Почти все успешные трейдеры обладают искусственным интеллектом

Искусственный интеллект зарабатывает на бирже 30% годовых

Исследование, проведенное специалистами Школы бизнеса и экономики Университета Фридриха Александра (Германия) показывает, что искусственный интеллект, способен принимать выгодные инвестиционные решения. Он обыгрывает трейдеров-людей, особенно во время кризисов.

«Искусственные нейронные сети в первую очередь созданы для проблем, решение которых невозможно выразить в ясных правилах, — говорит автор исследования, доктор Кристофер Краусс. — Распознавание изображений и речи — типичные примеры применения, взять хотя бы Siri. Но глубокое обучение может затрагивать и другие сферы, например, прогноз погоды или экономического развития», сообщает EurekAlert

Международная команда ученых во главе с доктором Крауссом была первой, кто применил технологию ИИ к большому объему рыночных данных.

Для того чтобы выяснить, лучше ли автоматизированная обучающаяся платформа справляется с задачей, чем простая стратегия долгосрочного инвестирования, исследователи изучили индекс S&P 500, состоящий из акций 500 ведущих компаний США.

Обратите внимание

На основании примерно 180 млн точек на графиках котировок ценных бумаг модель анализировала поведение всех акций в период с 1992 по 2015 год для каждого дня торгов.

Марк Цукерберг представил новый план «спасения мира»

Результат оказался поразительным. С 2000 года ученые наблюдали доходность инвестиционной стратегии ИИ на уровне 30% годовых. Для 1990-х, когда не существовало торговых роботов, результаты оказались еще выше.

Лучше всего алгоритм показал себя во времена финансовых кризисов, к примеру, коллапса доткомов в начале 2000-х или ипотечного краха 2008-2009 годов, когда трейдеры-люди сталкивали в пропасть котировки ценных бумаг, руководствуясь в основном эмоциями.

Тем не менее, доктор Краусс призывает к осторожному использованию ИИ в биржевых торгах. «В последнее время прибыльность упала и даже иногда бывала отрицательной.

Мы полагаем, что этот спад был вызван растущим влиянием ИИ в современных торгах, увеличением вычислительных мощностей и популяризацией машинного обучения», — считает он. Сегодня торговых роботов используют и крупные инвестиционные компании, и даже индивидуальные инвесторы.

По мнению многих биржевых аналитиков, когда боты сражаются на фондовом рынке друг с другом, строгий расчет торговых стратегий ведет к снижению доходности для всех игроков.

«Через 10 лет спрос на гуманитариев резко возрастет»

Тем не менее, аналитики из компании по управлению активами Bernstein убеждены, что будущее за роботизированными финансовыми консультантами. Они помогают клиентами управлять активами и капиталами и дают советы по инвестированию — и все это за скромную плату. При этом их легко использовать, они действуют прозрачно, а приставка «робо-» работает как неплохой инструмент маркетинга.

Источник: https://hightech.fm/2017/03/17/ai-invest-2

Искусственный интеллект на Форексе? Нет, не видел..

Я уже давно привык, что в сфере финансов верить можно лишь тому, что можно неопровержимо доказать. Этот известный в науке принцип позволяет надёжно отсеять 99.

9% лжецов, которым выгодно показать себя «крутым трейдером» и, пользуясь давлением авторитета, впарить мало что смыслящим новичкам что угодно.

При этом на фоне последних успехов в машинном обучении кажется очень логичной мысль о самостоятельно научившемся торговать на рынке алгоритме.

Ещё 10-15 лет назад самые лучшие применения ИИ находились на уровне экспертных систем наподобие Deep Blue, победившей нашего соотечественника Гарри Каспарова.

Однако Deep Blue не учился игре самостоятельно.

Фактически, все знания об игре были запрограммированы в него вручную командами программистов, которые в свою очередь консультировались с профессиональными игроками, пытаясь «разбить на части» накопленные людьми знания о шахматах, разложив их на конкретные алгоритмы. Именно такой подход и привёл IBM к успеху, и именно он сейчас применяется в самых сильных шахматных программах.

Важно

Сегодня же мы имеем самообучающиеся (не совсем ещё «само», но самости им всё же хватает) системы, способные с нуля обнаружить многие весьма неочевидные закономерности и научиться играть в видеоигры лучше любого человека, распознавать объекты на изображениях, водить автомобили, отвечать на вопросы, распознавать речь, сразу переводить её на другой язык и произносить результат и даже обыгрывать лучших профессионалов-людей в игре го (отличается от шахмат в первую очередь на порядки бОльшим числом вариантов и сложностью в формализации – в отличие от профессиональных шахматистов, игроки в го зачастую не могут объяснить тот или иной ход, говоря лишь, что он «чувствовался» правильным). На фоне такого кажущегося всемогущества нейросетевых алгоритмов кажется очевидной идея, что можно взять кучу котировок и запросто «натаскать» алгоритм на предсказание будущих движений. Но не всё так просто.

Начну с доказательной базы. По роду деятельности я общаюсь с большим количеством как профессиональных трейдеров, так и  не очень профессиональных, но людей, имеющих большой опыт в исследовании рынка, менеджерами фондов, агентами и другими людьми, имеющими отношение к сфере торговли. Конечно же, далеко не всем из них можно доверять, но здесь логично применять «научный» подход, описанный в начале статьи и смотреть больше не на слова, а на дела. Итак, какими фактами я располагаю:

1.

Ни один из известных мне профессиональных алготрейдеров с доказанным на протяжении нескольких лет хорошим торговым результатом не использует в качестве основы своей системы нейронные сети или какой-либо другой самообучающийся алгоритм.

В основе их роботов лежит классический «ручной» подход к написанию алгоритмов, при котором у трейдера имеется в голове какая-то идея первоначально, он реализует в коде и настраивает её, и затем пытается использовать для извлечения прибыли.

2. Некоторые из трейдеров, ставших сейчас профессионалами, действительно длительное время извлекающие прибыль из торговли, экспериментировали в прошлом с нейросетями, но никакого положительного результата из этих экспериментов не получили.

Кроме того, я общался с некоторым числом профессиональных математиков и программистов (в т.ч. профессорами западных вузов, спецами по мат. статистике и экономике).

