012

Maskininnlæring er et felt av kunstig intelligens der dataprogrammer lærer i stedet for å blinde følge et skript. Med nok trening data kan du lære disse algoritmer å kjøre bil, pilot et helikopter eller bygge den beste søkemotoren i verden. Her er resultatene jeg oppnådde med min første tilnærming ved søknad om maskinlæring til forex trading. En rekke algoritmer er satt på plass for å prøve å forutsi utviklingen av et instrument med data fra bare 8 daglige stenger inn i fortiden. For hver dag registreres fire verdier, de tre første rekordinformasjonene på bevegelsen fra de forrige dagene nær dagene, høy, lav og nær, i prosent, mens den fjerde registrerer volumet for dagen. Dette gir 32 uavhengige variabler totalt. Dataene er hentet fra tre instrumenter i dukascopy-databasen, EURUSD, AUDJPY og GBPCHF daglig. Spor barer fra 1. januar 2008 til 31. desember 2011, med helger blandet i følgende mandag. For hver av de testede algoritmene ble de første to årene brukt til å trene modellene mens 2012 ble brukt til å teste dem. Det åpne Java-biblioteket for maskinlæringsalgoritmer som brukes, kommer fra WEKA: Data Mining Software i Java i. Du kan laste ned biblioteket eller det brukervennlige programmet fritt på cs. waikato. ac. nzmlweka. Forutsi markedsretningen Disse tester vurderer i hvilken utstrekning det er mulig å forutsi den generelle bevegelsen i morgen (fra nær ved å lukke) basert på data fra åtte tidligere dager ved hjelp av en rekke maskinlæringsalgoritmer. En høy korrelasjon betyr at modellen forutser følgende dagers totale bevegelsesbrønn. I dette tilfellet er korrelasjonene svært nær null slik at modellene kan forutsi den generelle bevegelsen av markedet i det hele tatt. Forutsi markedets rekkevidde For forexen, er rekkevidden definert her som forskjellen mellom dayrsquos høy og dayrsquos lav som en prosentandel av forrige lukke (for at ulike instrumenter skal kunne sammenlignes). En av de enkleste og beste metodene, de nærmeste naboene, utfører best på denne oppgaven. Denne metoden, for hvert tilfelle, ser rett og slett på n-tilfellene i treningssettet som ser mest ut som det, og forutsier et vektet gjennomsnitt av deres rekkevidde. Forutsi den absolutte bevegelsen til et instrument Den absolutte bevegelsen til et instrument er den samlede bevegelsen i en dag, men alltid positiv. Dette er noe som ligner på rekkevidden. Det er umulig å forutsi markedets retning for neste dag, basert bare på åtte forrige barer og volumer, i det minste ved hjelp av disse algoritmer. Men den første feilen i denne tilnærmingen er kanskje at den forsøker å forutse hver eneste dag. Kanskje en elimineringsprosess kunne fjerne en stor mengde data som for det meste er uforutsigbar. På den annen side er det andre algoritmer som tilbakevendende nevrale nettverk som er mer hensiktsmessige for oppgaven ved hånden. Det er mulig å forutse, til en viss grad, rekkevidden av neste dag, og derfor helt logisk den absolutte bevegelsen (fra nær ved å lukke). Denne typen informasjon er kanskje ikke relevant for forhandlere som følger trender, men det kan være relevant for scalpers som må forutse rekkevidden til et valutapar. Jeg tror at slike algoritmer overgår rekkeviddeindikatorer som ATR i den forstand at de er prediktive snarere enn veiledende. 1 Mark Hall, Eibe Frank, Geoffrey Holmes, Bernhard Pfahringer, Peter Reutemann, Ian H. Witten (2009) WEKA Data Mining Software: En oppdatering SIGKDD Explorations, Volume 11, Issue 1.Machine Learning Applied to Forex Maskininnlæring kan hjelpe oss optimalisere automatiske handelsstrategier. Ved å studere den enorme mengden tidligere informasjon, kan vi identifisere mønstre som hjelper oss å forutsi utviklingen av markedet i tilstrekkelig grad. Dette er selvsagt hva noen handelsmenn har gjort lenge, men automatiseringen av prosessen tillater oss å finne langt bedre strategier og mye raskere enn det ville ta et menneske. Her foreslår vi en spekulativ strategi som har blitt testet og demonstrert mulighetene som kommer med maskinlæring i forex. Automatisk å finne en vinnende spekulativ strategi på eurusd EURUSD er et svært lukrativt par for en spekulativ strategi