Sztuczna Inteligencja w wyznaczaniu wskaźników modeli predykcyjnych na rynkach FX

Анотація

Systemy wspomagania decyzji w handlu na rynku walutowym okazały się przydatne, jeśli nie niezbędne. Stopień ich skuteczności predykcyjnej zależy od skonstruowanego modelu i dobranych danych. Podstawowe informacje do budowy modeli pochodzą z historii kursu interesującej nas pary walutowej w określonych przedziałach czasowych. Reszta danych pochodzi z wybranych wskaźników określających, co może być przyczyną takich właśnie wahań kursowych walut w danym czasie. Wskaźniki te pochodzą z różnych źródeł, takich jak teorie ekonomiczne, doświadczenia traderów, itp. Analiza różnych metod wykazała, że chociaż autorzy i praktycy stosują różne metody w przewidywaniu kursów walutowych, w tym ML, ANN i innych, nie używają żadnej z nich do weryfikacji wartości samych wskaźników lub określenia, które powinny być brane pod uwagę jako dane wejściowe dla algorytmów. Takie podejście do wyboru wskaźników jest niewystarczające. Najlepsze modele predykcyjne byłyby oparte na związku przyczynowo-skutkowym, a nie koincydencji. Aby uniknąć błędu non causa pro causa należy określić relację między wskaźnikami. Jednak na skomplikowanym rynku walutowym ważne wskaźniki mogą być na pierwszy rzut oka niewidoczne, ze względu na nasze ograniczenia komputacyjne i te związane z pamięcią. W związku z tym, zaproponowane zostały metody wyszukiwania wzorców, zastosowane z powodzeniem w innych obszarach badań jak wykrywanie oszustw i korupcji, gdzie ważne wskaźnikami do modeli predykcyjnych zostały okryte przez metodologie takie jak uczenie nienadzorowane. Ponadto zasugerowano, że wskaźniki te mogą być określane w czasie rzeczywistym i stać się częścią adaptacyjnego systemu predykcyjnego FX.

Класифікація

Ідентифікатори

Схожі роботи