Один из них, к  примеру – весьма обеспеченный человек из Англии, PhD, профессор экономики, который около 10 лет своей жизни потратил на изучение движений на финансовых рынках, потратив порядка $1 млн на оплату своих исследований, которые он проводил совместно со знакомыми профессорами.

Читал некоторые из его публикаций (всё официально и научно) – как и в большинстве случаев, интересно, сложно и совершенно бесполезно на практике.

Начали с использования сложных математических методов, продолжили нейросетями в применении к прогнозированию напрямую, закончили навороченной системой собственных индикаторов, показания которых были исходными данными для анализа нейросети, но его команде так и не удалось разработать алгоритм, способный длительное время выдавать достаточный для отбивания накладных расходов результат.

При этом человек вполне адекватен, понимает все основные принципы риск-менеджмента и важность использования стопов. Если кому-то интересно, сейчас он торгует вручную на мажорах по фундаменту (не настолько успешно, чтобы попасть в индексы Айсов, но вроде не сливается) и инвестирует свои средства в парочку ДУ.

3.

Ни от одного из трейдеров или менеджеров, действительно хорошо разбирающихся в теме прибыльной торговли, я ни разу не слышал о каких-либо трейдерах, успешно применяющих на практике нейросети в качестве основного инструмента прогнозирования. Причём следует понимать, что если была бы такая информация на уровне слухов, проверить её я бы не смог.

Но её попросту нет, а охват тут немалый.

4. Абсолютно все известные мне случаи, в которых трейдеры упоминали об использовании нейросетей для прогнозирования, заканчивались печально – от ПАММ-счетов до роботов и сигналов.

На текущий момент, фактически, у меня сформировался такой весьма надёжный признак: если трейдер упоминает в описании своей торговли нейросети и/или самообучающиеся алгоритмы, то почти наверняка инвестировать в него не стоит, ибо по сути это с вероятностью 99.9% окажется фигня.

При этом в разных изданиях по-прежнему выходят весьма убедительные публикации на тему использования нейросетей в торговле. А эксперты по машинному обучению в своих выступлениях и книгах считают возможность прибыльной торговли таких алгоритмов совсем уж очевидной, о чём любят время от времени напомнить.

Совет

Так в чём же дело? Почему наблюдается такое сильное расхождение ожиданий и мнения большинства с реальностью даже у очень умных и разбирающихся в данной сфере (имеется в виду машинное обучение) людей?

Во-первых, нужно понимать, что нейросетевые алгоритмы очень хороши в том, с чем у человека порой бывает плоховато: в нахождении неочевидных закономерностей. И люди, далёкие от торговли на финансовых рынках полагают, что в этом всё дело: нужно просто найти какую-то закономерность в котировках (не важно какую, главное чтобы она была на истории) и дело в шляпе.

Опытные трейдеры же понимают, что дело тут далеко не только лишь в одной закономерности.

И подтверждается это очень просто: MQL Маркет просто кишит прибыльными на истории роботами, которые не могут дать своим покупателям ни цента прибыли в долгосроке.

И лишь пренебрежимо малая доля этих роботов (явно намного меньше 1%) действительно сможет показать сколько-нибудь положительный результат на реальных счетах покупателей.

А дело здесь в основном заключается в том, с чем у нейросетей сейчас очень плохо: несмотря на отличные показатели в нахождении закономерностей, у них отсутствует здравый смысл. Пояснить это проще на примере. Допустим, что у нас есть такая головоломка, ответ на которую мы поручаем найти алгоритму, построенному на нейросетях:

1 + 4 = 5

2 + 5 = 12

3 + 6 = 21

8 + 11 =?

Вроде бы всё выглядит очень просто, не так ли? Однако даже люди, пытающиеся разгадать эту головоломку, могут дать несколько принципиально различающихся ответов. Перед тем, как читать дальше, подумайте минуту над ответом. Самое очевидное на взгляд многих людей решение следующее:

1 * (4 + 1) = 5

2 * (5 + 1) = 12

3 * (6 + 1) = 21

Т.е. если принять первое число за x, второе – за y и третье – z, то просто берём формулу z=x*(y+1) и получаем любой нужный нам ответ. В таком случае четвёртая строчка расшифровывается как 8*(11+1)=96. Однако многие видят первой другую закономерность: если включить в число допустимых параметров для каждой строки результат с предыдущей (и для первой строки результат примем нулевым), то увидим следующую закономерность:

0 + 1 + 4 = 5

5 + 2 + 5 = 12

12 + 3 + 6 = 21

В таком случае ответ уже 8+11+21=40.

На этом, как правило, человеческие способности в нахождении закономерностей заканчиваются. Любые другие из них, по сути, отсекаются его здравым смыслом и текущей ситуацией, в которой возникла эта головоломка. К примеру, если это задание из теста на IQ, то наверняка подойдёт скорее второй ответ, т.к.

составители очень любят включать в головоломки необходимость в «широком взгляде на проблему», который демонстрируется здесь решением взять результат с предыдущей строки. Однако компьютерные алгоритмы наверняка смогут найти ещё десятки, если не сотни различных допустимых закономерностей.

Обратите внимание

К примеру, можно взять первое число, умножить на второе, добавить 0.2 от суммы ответа предыдущей строки и числа 3 и полученный результат округлить до ближайшего целого. Удивительно, но это тоже работает, и получаем ещё один возможный ответ (93, если что).

И хотя практически любому человеку очевидно, что едва ли это является запрашиваемым ответом, это совершенно неочевидно для самообучающегося алгоритма. Для него, к примеру, может показаться более убедительной закономерность, связанная с формой цифр (если данные на вход подаются в виде изображения).

Или какая-то другая, которую человек в принципе никогда не будет рассматривать как имеющую смысл.

При всём этом понять, какую именно закономерность выявил алгоритм практически невозможно, т.к.

для этого в общем случае необходимо реконструировать нейросеть, поняв что в ней за что отвечает, а ведь её изначально используют именно для тех случаев, когда написать необходимый для решения задачи алгоритм «вручную» невозможно, или как минимум крайне тяжело! Получается, что в абсолютном большинстве случаев к алгоритму относятся как к «чёрному ящику», судят о котором только по получаемым результатам.

