Diskussion zum Artikel "Datenwissenschaft und ML (Teil 38): AI Transfer Learning auf den Forexmärkten"
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Neuer Artikel Datenwissenschaft und ML (Teil 38): AI Transfer Learning auf den Forexmärkten :
Hier ist ein Beispiel aus der Praxis, bei dem KI-Experten Transfer Learning einsetzen;
Nehmen wir an, Sie erstellen einen Klassifikator für Katzen- und Hundebilder, aber Sie haben nur 1.000 Bilder. Ein tiefes CNN von Grund auf zu trainieren, wäre schwierig. Stattdessen können Sie ein Modell wie ResNet50 or VGG16 nehmen, das bereits auf ImageNet (mit Millionen von Bildern in 1000 Klassen) trainiert wurde, dann seine Faltungsschichten als Merkmalsextraktoren verwenden, dann Ihre nutzerdefinierte(n) Klassifizierungsschicht(en) hinzufügen und es auf Ihrem kleineren Katzen-/Hundedatensatz feinabstimmen.
Dieser Prozess ermöglicht die gemeinsame Nutzung von Modellinformationen, was uns als Entwicklern das Leben leichter macht, da wir das Rad nicht jedes Mal neu erfinden müssen. Anstatt ein Modell von Grund auf neu zu trainieren, können Sie auf der Grundlage verfügbarer Modelle, die für eine sehr ähnliche Aufgabe vorgesehen sind, skalieren.
Man sagt, dass die meisten Menschen, die Schlittschuh laufen oder regelmäßig Schlittschuh laufen, auch beim Skifahren oder im Skisport gute Leistungen erbringen und umgekehrt, obwohl sie nicht intensiv dafür trainiert haben. Das liegt einfach daran, dass diese beiden Sportarten einige Ähnlichkeiten aufweisen.
Dies gilt auch für die Finanzmärkte, auf denen sich trotz unterschiedlicher Instrumente (Symbole), die verschiedene Wirtschaftsgüter oder Finanzmärkte repräsentieren, alle Märkte die meiste Zeit ähnlich verhalten, da sie alle von Angebot und Nachfrage gesteuert und beeinflusst werden.
Betrachtet man den Markt unter technischen Gesichtspunkten, so stellt man fest, dass alle Märkte zu Auf- und Abwärtsbewegungen neigen, dass alle Märkte ähnliche Kerzenmuster aufweisen, dass die Indikatoren bei verschiedenen Instrumenten ähnliche Muster zeigen und vieles mehr. Dies ist der Hauptgrund, warum wir oft eine Handelsstrategie der technischen Analyse für ein Instrument erlernen und das erlernte Wissen auf alle Märkte anwenden, ungeachtet der Unterschiede in den Preisgrößen, die jedes Instrument bietet.
Beim maschinellen Lernen verstehen die Modelle oft nicht, dass diese Märkte vergleichbar sind. In diesem Artikel werden wir erörtern, wie wir Transfer Learning nutzen können, um Modelle dabei zu unterstützen, Muster in verschiedenen Finanzinstrumenten zu verstehen, um ein effektives Modelltraining zu ermöglichen, was die Vor- und Nachteile dieser Technik sind und was für ein effektives Transfer Learning zu beachten ist.
Autor: Omega J Msigwa