bygget fra maskinlæringsalgoritmer, selv om metoden vår er i stand til å finne vinnende strategier på andre instrumenter og noen som fungerer over flere instrumenter, strategiene utviklet for EURUSD gi den beste avkastningen. Dette er hvordan strategiene bygges. Vi kan ikke mate den faktiske prisen til algoritmen fordi vi vil at den skal gjenkjenne mønstre uavhengig av høyden på et diagram. Vi leverer derfor prisbevegelser, fra høy til høy og lav til lav (bedre enn åpen for å lukke). Dette er en enkel type indikator med en overraskende diskriminerende kraft mellom forex mønstre. Men hvilke intervaller skal vi velge for våre indikatorer og bruke høy og lav over hvilken periode Vår algoritme svarer på dette spørsmålet for oss ved å optimalisere et sett med indikatorer og score det med hvor god en strategi vi kan bygge på den. Metoden som brukes for optimalisering er en genetisk algoritme. Vi bygger noen få sett med indikatorer de sterkeste (høyere poeng) har en bedre sjanse for ldquoreproducingrdquo og ldquomutatingrdquo mens de svakere blir erstattet. Denne metoden har en tendens til å optimalisere indikatorsettene, og det er tusenvis raskere enn å bare prøve ut hver eneste mulighet. Vi vurderer et sett med indikatorer av hvor god en strategi vi kan bygge med den. Strategiene bygges automatisk ved hjelp av et annet optimaliseringstrinn og en datastruktur, det kunstige nevrale nettverket. Det neurale nettverket tar som input indikatorverdiene i en viss periode og gir litt informasjon om instrumentets fremtid. Hva forutsier det kunstige nevrale nettverket? De neurale nettene forsøker å forutsi en normalisert profittfaktor (brutto fortjeneste fordelt på brutto tapet) på en enkelt handel over en viss periode i fremtiden. Den aktuelle perioden kan variere mellom 3 og 10 dager, det er en optimaliserbar parameter for strategien. Derfor gjør ikke vår strategi doesnrsquot nødvendigvis stop-tap og tar fortjeneste, i stedet åpner vi en posisjon for en forhåndsbestemt tid og lukker posisjonen på slutten av den perioden, uansett hva som skjedde. Nettverket er gradert med prosentandelen av korrekte prediksjoner veid av itrsquos nøyaktighet. Alternativt kan våre neuralnett forutsi hvilken andel av kontosaldoen skal investeres, nettene blir deretter gradert etter kontos sluttbeløp eller den samlede profittfaktoren. Vanlige feller i automatiseringsstrategier Det er noen vanlige fallgruver å være oppmerksomme på i slike strategier der strategien ser ut til å gi fantastisk fortjeneste, men er verdiløs i det virkelige liv. Den viktigste forholdsregelen er at perioden hvor strategien testes, ikke bør være den samme som den perioden den bygger på. Ellers kan vi bare generere tusenvis av komplekse tilfeldige strategier og velge den som fungerer best i en bestemt periode, men det er bare når vi har et positivt resultat på et uavhengig datasett som vi kan begynne å stole på vår strategi. I virkeligheten bruker vi tre tidsuavhengige datasett, treningssettet brukes til å bygge systemet, valideringssettet brukes til å unngå overlæring og testsettet brukes til de rapporterte resultatene. I vårt tilfelle når vi 60 korrekte spill på testsettet som strekker seg over det siste året. Det er også dårlig praksis å optimalisere et overskudd og stoppe tap fra starten. Når man optimaliserer en strategi i en periode som er for kort, kan man lett oppnå et utrolig samlet fortjeneste ved å sette overskuddet svært nær og stoppet svært langt. Når sluttbruket til slutt blir nådd på lengre tid, er konsekvensene ødeleggende. Når en lønnsom strategi er funnet, kan imidlertid overskuddet og stoppet tap optimaliseres, men de bør aldri være for langt fra hverandre. Å sette en fortjeneste og stoppe tap er aldri en strategi i seg selv, heller en måte å kontrollere risiko på. En optimal strategi testet med en anerkjent simulator Vår strategi får en teoretisk 62,5 korrekt innsats på EURUSD. Men vi kan få en bedre vurdering av strategien med en god simulering og en realistisk anvendelse av strategien. Av denne grunn implementerte vi strategien ved hjelp av JForex API og testet den på jForex-plattformen. Igjen var vi forsiktig med å ikke