Классический пример опасности данного подхода приведён в книге известного американского исследователя Элиезера Юдковски. Подробнее:

В этом и кроется основная сложность: если при настройке нейросети были допущены какие-то ошибки, нельзя «залезть в код программы» и посмотреть, что там не так. Практически единственной возможностью проверить результат является доказательство на практике.

Ещё один момент, который необходимо учитывать – редкость присутствия хороших торговых возможностей на финансовых рынках.

Читайте также:  Porton man. современный робот-воин

Это подтверждает опыт множества знакомых со мной профессиональных трейдеров: им порой приходится больше месяца ожидать подходящего момента для входа в рынок, а всё остальное время является с точки зрения их торгового подхода неподходящим.

И это не какая-то аномалия, а логичное поведение лучших профессиональных трейдеров, которое наглядно показывает редкость возможностей для более-менее эффективного предсказания движений в ближайшем будущем.

Разумеется, что если предоставить самообучающемуся алгоритму котировки «как есть», то вероятность, что будет найдена какая-то подобная закономерность на фоне огромного массива данных (основная часть из которых представляет собой «фоновый шум») минимальна.

Важно

Куда вероятнее, что алгоритм попытается как-то связать между собой не имеющие никакого смысла и взаимосвязи данные, что в большинстве случаев и происходит. Перечисленные недостатки приводят к весьма ожидаемому результату: абсолютное большинство попыток «научить» нейросеть торговле приводят к поиску не имеющих никакого практического смысла закономерностей в исторических данных.

При этом попытки понять, а что же такого там нашла нейросеть в котировках, хотя порой и предпринимаются, в большинстве случаев бесполезны.

Лично для меня, как инвестора, всё вышеперечисленное означает следующее: если какой-либо трейдер упоминает, что «ядром» его прогнозирующего алгоритма является нейросеть, самообучающийся алгоритм и т.п.

, то с очень большой вероятностью это либо дезинформация, которая ни к чему хорошему обычно не приводит, либо правда, и в таком случае относиться к такой торговле нужно с тройной осторожностью.

Признак по моему опыту стал уже настолько надёжным, что во всех случаях, встретив его, я мог, по сути, не копаться в имеющихся материалах дальше, а поставить пометку «фигня» и с чистой совестью пройти мимо, будучи полностью уверенным в том, что с этим трейдером каши не сваришь.

Однако ради проверки данной закономерности в лишний раз я всё-таки докапывался всегда до конца, и это неизменно приводило к одному и тому же результату: трейдер не оказывался способным демонстрировать устойчивые во времени показатели торговли. Для практикующих трейдеров всё вышеперечисленное означает одно из двух:

1.

Стоит забыть про применение нейросетей к прогнозированию движений и продолжить разрабатывать торговые алгоритмы «классическим» методом.

2. Стоит учитывать имеющиеся недостатки и постараться использовать сильные стороны подобного подхода.

Если с первым всё понятно, то со вторым требуется небольшое пояснение.

Полагаю, что в некоторых случаях применение нейросетей в торговле всё же может быть оправданным. На мой взгляд, делать это можно только в тех случаях, когда первичный поиск закономерностей не осуществляется нейросетью.

Это возможно в случае, к примеру, если исходные данные для нейросети поставляются «классическим» алгоритмом и имеют явный смысл. Т.е. это не «сырые» котировки и не показания десятков индикаторов, не имеющие никакого особого смысла и взаимосвязи, а, к примеру, специальным образом подготовленные данные, описывающие силу возникшего недавно импульса.

На выходе же будем ожидать , к примеру, решение о входе в рынок (стоит входить в направлении импульса или нет) и размеры SL/TP. В таком случае нейросеть будет искать закономерности в понятных нам исходных данных, а принятые ей решения можно будет проверить на наличие здравого смысла, поскольку все входы будут привязаны к возникшим недавно импульсам.

Устойчивость подхода во времени позволит проверить классический форвард-тест: если алгоритм окажется способным показывать прибыль несколько лет подряд на данных, отсутствовавших в наборе данных для обучения, при этом во всех его решениях прослеживается смысл, то логично предполагать, что он наверняка будет показывать прибыль и дальше.

В данном случае, однако, всё ещё остаётся вопрос, как избежать «переподгонки», т.е. ситуации, в которой полученный алгоритм будет показывать прибыль лишь на истории.

Совет

Даже при наличии здравой исходной идеи (например, импульсной торговли) это остаётся непростым вопросом, что опять-таки подтверждается MQL Маркетом, где присутствует достаточное количество импульсных систем, прибыльных лишь на истории.

И если в случае «ручных» алгоритмов можно понять конкретную причину, то в случае нейросетей опираться получится только на результат, что уже само по себе несёт явные риски. Разумеется, что моя статья наверняка встретит критику. Всё-таки описанное в ней очень резко расходится с господствующим «общественным мнением», так что это ожидаемо. Здесь опишу основные положения критики, которые я ожидаю встретить, и готовые ответы на них.

1.

«Но ведь нейросетями для составления прогнозов пользуются крупнейшие инвест-банки!»

Во-первых, методы торговли в крупных банках существенно отличаются от методов торговли частных трейдеров. Во-вторых, судя по тем данным, которые открыто публикуются банками, результаты их торговли не то чтобы очень впечатляют – лидеры прошлого года по указанной ссылке являются аутсайдерами в этом году, что как-то не напоминает «предсказание рынка».

В-третьих, по причине непрозрачности подобных методов торговли любому понимающему в торговле что-то риск-менеджменту тяжело адекватно оценить несущиеся риски. Наконец, в-четвёртых, едва ли кто-либо из читателей владеет достоверной непубличной информацией по этому вопросу, поэтому любые рассуждения на эту тему опираются на данные информагентства ОБС.

2. «Всё дело в вычислительных мощностях. Ваши знакомые, видать, попросту не имели доступа к хорошим серверам».

Во-первых, некоторые имели. Во-вторых, при правильной работе достичь впечатляющих итоговых результатов сегодня можно даже на «обычном» железе.

3. «Так сами же указали в конце, что использовать нейросети в торговле таки можно. Где же примеры?»

