Discussione sull’articolo "Apprendimento automatico: Come le macchine a vettori di supporto possono essere utilizzate nel trading"

[MetaQuotes]

Il nuovo articolo Apprendimento automatico: Come le macchine a vettori di supporto possono essere utilizzate nel trading è stato pubblicato:

Le macchine a vettori di supporto sono state a lungo utilizzate in campi come la bioinformatica e la matematica applicata per valutare set di dati complessi ed estrarre modelli utili che possono essere utilizzati per classificare i dati. Questo articolo esamina cos'è una macchina a vettori di supporto, come funzionano e perché possono essere così utili nell'estrazione di modelli complessi. Indaghiamo quindi su come possono essere applicate al mercato e potenzialmente utilizzate per dare consigli sulle negoziazioni. Utilizzando il Support Vector Machine Learning Tool, questo articolo fornisce esempi funzionanti che consentono ai lettori di sperimentare con il proprio trading.

Una macchina a vettori di supporto è un metodo di apprendimento automatico che tenta di prendere i dati di input e classificarli in una di due categorie. Affinché una macchina a vettori di supporto sia efficace, è necessario prima utilizzare un set di dati di input e output di addestramento per creare il modello di macchina a vettori di supporto che può essere utilizzato per classificare nuovi dati.

Una macchina a vettori di supporto sviluppa questo modello prendendo gli input di addestramento, mappandoli nello spazio multidimensionale, quindi usando la regressione per trovare un iperpiano (un iperpiano è una superficie nello spazio n-dimensionale che separa lo spazio in due semi spazi) che separi al meglio le due classi di input. Una volta che la macchina a vettori di supporto è stata addestrata, è in grado di valutare nuovi input rispetto all'iperpiano di separazione e classificarlo in una delle due categorie.

Una macchina a vettori di supporto è essenzialmente una macchina di input / output. Un utente è in grado di inserire un input e, in base al modello sviluppato attraverso l’addestramento, restituirà un output. Il numero di ingressi per una data macchina a vettori di supporto varia teoricamente da uno all'infinito, tuttavia in termini pratici la potenza di calcolo limita il numero di ingressi che possono essere utilizzati. Se, ad esempio, N input vengono utilizzati per una particolare macchina a vettori di supporto (il valore intero di N può variare da uno a infinito), la macchina a vettori di supporto deve mappare ogni set di input nello spazio N-dimensionale e trovare un iperpiano (N-1) dimensionale che separi al meglio i dati di addestramento.

Figura 1. Le macchine a vettori di supporto sono macchine di input / output

Autore: Josh Readhead