blande perioden vi brukte for å optimalisere vår strategi og perioden vi brukte til å teste den. Vi har også raffinert vår strategi litt mer å justere beløpet investert på hver posisjon for å gjenspeile strategyrsquos-spådommene. Dette forbedret profittfaktoren (bruttoavkastningen dividert med brutto tap) av vår strategi sterkt. Vi bruker en innflytelse til å øke eller redusere risikoen og forventet avkastning. Over 161 bransjer, fortjenestefaktoren til strategien vår, er testperioden 2,87. Det betyr at vi får 2,87 ganger mer overskudd enn å trekke i handelen. Selv om vi bare får 60,24 lønnsomme handler, er de mye mer lønnsomme enn de tapende handlerne er lønnsomme. Den endelige statistikken vi finner veldig fortellende er den maksimale konsekutive nedtjeningen, 5, og det maksimale konsekutive resultatet, 18 av egenkapitalen. Vi har en live konto som driver strategien, men det har gjort det for altfor lite en tidsperiode å vurdere det på denne måten. Vi har også optimalisert en take-profit og et stop-loss. Since vi nekter å se disse til faktorer som strategiparametere, men heller vil se dem som risikostyringsparametere, holder vi dem alltid likte med hverandre. Det motsatte skaper en ulikhet som gjør det vanskelig å vurdere strategien. Igjen ble disse parametrene optimalisert i en annen periode enn testperioden. Resultatene viser at et stopp og tap-resultat faktisk skal brukes, og at det skal plasseres svært nært, rundt 18 pips. Å plassere dem nærmere åpningsprisen, forbedrer den generelle profittfaktoren, men på disse nivåene blir provisjoner og gebyrer besværlige. Stoppetapet og overskuddet øker profittfaktoren og strategiens overordnede stabilitet mens de hindrer totalresultat, men innflytelse kan rette opp situasjonen. Ulempene ved en automatisk handelsstrategi En felles kritikk angående blackbox-strategier som vår er at markedet alltid kan plutselig forandre seg og strategier som fungerte før vannet jobber på ubestemt tid. Vi må innrømme at dette er helt grunnlagt, og det er vår tro på at ingenting kan gjøres for å unngå dette uten en krystallkule for å forutse fremtiden. Men det er også vår følelse av at dette er sannheten med noen spekulativ strategi, menneskeskapte eller på annen måte. Det er klart at forexen har hatt store endringer i fortiden. Volumet er en god indikator for den saken, det gir oss virkelig et innblikk i det øyeblikket når et instrument handles, endres. På diagrammet nedenfor kan du observere volumutviklingen for EURUSD i de siste 16 årene. En strategi bygget med data som er for langt, gjør ikke jobben lenger. Men vår strategi har virket like godt på EURUSD de siste årene, og ingenting tyder på at det vil forandre når som helst snart. Det er to ting vi kan gjøre for å beskytte mot en plutselig endring i måten valutahandler handles på. For det første kan vi overvåke markedet og vente på det øyeblikket når vår strategi doesnrsquot jobber lenger med statistikken som strategien skal følge som den maksimale konsekutive nedtellingen og ved å overvåke volumet. For det andre kan vi gjøre whatrsquos kalt on-line læring der vår strategi kontinuerlig blir optimalisert på nye data. Dette andre alternativet er god praksis, men det gjør ikke det til å takle de plutselige endringene som er typiske i forex hvert par år. Den beste løsningen er å implementere begge disse metodene ved å regelmessig optimalisere våre strategier mens du er klar over at en dypere endring i strategi til slutt vil være nødvendig. Den andre kritikken er at vi aldri forstår hva en svartboksmodell gjør. Det er ikke tilfellet for oss da modellen vår er ganske enkel, men vi skal ta hemmeligheten til graven vår eller i hvert fall til strategien ikke er lønnsom lenger. Takk for at du leser, Oversett til RussianMachine Learning in Forex Trading: Hvorfor mange akademikere gjør det alt galt Bygg maskinens læringsstrategier som kan skaffe anstendige resultater under leve markedsforhold, har alltid vært en viktig utfordring i algoritmisk handel. Til tross for den store mengden interesse og de utrolige potensielle fordelene, er det fortsatt ingen akademiske publikasjoner som kan vise gode maskininnlæringsmodeller