В указанном мной случае использования нейросетей необходимо, чтобы человек не только уже хорошо разбирался в торговле и понимал, каких подводных камней ему нужно избежать, но и являлся профессионалом в машинном обучении.

Крайне редко оба этих качества присутствуют у одного человека, а трейдеры редко посвящают в свои замыслы кого-то кроме близких друзей, к которым есть заметный уровень доверия (при этом небольшие команды по 2 человека, к слову, порой работают весьма успешно, и зачастую лучше своих коллег-«одиночек»).

Поэтому ситуация, в которой оба этих качества окажутся вместе, очень маловероятна. Суммирую всю статью в нескольких тезисах – полагаю, это положительно сказывается на понимании.

1.

Если нейросетевые алгоритмы и применяют в торговле, то это редкость и наверняка речь идёт о высокоспецифичных узконаправленных системах, в которых главенствующую роль играют всё-таки люди, которые в целом понимают, что именно они ищут и как работают.

2. Если в описании системы трейдера стоит «самообучающийся алгоритм искусственного интеллекта на нейросетях», то бежать от него следует куда подальше.

3. Опираться на находимые нейросетями закономерности при самостоятельной торговле не стоит. Если и использовать нейросети в торговле, то нужно максимально специализировать и направлять их, не надеясь, что «он сам всё поймёт».

Обратите внимание

Надеюсь, этот небольшой ликбез даст читателям избежать ошибочных решений и позволит сэкономить драгоценное время.

Источник: https://www.hib.ru/2017/10/blog-post.html

Современный трейдинг без ИИ убыточен. Почему

07 Сентября 2018 21:16, UTC

В предыдущем материале мы писали о передовых методах кибербезопасности, предвиденных и непредвиденных угрозах со стороны быстрорастущей киберпреступности. Но какова роль ИИ в этом процессе и с какими угрозами нам еще предстоит столкнуться?

ИИ в трейдинге

Искусственные нейронные сети уже стали самостоятельным игроком в мире данных. В трейдинге ИИ успешно используют не только крупные биржи, но также и частные игроки.

Команда ученых из Германии проанализировала с помощью самообучающихся нейронных сетей акции 500 ведущих компаний за период с 1992 по 2015. Результаты показали, что инвестиционные стратегии ИИ превысили доход стратегии долгосрочного планирования на 30%. Особенная точность проявилась при анализе акций в моменты кризисов, когда люди не могут принимать рациональные решения.

Специалисты часто замечают, что сейчас на биржах игра стала намного сложнее. Так как в сравнении с первичными биржевыми роботами нейронные сети анализируют не заранее заданный набор данных, а имитируют мыслительный процесс финансового аналитика, который сам собирает данные для отчета.

«В последнее время прибыльность упала и даже иногда бывала отрицательной. Мы полагаем, что этот спад был вызван растущим влиянием ИИ в современных торгах, увеличением вычислительных мощностей и популяризацией машинного обучения», — считает глава исследовательской группы доктор Кристофер КРАУСС.

ИИ на защите данных

Само собой, ИИ в недалеком будущем будет занимать ведущие позиции в защите данных в цифровом мире. Сегодня уже существует технология, которая анализирует процессы на промышленном объекте и предотвращает кибератаки на всех уровнях — от IT-систем до операционных процессов.

Радуясь всеобъемлющим возможностям ИИ, мы готовы предоставить ему все данные, которыми он сможет смело жонглировать, оберегая нас от любых киберугроз. Но что, если он сам станет угрозой нашей безопасности?

Как удержать ИИ в рамках

Пока никто из ученых не осмеливается давать точных прогнозов относительно потенциальной угрозы ИИ для безопасности людей. Однако по мере того, как мы «скармливаем» всем нейросетям тонны личной и корпоративной информации, внимание к этому вопросу обострилось.

Доказательством обеспокоенности ученых и разработчиков стала Асиломарская конференция в 2017 году, где были разработаны единые для всех исследователей принципы разработки ИИ. Они направлены на урегулирование развития исследований ИИ с целью «создания не бесцельного разума, но систем, направленных на принесение пользы человечеству».

Вопросу использования ИИ личных данных отводится отдельное место среди выведенных принципов: «Защита личных данных: люди должны иметь право на доступ к персональным данным, их обработку и контроль при наличии у систем ИИ возможности анализа и использования этих данных. Свобода и конфиденциальность: применение систем ИИ к персональным данным не должно безосновательно сокращать реальную или субъективно воспринимаемую свободу людей», — опубликовано в принципах, обнародованных по результатам Асиломарской конференции.

ИИ в руках киберпреступника

Важно

Электронные платежи и обмен данными — лакомый кусочек для злоумышленника и удобный инструмент в незаконных корпоративных войнах. Неудивительно, что киберпреступность вышла на уровень бизнеса.

Питер СКОТТ, футуролог и автор книг об ИИ, так комментирует для Bitnewstoday.ru возможные перспективы: «Поскольку ИИ становится все более коммерциализированным, он станет привычным инструментом в арсенале киберпреступников.

К примеру, еще пять лет назад способность распознавать изображения и помечать их была новаторской технологией на уровне исследований, а сейчас доступна в базах с открытым исходным кодом, которые можно вызвать с помощью нескольких строк.

Мы, безусловно, можем ожидать гонки вооружений между правоохранительными органами и преступниками, которые используют ИИ как инструмент для осуществления кибератак».

СКОТТ считает, что машинное обучение будет очевидным инструментом для хакеров в оптимизации попыток вторжения и распределенных атак отказа в системах обслуживания.

Фахад АЛРУВАИЛИ, профессор кибербезопасности из Саудовской Аравии, расcказал Bitnewstoday.ru:

«Кибербезопасность — одна из первоочередных задач ИИ, но есть некоторые ожидаемые и непредвиденные риски, когда дело доходит до возможностей ИИ, машинного обучения и глубокого обучения. Вот некоторые из предполагаемых рисков: фишинговые письма с поддержкой ИИ могут потенциально использовать машинное обучение для автоматической ориентации на жертв и использования их слабых мест.

Кроме того, киберпреступники могут потенциально взламывать и нарушать работу автономного транспорта, угрожая жизни тысяч, а, возможно, миллионов пассажиров».

