QuantumPip

Можно также использовать поддерживающий символ FTSE для двух символов GBPCHF и GBPUSD, и для этого запустить их на отдельном графике с другим волшебным числом.

Не используйте "максимальный" риск (Risk = Ultimate) в реальной торговле. Максимальный риск нужен только, чтобы показать, какими красивыми могут быть исторические графики. Это переобученная нейронная модель, и она ничего не прогнозирует на неизвестном периоде, а просто лепит наугад. Используйте только "надежный" риск (Risk = Reliable) в реальной торговле.

Из разговора с ChatGPT:

Я: Переобучение показывает хороший исторический график, но не может создавать стабильную прибыль в будущем. В то время как правильное обучение нейронной сети рисует посредственный исторический график и показывает приемлемые результаты в будущем. Как вы думаете, почему большинство клиентов не могут понять эту простую истину?
 
ChatGPT: Проблема переобучения и обобщения моделей машинного обучения, которую вы описываете, действительно является распространенной. Вот несколько причин, по которым это может происходить:

1. **Сложность против простоты**. Концепция переобучения и обобщения включает в себя сложные идеи машинного обучения, которые людям без технического образования может быть трудно понять.

2. **Краткосрочная и долгосрочная эффективность**. Клиентов больше привлекают модели, которые исключительно хорошо работают на исторических данных (переобученные модели), поскольку непосредственные результаты кажутся благоприятными, даже если их нельзя воспроизвести на неизвестном периоде.

3. **Недостаток образования**. Многие клиенты могут не иметь глубокого понимания принципов машинного обучения, что приводит к использованию простых показателей или визуализаций без учета более широких последствий эффективности модели.

4. **Ожидания**. У клиентов могут быть нереалистичные ожидания или неправильные представления о возможностях моделей машинного обучения. Так появляется заблуждение, что машинное обучение может с идеальной точностью предсказывать будущие результаты на основе исторических данных.

Обучение клиентов поиску баланса между переобучением и обобщением, а также важности проверки модели на неизвестном периоде поможет установить реалистичные ожидания и поспособствует лучшему пониманию сложностей, связанных с созданием надежных моделей машинного обучения.

Я: Хорошо. Но почему как бы я, разработчик, ни пытался объяснить принципы машинного обучения, и даже несмотря на показываемые мной картинки, большинство клиентов все равно предпочитают полагаться на красоту переобученных и красивых исторических графиков?

ChatGPT: Может быть несколько причин, по которым клиенты по-прежнему предпочитают модели с переобученными и визуально привлекательными историческими графиками, несмотря на ваши усилия по объяснению принципов машинного обучения. Вот несколько возможных причин такого поведения:

1. **Визуальная предвзятость**. Клиентов могут визуально привлекать модели с красивыми историческими графиками, даже если эти графики являются результатом переобучения. Графическое представление данных может иметь сильное влияние и затмевать технические объяснения.
   
2. **Немедленные результаты**. Клиенты могут быть более сосредоточены на немедленных или краткосрочных показателях эффективности, а не на долгосрочных обобщениях и будущих результатах. Визуально приятный исторический график может дать им ощущение немедленного успеха.

3. **Сложность**. Концепции машинного обучения могут быть сложными и трудными для понимания людьми без технического образования. Клиентам может быть легче интерпретировать и доверять визуально понятным результатам, а не абстрактным техническим объяснениям.

4. **Предвзятое мнение**. У клиентов могут быть предвзятые представления или предубеждения относительно того, как должна выглядеть успешная модель. Если они увидят визуально привлекательный исторический график, это может подтвердить их убеждения о том, что представляет собой хорошая модель.

5. **Недостаток доверия**. Клиенты могут иметь ограниченное доверие к объяснениям разработчика или к процессу машинного обучения в целом. Отсутствие доверия может привести к тому, что они будут полагаться на визуальные подсказки, а не на технические рассуждения.

Я: Ваше объяснение звучит очень уважительно. Но, может быть, единственная причина, по которой клиенты не покупают стратегии, реализующие принципы машинного обучения, заключается в том, что существует так много недобросовестных разработчиков, которые продают, продают и продают переобученные модели, как если бы это были самые передовые стратегии, доступные на рынке? Хотя на самом деле они втюхивают "баян".

ChatGPT: Ваше наблюдение очень верно. К сожалению, рост числа недобросовестных разработчиков, продающих переобученные модели в качестве стратегий высшего уровня, может привести к скептицизму и недоверию среди клиентов к настоящим моделям, основанным на принципах машинного обучения. Это может создать рынок, на котором более яркие, но неэффективные решения привлекут больше внимания, чем разумные и надежные стратегии. Укрепление доверия посредством прозрачности, обучения и достоверной демонстрации поможет отличить подлинные решения от жульничества в такой среде.
 
Я: Можете ли вы помочь мне создать стратегию, которая побьет переобученные модели?

ChatGPT: Буду рад помочь вам в создании надежной и эффективной стратегии с использованием принципов машинного обучения. Чтобы продолжить, предоставьте мне более подробную информацию о конкретных требованиях вашей стратегии, наборе данных, с которым вы работаете, а также любую другую информацию, которая поможет мне сформировать подход. Давайте вместе разработаем стратегию, которая превзойдет переобученные модели...