som kan håndtere handelsproblemet i det virkelige markedet (så vidt jeg vet, legg inn en kommentar hvis du har en og I8217ll være mer enn glad for å lese den). Selv om mange utgaver publisert ser ut til å vise lovende resultater, er det ofte tilfelle at disse papirene faller inn i en rekke forskjellige statistiske problemstillinger som gjør det virkelige markedet vellykket av deres maskinlæringsstrategier svært usannsynlig. I dag8217s innlegg skal jeg snakke om problemene jeg ser på akademisk forskning relatert til maskinlæring i Forex, og hvordan jeg mener at denne undersøkelsen kan forbedres for å gi mye mer nyttig informasjon for både akademiske og handelssamfunn. De fleste fallgruvene i maskinlæringsstrategi når man foretar Forex trading, er uunngåelig arvet fra deterministiske læringsproblemer. Når du bygger en maskinlæringsalgoritme for noe som ansiktsgjenkjenning eller bokstavsgjenkjenning, er det et godt definert problem som ikke endres, noe som vanligvis håndteres ved å bygge en maskininnlæringsmodell på en delmengde av dataene (et treningssett) og deretter teste om modellen var i stand til å løse problemet riktig ved å bruke påminnelsen om dataene (et testsett). Det er derfor du har noen kjente og veletablerte datasett som kan brukes til å etablere kvaliteten på nyutviklede maskinlæringsteknikker. Nøkkelpunktet her er imidlertid at problemene som først ble tatt opp av maskinlæring, hovedsakelig var deterministiske og tidsavhengige. Når du går inn i handel, gir det samme mange filosofi mange problemer knyttet til både markedets delvis ikke-deterministiske karakter og tidsavhengighet. Den blotte handlingen med å forsøke å velge opplærings - og testsett, introduserer en betydelig mengde bias (en datautvalgsperspektiv) som skaper et problem. Hvis valget gjentas for å forbedre resultatene i testsettet 8211, som du må anta, skjer i minst noen tilfeller 8211, så legger problemet også til stor mengde data mining bias. Hele spørsmålet om å gjøre en enkelt treningsvalideringstrening genererer også et problem som gjelder hvordan denne algoritmen skal brukes når det gjelder live trading. Per definisjon vil den levende handel være annerledes siden valget av treningsprøvingssett må brukes på forskjellige data (som nå er testsettet virkelig ukjente data). Forspenningen som ligger i det innledende utvalgsprøveintervallet og mangelen på testede regler for handel under ukjente data, gjør at slike teknikker ofte mislykkes i live trading. Hvis en algoritme er utdannet med 2000-2012 data og ble kryssvalidert med dataene 2012-2015, er det ingen grunn til å tro at den samme suksessen vil skje dersom opplært i 2003-2015 data og deretter live handles fra 2015 til 2017, er svært forskjellige i naturen. Målealgoritmenes suksess er også et svært relevant problem her. Uendelig bør maskinlæringsalgoritmene som brukes for handel, måles i fortjeneste ved deres evne til å generere positiv avkastning, men noen litteratur måler verdien av nye algoritmiske teknikker ved å prøve å benchmark deres evne til å få riktige spådommer. Korrekte spådommer er ikke nødvendigvis like lønnsom handel som du lett kan se når du bygger binære klassifiserere. Hvis du forsøker å forutsi neste candle8217s retning, kan du fortsatt få tap hvis du for det meste er rett på små stearinlys og feil på større lys. Faktisk er de fleste av denne typen klassifiserende 8211 de fleste av de som ikke arbeider 8211, i ferd med å forutsi retningsmessig med en over 50 nøyaktighet, men ikke over det nivået som trengs for å overgå provisjoner som ville tillate lønnsom binær opsjonshandel. Å bygge strategier som for det meste er fjernet av de ovennevnte problemene har jeg alltid forsøkt for en metodikk der maskininlæringsalgoritmen er omskolet før du gjør noen treningsbeslutning. Ved å bruke et bevegelig vindu for trening og aldri gjøre mer enn en avgjørelse uten å omskole hele algoritmen, kan vi kvitte seg med utvalgsperspektivet som er iboende ved å velge et enkelt prøveutvalg. På denne måten er hele testen en serie treningsvaliditetsøvelser som til slutt sikrer at maskinlæringsalgoritmen fungerer selv under enormt forskjellige