Также профессор Фахад считает серьезным риском возможность военизации ИИ и создание роботов-убийц и беспилотного оружия, управляемого ИИ, настаивая на том, что эту моральную дилемму нужно решать на международном уровне.

Повышением осведомленности о риске развития милитаристского ИИ занимается в том числе некоммерческая организация Future of Life Institute, которая призывает всех исследователей, разработчиков и влиятельных лиц к сохранению принципов, утвержденных на Ассиломарской конференции.

Стивен ВЕЙСМАН, профессор колледжа университета Бентли, один из ведущих экспертов кибербезопасности США, в эксклюзивном интервью для Bitnewstoday.

ru выразил свои опасения на этот счет: «В этом году 26 экспертов написали доклад «Злонамеренное использование искусственного интеллекта: прогнозирование, предотвращение и смягчение последствий», в котором они предупреждали о крайней опасности киберпреступников, эффективно использующих эту технологию.

Читайте также:  Япония планирует совершить революцию роботов к 2020 году

Это пугающая перспектива. Но будет ли сам ИИ угрозой в виде роботов, контролирующих кибербезопасность — я считаю, что это, скорее, вопрос научной фантастики, чем научный факт».  

Совет

Подробнее об аспектах использования ИИ как оружия и возникающей вследствие этого гонки вооружений мы расскажем в следующей статье.

Источник: https://bitnewstoday.ru/news/sovremennyy-treyding-bez-ii-ubytochen-pochemu/

Искусственный интеллект на фондовом рынке – ещё один стартап представляет свою разработку

Торговля на финансовых рынках требует тщательной подготовки специалистов. Если ранее обучение проводили опытные трейдеры, передавая свои знания новичкам, то сегодня ситуация в корне меняется. Люди постепенно отходят от торговли вживую, а все операции перекладывают на плечи «умных» машин.

Очередная компания готовит свою новинку – это система искусственного интеллекта Emma Al, созданная Шаунаком Хире (Shaunak Khire), который позиционирует своё детище как уникальное.

Об этом сообщает сайт Recode.

Пока название будущей компании не разглашается до момента получения патентов, которые связаны с ИИ (искусственным интеллектом) и ботами (программами-роботами, имитирующими партнёров в сетевой игре).

Обычно биржевые роботы ведут алгоритмическую торговлю, где учитываются заранее заданные торговые критерии (время, объём торгов, цена). Но Emma Al помимо этих данных будет учитывать сложнейший комплекс факторов, которые могли бы оказывать своё влияние на ход событий.

Это и кредитно-денежная ситуация в странах Европы, и перемены в руководящих звеньях компаний и организаций.

Система нейронных сетей берёт во внимание каждую деталь, поэтому торговый процесс перестаёт быть алгоритмическим, а точно имитирует работу человека, собирающего сведения для финансовой аналитики.

Процесс опробования новой системы уже проходил ранее.

На начальном этапе Emma Al выпускала финансовые новости. Качество статей было не хуже авторских, которые писали бы люди. Также тестирование проводилось на небольшом количестве акций. За полгода они показали хороший рост в цене (более 30%).

Запланированные испытания прошли успешно, теперь всё готово к полноценной торговле. Разработчики планируют доверить своему биржевому роботу акции Tesla, GSK и казначейские облигации США.

Обратите внимание

Конечно, коммерческое применение не отрицается, но пока главной целью является проверка потенциальных способностей ИИ на работе с ценными бумагами.

Сегодня стартап ведёт работу по закрытию частного финансирования.

Шаунак Хире говорит, что искусственный интеллект для финансовых сделок уже используется стартапами Aidyia и Sentient Technologies, которые о своей продуктивности умалчивают. А вот для раскрытия производительности IBM Watson Хире предлагает провести публичное тестирование, поскольку его обучение успело прославиться низким качеством.

Часть доходов от торгов компания Emma Al намерена отправлять в фонд некоммерческой медицинской организации Watsi (детище стартапа-инкубатора Y Combinator.) Хире возлагает надежду на длительное сотрудничество с ней. Одна из вероятных областей работы – использование искусственного интеллекта для доступного здравоохранения.

Источник: https://neuronus.com/news-tech/1130-iskusstvennyj-intellekt-na-fondovom-rynke-eshchjo-odin-startap-predstavlyaet-svoyu-razrabotku.html

11 свидетельств того, что искусственный интеллект — будущее торговли криптовалютами

Команда журналистов, специализирующихся на таких темах, как блокчейн, искусственный интеллект, интернет вещей, финансовые технологии и новости криптоиндустрии, подготовила для Hacker Noon список трендов, подтверждающих, что за ИИ будущее криптовалютной торговли.

Искусственный интеллект и машинное обучение относительно молоды, но они уже штурмуют мир финансов и криптовалют. Ниже представлены 11 трендов, которые это отлично иллюстрируют.

1. Компьютерные алгоритмы уже применяются в большей части торговых операций

Достичь успеха в трейдинге, используя дискреционные (интуитивные) методы, становится всё сложнее и сложнее. Ведь для того, чтобы оставаться конкурентоспособным, сегодня приходится принимать решения со скоростью компьютера.

В соответствии с оценками регулирующих органов и выводами академических исследований, с помощью компьютеров сегодня проводится 50-70% торговых операций на рынках акций, 60% на рынке фьючерсов и более 50% на рынке драгоценностей.

На конференции по финансовым технологиям в Школе права Мичигана было отмечено, что машинное обучение и искусственный интеллект применяются всё более широко при анализе данных, в торговле ценными бумагами и инвестиционном консалтинге.

2. Искусственный интеллект необходим для обработки огромных потоков цифровых данных

В настоящее время объём цифровых данных удваивается каждые два года.

Искусственный интеллект — это не просто важный, а жизненно необходимый инструмент для анализа громадного объёма цифровых данных, производимых сегодня в мире.

По оценкам International Data Corporation, к 2020 году мировой объём цифровых данных достигнет 44 зэтабайтов (один зэттабайт, или Зб, — триллион гигабайтов).

Если загрузить эти данные в память планшетов iPad Air и поставить их в ряд, то они составят цепочку в шесть раз длиннее, чем расстояние от Земли до Луны (в 2013 году объём данных составлял 4,4 зэтабайта — две трети расстояния от Земли до Луны).

