文章 "数据科学和机器学习（第 38 部分）：外汇市场中的 AI 迁移学习"

[MetaQuotes]

新文章 数据科学和机器学习（第 38 部分）：外汇市场中的 AI 迁移学习已发布：

从 ChatGPT 到自动驾驶汽车，这些占据头条的 AI 突破并非基于孤立模型，而是从各种模型或共同领域积累的知识转化而成。现在，同样“学一次，随处应用”的方式也可帮助我们在算法交易中变换人工智能模型。在本文中，我们会将探讨如何利用从各种工具获取的信息，帮助提升迁移学习的预测效果。

此处是一个现实示例，其中 AI 专家使用迁移学习； 

假设您正在构建一个猫狗图像分类器，但您仅有 1000 张图片。从零开始训练深度卷积网络会很困难，您可先用 ResNet50 或 VGG16 等已在 ImageNet 上训练好的模型（ImageNet 有 1000 个类别的数百万张图像），然后用卷积层作为特征提取器，再添加自定义分类层，并在您所有的较小猫狗数据集上优调。

该过程开启了模型信息的共享，这令我们作为开发者的生涯更轻松，在于我们不想每次都重新发明轮子，取代从零开始训练模型，对于十分相似的任务，您可目的明确的基于可用模型进行取舍。

也就是说，大多数会滑冰或经常滑冰的人，即使没有经过密集的专项训练，在滑雪或滑雪运动中也会表现良好，反之亦然。这仅仅是因为这两项运动有一些相似之处。

这在金融市场中也当真，尽管有不同的金融工具（品种）代表不同的经济资产、或金融市场，但所有市场大多数时候行为相似，因为它们都是受到供需关系驱动和影响。

如果您从技术角度仔细观察市场，所有市场都倾向于上下波动，所有市场的烛条形态相似，不同金融工具上的指标也展现出相似的形态，还有更多。这也是为什么我们常常在单一金融工具上学习技术分析交易策略的主要原因，并将所学知识应用到所有市场，无关每种金融工具的价格量级差别。

在机器学习中，模型往往不能理解这些市场是可比的。在本文中，我们将讨论如何利用转移学习，来帮助模型理解各种金融工具中的形态，从而有效训练模型，该技术的优缺点，以及有效迁移学习所需考虑的诸多事项。

作者：Omega J Msigwa

[BSA]

结果是可以预测的。对滞后指标进行预测，试图预测什么？那个滞后指标的表现？我觉得这很奇怪。在我看来，模型应该学会实时预测脉冲和信号，无论时间框架如何，然后学会区分噪音和真正的脉冲。预测市场走势和脉冲的力量是不可能的，但坐在尾部乘风破浪应该是可能的。原则上，这足以实现盈利交易。