treningsdatasett. Jeg fortaler også for måling av faktisk backtesting ytelse for å måle en maskin læring algoritm8217s fortjeneste og dessuten ville jeg gå så langt som å si at ingen algoritme kan være verdt sitt salt uten å være bevist under ekte out-of-sample forhold. Å utvikle algoritmer på denne måten er mye vanskeligere, og jeg har funnet et enkelt faglig papir som følger denne typen tilnærming (hvis jeg savnet det, gjerne legge inn en lenke slik at jeg kan inkludere en kommentar). Dette betyr ikke at denne metoden er helt problemfri, men det er fortsatt gjenstand for de klassiske problemene som er relevante for alle strategibyggingsøvelser, inkludert kurvepassende bias og data mining bias. Dette er grunnen til at det også er viktig å bruke en stor mengde data (jeg bruker 25 år til testsystemer, alltid omskoling etter hver maskinavlesning avledet beslutning) og å utføre tilstrekkelige data-mining bias evaluering tester for å fastslå tilliten som vi kan si at resultatene ikke kommer fra tilfeldig tilfeldighet. Min venn AlgoTraderJo 8211 som også skjer for å være medlem av mitt handelssamfunn 8211 vokser for tiden en tråd hos ForexFactory etter denne samme type filosofi for maskinopplæringsutvikling, da vi jobber med noen nye maskinlæringsalgoritmer for mitt handelssamfunn. Du kan referere til hans tråd eller tidligere innlegg på bloggen min for flere eksempler på maskinlæringsalgoritmer utviklet på denne måten. Hvis du ønsker å lære mer om vår utvikling i maskinlæring og hvordan du også kan utvikle dine egne maskinlæringsstrategier ved hjelp av F4-rammene, vær så snill å bli med i Asirikuy. et nettsted fylt med utdanningsvideoer, handelssystemer, utvikling og en lyd, ærlig og gjennomsiktig tilnærming mot automatisert handel. MetaTrader Expert Advisor Maskininnlæring gir mange unike og overbevisende fordeler for handelsfolk som ser etter en kant i markedet. Bare i det siste året har vi sett en stor mengde ressurser fra verdens beste hedgefond, som Bridgewater Associates, dedikert til å utforske disse teknikkene. Mens bruk av maskinlæring eller kunstig intelligens virker utrolig komplisert og vanskelig å implementere, er det fortsatt måter å utnytte sine evner uten å ha en doktorgrad i matte eller vitenskap. I dette innlegget går du godt gjennom 3 forskjellige måter som du kan bruke teknikker fra maskinlæring for å forbedre din egen handel. Indikatorvalg En av de viktigste beslutningene er å avgjøre hvilke indikatorer som skal brukes til handel. Enten du er en teknisk eller grunnleggende handelsmann, eller du bare bruker prishandler for handel, vil suksessen din være i stor grad avhengig av indikatorene du bruker og hvordan du tolker dem. Heldigvis finnes det mange forskjellige metoder for valg av indikatorer, og dette er kjent som funksjonsvalg i maskinlæringsverdenen. Ved hjelp av et beslut Tree for å velge indikatorene dine, er trærne svært allsidige algoritmer som har fordelen av å være lett å tolke. Gitt et stort datasett av indikatorer og prisbevegelsen av aktivet, vil et beslutningstreet finne indikatorene og indikatorverdiene som best deler dataene mellom prisøkninger og prisfall. Indikatorer nær toppen av treet blir sett på som bedre prediktorer enn de som er nærmere bunnen av treet, og etter en bestemt gren kan du enkelt finne interdependenser og forhold mellom indikatorene. Beslutningstreet vil også gi deg et sett med regler du kan bruke til å handle ut fra disse indikatorene, men du må være sikker på å beskjære riktig på treet og teste for overfitting. Beslutningstreet er et kraftig visuelt verktøy som kan hjelpe deg med å bestemme hvilke kombinasjoner av indikatorer som skal handles og hvilke verdier som skal håndtere dem. Du kan finne en veiledning om hvordan du bygger en strategi med et beslutningstreet her eller for en mer generell veiledning, her er en god ressurs. Optimalisering Når du har grunnlag for strategien din, er neste trinn optimalisering, eller du velger de riktige parameterverdiene for å maksimere sjansen for suksess. Mange strategier har et bredt utvalg av parametere, for eksempel indikatorinnstillinger, inngangs - og utgangsvilkårene, stopper