3. Эффективность хедж-фондов, использующих искусственный интеллект, выше, чем у традиционных фондов

Применение искусственного интеллекта в индустрии хедж-фондов находится пока на ранней стадии: сегодня некоторые менеджеры хедж-фондов обращаются к ИИ как к дополнительному средству, продолжая использовать интуитивные методы в инвестировании и риск-менеджменте. В то же время многие фонды уже применяют машинное управление техническими аспектами как собственно трейдинга, так и риск-менеджмента при минимальном участии фонд-менеджеров.

Исследование, проведённое Eurokahedge, показывает, что фонды, использующие ИИ, превосходят по результатам хедж-фонды с традиционным подходом:

Из этого графика видно, что на протяжении двух, трёх-, так и пятилетнего отрезков хедж-фонды с ИИ демонстрировали большую эффективность, чем традиционные, а также лучший результат, чем мировые хедж-фонды в среднем, получая за эти периоды прибыль в 8,35, 9,57 и 10,56% соответственно.

4. Данные нейронных сетей позволяют выстраивать стратегию на следующий торговый день

Анализ данных за 1995-2000 годы и прогноз на 2001 год, выполненные с использованием ИИ, показали, что нейронные сети могут дать до 150% больше информации для выстраивания будущих торговых стратегий по сравнению с традиционным подходом buy-and-hold.

Ниже представлен график эффективности использования искусственных нейронных сетей для выстраивания торговой стратегии на рынке компаний высоких технологий Тайваня:

5. Искусственный интеллект помогает выявлять случаи манипулирования рынком

В мае 2017 года журнал The Economist опубликовал статью с обзором приложений, использующих машинное обучение. Помимо упоминания о том, что начиная с 2019 года для сдачи профессионального экзамена финансовым аналитикам необходимо будет пройти экспертизу с использованием ИИ, в статье есть некоторые интересные выводы относительно использования ИИ в трейдинге.

Вот один из примеров, приведённых в этой статье.

Компания Castle Ridge Asset Management, одна из компаний по управлению активами, начиная с 2013 года смогла получить валовой ежегодный средний доход в 32%, используя сложные системы машинного обучения.

Такой высокий доход отчасти объясняется тем, что ИИ получил данные о 24 сделках до того, как о них было объявлено. Алгоритмы ИИ выявили эти сделки по контрольным сигналам, указывающим на низкий объём инсайдерской торговли.

В этом году проект RoninAI, ориентированный на алгоритмы ИИ для криптовалют, выявил многочисленные манипуляции на рынке из-за необычного поведения индикаторов социального настроения.

6. Искусственные нейронные сети показывают большую эффективность по сравнению с пассивной стратегией buy-and-hold

Были проведены многочисленные исследования для проверки эффективности использования нейронных сетей обратного распространения ошибки (Backpropagation Neural Network, BPN) при прогнозировании цен на акции. Цель этих исследований — оценить, насколько эффективно работают торговые стратегии на основе ИИ в сравнении со стратегиями buy-and-hold.

Вот модель нейронной сети Backpropagation для прогнозирования по биржевым торговым точкам:

7. Искусственный интеллект работает лучше во время финансовых кризисов

Исследования показали, что алгоритмы, основанные на искусственном интеллекте, способны помочь при принятии более выгодных инвестиционных решений. Например, в случае их применения к составляющим индекса S&P 500 с 1992 по 2015 год выбранный нейросетью портфель акций показал ежегодный доход в двузначных числах, при этом наибольшая прибыль была достигнута в периоды финансовых потрясений.

Первоначально алгоритмы с ИИ показали самую большую годовую доходность (334%) в 1999 году, за год до максимального значения пузыря доткомов. Этот показатель был превышен в 2000-м (годовая доходность 545%), когда пузырь доткомов лопнул, а акции технологических компаний потеряли миллиарды рыночной капитализации.

Наибольший отскок произошёл в 2008 году, когда размер годовой прибыли в 681% упал во время пика финансового кризиса.

В частности, наибольший спад (более 100%) был в октябре 2008 года, через месяц после краха банка Lehman Brothers, и это самый сильный спад за период с декабря 1992 года по октябрь 2015 года. Наконец, в октябре 2011 года положительный доход составил 35%, что совпало с пиком кризиса европейского долгового рынка.

Таким образом, можно справедливо утверждать, что алгоритмы машинного обучения особенно эффективны в периоды сильных рыночных потрясений.

8. Искусственный интеллект максимизирует процент выигрышных сделок

Чтобы понять, может ли нейронная сеть превзойти результаты традиционного технического анализа, было проведено исследование. Для получения эмпирических результатов использовались ежедневные цены закрытия по пяти акциям, торгуемым на Сингапурской фондовой бирже.

Серии цен с января 1991 года по декабрь 2000 года (десять лет) были использованы для обучения сети, а серия цен с января 2001 года по декабрь 2004 года (четыре года) — для её тестирования.

И вот что удалось обнаружить:

Важно

Эмпирические результаты продемонстрировали, что нейронные сети способны превзойти традиционные бенчмаркинг-стратегии торговли из-за их способности отсеивать ложные или ошибочные торговые сигналы и капитализировать колебания счётчиков акций.

Предлагаемая торговая система также повысила процент выигрышных сделок до более чем 90%, убыточных же сделок было очень мало. Более того, в данном случае проигрышные сделки превентивны по своей сути, так как они возникают при неминуемых потерях, и все убыточные сделки связаны с транзакционными издержками.

9. Использование искусственного интеллекта прекрасно подходит для финансовых инструментов ценообразования

В пространстве криптовалют возникают проблемы при приписывании правильного фундаментального значения самым популярным валютам, таким как биткоин, эфириум и лайткоин. Хотя есть ряд теорий потенциально верной методологии ценообразования, широко принятый эталон ещё никто не придумал.

Решение может быть найдено с помощью нейросетей.

Первая и самая известная модель ценообразования опционов была предложена экономистами Фишером Блэком и Майроном Шоулзом в 1973 году для определения цен на европейские опционы. За эту формулу Шоулз и Роберт Мертон получили в 1997 году Нобелевскую премию по экономике (Блэк скончался в 1995 году).

