Discussion de l'article "Apprentissage automatique : Comment les machines à vecteurs de support peuvent être utilisées dans le trading"

[MetaQuotes]

Un nouvel article Apprentissage automatique : Comment les machines à vecteurs de support peuvent être utilisées dans le trading a été publié :

Les machines à vecteurs de support sont utilisées depuis longtemps dans des domaines tels que la bio-informatique et les mathématiques appliquées pour évaluer des ensembles de données complexes et extraire des modèles utiles pouvant être utilisés pour classer les données. Cet article examine ce qu'est une machine à vecteurs de support, comment elle fonctionne et pourquoi elle peut être si utile pour extraire des motifs complexes. Nous étudions ensuite comment ils peuvent être appliqués au marché et potentiellement utilisés pour conseiller sur le trading. À l'aide de l'outil d'apprentissage par machine à vecteur de support, l'article fournit des exemples concrets qui permettent aux lecteurs d'expérimenter leur propre trading.

Une machine à vecteurs de support est une méthode d'apprentissage automatique qui tente de prendre des données d'entrée et de les classer dans l'une des deux catégories. Pour qu'une machine à vecteurs de support soit efficace, il est nécessaire d'utiliser d'abord un ensemble de données d'entrée et de sortie d'entraînement pour construire le modèle de machine à vecteurs de support qui peut être utilisé pour classer de nouvelles données.

Une machine à vecteurs de support développe ce modèle en prenant les entrées d'entraînement, en les mappant dans un espace multidimensionnel, puis en utilisant la régression pour trouver un hyperplane (un hyperplan est une surface dans un espace à n dimensions qui il sépare l'espace en deux demi-espaces) qui sépare le mieux les deux classes d'entrées. Une fois la machine à vecteurs de support entraînée, elle est capable d'évaluer de nouvelles entrées par rapport à l'hyperplan séparateur et de le classer dans l'une des deux catégories.

Une machine à vecteurs de support est essentiellement une machine d'entrée/sortie. Un utilisateur est en mesure d'introduire une entrée et, sur la base du modèle développé par entraînement, celui-ci renvoie une sortie. Le nombre d'entrées pour une machine à vecteurs de support donnée varie théoriquement de un à l'infini, mais en termes pratiques, la puissance de calcul limite le nombre d'entrées pouvant être utilisées. Si, par exemple, N entrées sont utilisées pour une machine à vecteurs de support particulière (la valeur entière de N peut aller de un à l'infini), la machine à vecteurs de support doit mapper chaque ensemble d'entrées dans un espace à N dimensions et trouver un (N-1 )-dimensionnel hyperplan qui sépare le mieux les données d'entraînement.

Figure 1. Les machines à vecteurs de support sont des machines d'entrée/sortie

Auteur : Josh Readhead