tap og tar profittnivåer og posisjonering, noe som gjør brute force-metoder til å prøve hver enkelt kombinasjon ekstremt vanskelig og tidkrevende, hvis i det hele tatt selv mulig. Å løse disse problemene er et annet område hvor maskinlæring utmerker seg. Optimalisering av en strategi ved hjelp av genetiske algoritmer. Genetiske algoritmer etterligner prosessen med naturlig utvalg ved å skape et unikt sett med barnestrategier som inneholder en blanding av de beste foreldrestrategiene, med en sjanse for tilfeldig mutasjon. Prosessen begynner med å kode din strategi inn i en matrise. For eksempel kan det lese som noe som: Indikator 1 Periode Du vil da generere en stor populasjon av strategier med tilfeldige variasjoner av disse parametrene. Disse strategiene har alle forskjellige kombinasjoner av bevegelige gjennomsnittlige perioder, inn - og utgangsvilkår og risikofaktorer. Deretter vil du teste denne populasjonen ved å kjøre hver strategi over et testsett og velge de beste strategiene basert på et resultatmål etter eget valg. Til slutt kombinerer du tilfeldig egenskapene til de øverste strategiene, med liten sjanse til å mutere noen av parametrene, for å skape en ny generasjon barnestrategier. Derefter gjentar du evalueringsprosedyren og reagerer igjen på de beste resultatene fra denne nye generasjonen. Dette fører til en overlevelse av fittest scenario hvor bare de øverste strategiene overlever å passere sine gener til neste generasjon Gjenta denne prosessen et stort antall ganger eller til en viss ytelseskriterium er nådd, og du blir igjen med en meget robust strategi bygget fra generasjoner av de beste resultatene Du må sørge for at du velger en passende ytelsesstatistikk (for eksempel risikojustert avkastning) og alltid test den endelige strategien over data som ikke ble brukt til å bygge strategien for å sikre at du ikke overfører til en bestemt datasett. Dette er en svært kraftig og robust metode som har vært vellykket i et bredt spekter av applikasjoner, inkludert handelens verden. Du finner en mer detaljert beskrivelse her og en veiledning om hvordan du implementerer den i R her. Live Trading En av de mer attraktive aspektene ved maskinlæring er å ha en algoritme som er i stand til å lære og tilpasse seg forandrede markedsforhold. Dette skaper imidlertid en blackbox-strategi som, hvis du ikke helt forstår hvordan algoritmen fungerer og grundig testet det selv, er veldig vanskelig å stole på en live-konto. Ikke vite når eller hvorfor en strategi går inn i en handel kan være et skummelt forslag. Det er imidlertid måter å få fordelene av en intelligent, algoritmisk tilnærming, samtidig som du opprettholder gjennomsiktighet og forståelse i strategien din. Association Learning Association Association Rule Learning er prosessen med å utlede et sett med klare, forståelige regler fra mønstrene som ble avdekket av en maskinlæringsalgoritme. Algoritmer, som Apriori-algoritmen, søker et datasett med indikatorer, indikatorverdier og den resulterende prisbevegelsen for å produsere et sett med forhold i utgangspunktet hvis-da-setninger, som fører til de mest effektive resultatene. Imidlertid er det fortsatt vanskelig å vite nøyaktig hvor disse reglene kommer fra, Apriori-algoritmen krever et ganske stort antall parametere som skal stilles inn, og denne prosessen gir seg ikke godt til endrede markedsforhold. Med TRAIDE. Vi tok prosessen ett skritt videre og lar deg se mønstrene som finnes i et ensemble maskinlæringsalgoritmer, hvorfra du kan lage dine egne handelsregler. Disse reglene er så enkle å implementere og tilpasset til endrede markedsforhold, alt uten å kreve noen programmering eller matematisk erfaring. Du kan få fordelene ved å bruke maskinlæringsalgoritmer til handel, samtidig som du opprettholder fullstendig gjennomsiktighet, forståelse av strategien din, og med din egen domenekompetanse i din handel. Bruk av maskinlæring og kunstig intelligens for å finne en kant i markedet trenger ikke å være eid av bare de største finansinstitusjonene. Siden denne teknologien blir mer tilgjengelig og disse teknikkene mer vanlige, kan du også bruke maskinlæring for å forbedre din handel.