Учитывая определённые недостатки формулы Блэка — Шоулза в оценке реальных опционов, интересно было бы узнать, смогут ли нейронные сети улучшить её эффективность.

Исследование Беннелла и Сатклиффа по улучшению применения формулы Блэка — Шоулза с помощью нейронных сетей для ценообразования опционов индекса FTSE 100 Британской фондовой биржи (Black — Scholes Versus Artificial Neural Networks in Pricing FTSE 100 Options) было опубликовано в 2005 году.

В этой работе сравнивалась эффективность использования формулы Блэка — Шоулза при ценообразовании опционов типа колл для индекса FTSE 100 и применения искусственной нейронной сети. Для опционов типа «вне денег» (out-of-the-money) результаты ИИ оказались явно выше, чем при использовании традиционной формулы.

Исследователи отметили, что превосходство нейронных сетей было довольно неожиданным, учитывая, что сфера европейских опционов рынка акций — традиционное поле для применения формулы Блэка — Шоулза.

Это исследование показывает, что ИИ может сыграть важную роль в ценообразовании и других видов опционов, для которых нет конечных моделей или конечные модели менее эффективны, чем указанная формула.

10. Искусственный интеллект успешно прогнозирует цены для всех видов традиционных и новых классов активов

Множество научных исследований показывают, что ИИ может существенно превзойти по эффективности существующие торговые стратегии, например стратегии buy-and-hold, в широком спектре классов активов.

Рынок акций

Исследователи считают, что алгоритмы машинного обучения генерируют гораздо более высокий абсолютный доход в сочетании с более высоким коэффициентом Шарпа (показатель эффективности инвестиционного портфеля).

Читайте также:  Рой автономных роботов, управляемых искусственным интеллектом

Фьючерсы

Исследование Лукаса Шульце-Робекке (Lukas Schulze-Roebbecke) показало, что искусственные нейронные сети могут показывать значительно более высокие результаты с низким среднеквадратичным отклонением для фьючерсов на рынке меди.

Рынок валют

Ещё одно исследование, проведённое Цзиньсин Хан Гулдом (Jinxing Han Gould) из Университета Оклахомы, показало, что индексы рынка Форекс могут быть спрогнозированы с помощью нейронной сети, использующей методы обратного распространения ошибки, что позволит получать максимальную прибыль.

Недвижимость

В интересной статье, опубликованной Emerald Journal, приводятся причины, по которым передовые подходы, такие как искусственные нейронные сети и нечёткая логика (fuzzy logic), более эффективны по сравнению с традиционными.

В статье приведена таблица, обобщающая сильные стороны некоторых алгоритмов машинного обучения, используемых в качестве передовых методов оценки для объектов недвижимости.

11. Прибыльность при использовании искусственного интеллекта значительно превосходит средний уровень прибыльности рынка

Магнус Эрик Хвасс Педерсен (Magnus Eric Hvass Pedersen), сотрудник Университета Саутгемптона, провёл исследование «Использование искусственного интеллекта для долгосрочного инвестирования» в январе 2016 года. Целью исследования было определить оптимальный состав портфеля при применении ИИ для долгосрочного инвестирования.

В период с 1995 по 2015 год его модель ИИ превосходила индекс S&P 500 в среднем примерно на 18% в год. Она работала особенно хорошо в тот период, когда акции были или сильно переоценены, как во время апогея пузыря доткомов в 2000 году, или недооценены, как во время финансовых кризисов.

Источник: https://coinspot.io/fintech/11-svidetelstv-togo-chto-iskusstvennyj-intellekt-budushhee-torgovli-kriptovalyutami/

Ещё один стартап выводит искусственный интеллект на фондовый рынок

Сайт Recode сообщает о системе искусственного интеллекта, получившей название Emma AI, создатели которой рассчитывают, что она превзойдёт в деле торговли ценными бумагами и людей, и компьютеры. Она является частью волны стартапов, применяющих машинное обучение на финансовых рынках.

Автоматизация не является чем-то новым для Уолл-стрит.

Но Шаунак Хире (Shaunak Khire), создатель Emma, утверждает, что его система отличается от нынешних финансовых вычислений — высокочастотного трейдинга и «квантового» анализа данных — поскольку его система нейронных сетей учитывает более сложный комплекс факторов, влияющих на акции, таких как перестановки в руководстве компаний или денежно-кредитная политика в Европе, которые другие программы упускают.

«Это не алгоритмическая торговля, — сказал он.  — Это в буквальном смысле имитация работы финансового аналитика».

Emma начнёт торговать акциями фармацевтического гиганта GSK и Tesla наряду с казначейскими облигациями США. Ранее Emma была испытана в качестве автора финансовых новостей и показала, что может работать наравне с авторами-людьми и способна их заменить.

В ходе нового тестирования она шесть месяцев назад выбрала небольшое количество акций и, по словам Хире, они с тех пор показали рост более чем на 30 процентов. Он держит название своей компании в тайне, ожидая получения определённых патентов, связанных с ботами и ИИ.

Совет

Другие стартапы давно применяют ИИ для финансовых сделок. К их числу относятся Aidyia, которым управляет эксцентричный робототехник Бен Гёрцель (Ben Goertzel), и Sentient Technologies, получившая огромные инвестиции и нанявшая первоклассных инженеров из IBM и Apple. IBM Watson начал «сотрудничать» с Citibank четыре года назад.

Хире отмечает, что другие стартапы не раскрывают свою производительность. Он также предложил провести открытый тест производительности ИИ IBM Watson, к которому он и некоторые другие специалисты по машинному обучению пренебрежительно относятся как низкопроизводительному.

Часть доходов от системы торгов Emma пойдут в пользу Watsi, медицинской некоммерческой организации, вышедшей из известного стартап-инкубатора Y Combinator. «Возможно, у нас найдутся некоторые общие области для дальнейшей работы, например: использование ботов/ИИ для персонализированного и доступного здравоохранения», — пояснил Хире.

По словам Хире, основная цель сейчас — испытать способности ИИ на выборке акций и облигаций, хотя он подчеркнул, что у этих испытаний также есть коммерческое применение.

«Как создать такой ИИ, который может, скажем, за неимением лучшего термина, «обдумывать» вводимые данные»?» — задаётся он вопросом.

