Diskussion zum Artikel "Analyse mehrerer Symbole mit Python und MQL5 (Teil I): NASDAQ für Hersteller von integrierten Schaltungen"

 

Neuer Artikel Analyse mehrerer Symbole mit Python und MQL5 (Teil I): NASDAQ für Hersteller von integrierten Schaltungen :

Diskutieren Sie mit uns, wie Sie KI nutzen können, um Ihre Positionsgrößen und Ordermengen zu optimieren und so die Rendite Ihres Portfolios zu maximieren. Wir zeigen Ihnen, wie Sie algorithmisch ein optimales Portfolio ermitteln und Ihr Portfolio an Ihre Renditeerwartungen oder Ihre Risikotoleranz anpassen können. In dieser Diskussion werden wir die SciPy-Bibliothek und die MQL5-Sprache verwenden, um ein optimales und diversifiziertes Portfolio mit allen uns zur Verfügung stehenden Daten zu erstellen.

Integrierte Schaltkreise sind aus unserem täglichen Leben nicht mehr wegzudenken. Diese elektronischen Chips durchdringen alle Aspekte unseres modernen Lebens, von den proprietären MetaQuotes-Servern, auf denen diese Website, auf der Sie diesen Artikel lesen, gehostet wird, bis hin zu dem Gerät, mit dem Sie diesen Artikel lesen - all diese Geräte basieren auf einer Technologie, die höchstwahrscheinlich von einem dieser fünf Unternehmen entwickelt wurde. Der erste integrierte Schaltkreis der Welt wurde von Intel entwickelt, trug den Namen Intel 4004 und wurde 1971 auf den Markt gebracht, im selben Jahr, in dem die NASDAQ-Börse gegründet wurde. Der Intel 4004 hatte etwa 2600 Transistoren, was weit entfernt ist von modernen Chips, die leicht Milliarden von Transistoren haben. 

Da wir durch die weltweite Nachfrage nach integrierten Schaltkreisen motiviert sind, wollen wir uns auf intelligente Weise auf dem Chipmarkt engagieren. Anhand eines Korbs dieser 5 Aktien zeigen wir Ihnen, wie Sie die Rendite Ihres Portfolios maximieren können, indem Sie Ihr Kapital umsichtig auf diese Aktien verteilen. Ein traditioneller Ansatz, der eine gleichmäßige Verteilung des Kapitals auf alle 5 Aktien vorsieht, reicht auf den modernen, volatilen Märkten nicht mehr aus. Wir werden stattdessen ein Modell erstellen, das uns darüber informiert, ob wir die einzelnen Aktien kaufen oder verkaufen sollten, und welche Mengen wir optimal handeln sollten. Mit anderen Worten: Wir verwenden die uns vorliegenden Daten, um unsere Positionsgrößen und -mengen algorithmisch zu erlernen.

Autor: Gamuchirai Zororo Ndawana