Сейчас стартап находится в процессе закрытия раунда частного финансирования.

Алгоритмическая торговля или Алгоритмический трейдинг (Algorithmic trading) — формализованный процесс совершения торговых операций на финансовых рынках по заданному алгоритму с использованием специализированных компьютерных систем (торговых роботов). Широко применяется как институциональными инвесторами, для эффективного исполнения крупных заявок, так и частными трейдерами и хедж-фондами для получения спекулятивного дохода.

Алгоритмическая и высокочастотная торговля стали предметом многочисленных разбирательств, инициированных американскими регуляторами SEC (U.S.

Securities and Exchange Commission) и CFTC (Commodity Futures Trading Commission), в связи с обвинением в причастности компаний, использующих торговые боты, к событиям 6 мая 2010 года (2010 Flash Crash), когда ведущие фондовые индексы США кратковременно испытали крупнейшее за всю свою историю внутридневное падение.

Источник: https://22century.ru/commerce/31169

Искусственный интеллект на форекс. Как это работает?

Совсем недавно мы анонсировали вам нашу новую разработку, под названием NEURO BOT 10, позволившую наконец-то, забыть об оптимизации своей авто стратегии и не переживать за исход открытой сделки. Так как нейронный робот самостоятельно адаптируется под изменения рыка.

О том, как у нас это получилось, чем наш советник отличается от других нейронных роботов и что потребовалось для его разработки мы подробно расскажем Вам в этом обзоре.

Многим из Вас это поможет лучше разбираться в тонкостях валютного рынка, другим понять как устроен наш нейронный советник, и третьим – позволит определиться в каком направлении двигаться при разработке собственных авто систем.

Обратите внимание

Не секрет, что мы уже более 5-ти лет создаем действительно мощные авто стратегии, поэтому имеем полное право рассказать вам свое видение этого вопроса. Считаю, что этот обзор можно было бы даже назвать другим заголовком – “как создать эффективную стратегию на форекс?”. Но так как, речь все же идет о советнике NEURO BOT 10, я решил этого не делать. 

На самом деле, история разработки этого эксперта уходит своими корнями в далекий 2011 год, когда после сотен неудачных попыток, я решил навсегда выбросить индикаторы с графика и торговать тем, что есть. А было немного: торговые уровни, цена и тиковые объемы.

На помощь пришло изучение сразу нескольких известный теорий рыночной аналитики: методы Ганна (используются так или иначе сразу в нескольких наших роботах), золотое сечение Фибоначчи, метод VSA и метод Price Action. Сказать, что я много о них знаю, значит не сказать ничего.

Я настолько был озабочен созданием идеального робота, что вызубрил некоторые абзацы наизусть!

К концу 2011 года это ни привело ни к чему полезному для советников, но дало много пищи для размышлений, за счет чего к 2012 и родилась моя авторская стратегия трейдинга – метод I-FSR. Уже на базе которой нам и удалось разработать более 10-ка невероятно прибыльных советников для форекс.

Но всегда было огромное НО, использовать их могли только опытные трейдеры, понимающие как оптимизировать робот, то есть адаптировать его под изменения рынка.

Это была не исключительно проблема наших роботов, это вообще глобальная проблема для любой автоматической, и тем более – ручной стратегии. Ведь в последнем случае мне даже сложно представить, как вы будете это делать на отрезке с десяток месяцев.

По этой причине, мы всегда бесплатно оптимизировали советники каждые 2-3 месяца, так как большое количество их владельцев не были готовы к самостоятельной оптимизации. 

Почему мы избавились от технического анализа?

Когда в 2012 году мы избавились от комплекта безумных индикаторов в своих торговых роботах, то наконец-то вздохнули с облегчением. Эти советники показывали в 10 раз большую эффективность и проходили без глубокой просадки отрезки в год и более, что говорило о высокой надежности безиндикаторных систем и их невероятном потенциале.

Но для того, чтобы стратегия сама адаптировалась к рынку этого было недостаточно. Никогда нельзя точно предсказать какое количество пунктов пройдет цена после появления сигнала к открытию позиции.

Бороться с этим можно было только математическими формулами управления ордерами, но даже здесь рынок однажды находил лазейку, поэтому оптимизация была жизненно необходима для успешного авто трейдинга. 

Важно

Многочисленные попытки решить эту проблему не приводили к успеху до тех пор, пока мы не решили оставить только управление ордерами и взяться за обучение советника самостоятельной адаптации к рынку. Причем выбрали совершенно иной путь, нежели наши предшественники.

Обычно нейронный робот просто ищет вероятности на исторических данных, и на основе этого принимает решение о покупке или продаже валюты (так называемые, нейросети). Что позволяло ему показывать отличные результаты в тестере, но чаще всего это отвратительно работало в реальной торговле.

Нам это не подходило, поэтому мы пошли другим путем.

Известно, что основные рыночные фазы, это: накопление, распределение и аккумуляция. Можно сказать проще: флет, медвежий тренд и бычий тренд. Большинство роботов способны работать только на одной (максимум двух) рыночной фазе.

К примеру, метод усреднения отлично работает на флет участке и сливает деньги на тренде.

Но, что если вы зададитесь целью искать не успешную точку входа (где все равно не сможете быть на 100% правыми), а именно рыночную фазу и применять для каждой отдельный способ управления ордерами? Тогда ваша эффективность повысится в разы, а советник определяя рыночную фазу вместо точки входа будет самостоятельно адаптироваться к изменчивости рынка. Именно это позволило назвать NEURO BOT 10 нейронным, а не то, что он смотрит в историю. Она ему не интересна, так как это уже история на которой мы с вами не заработаем, нейронный советник NEURO 10 исследует исключительно текущую ситуацию (текущую рыночную фазу).

Для чего вам в таком случае технический анализ?

Его очевидные недостатки: невозможность предсказать силу рыночного движения и работа только в своей рыночной фазе. Его единственные плюсы: систематизация вашей торговой деятельности.

Все, что нам оставалось анализировать – это рыночную фазу, причем снова возвращаться к техническому анализу (хотя в методе I-FSR есть для этого отличные инструменты) совсем не хотелось.

Поэтому мы решили использовать непосредственно цену, или торговые уровни, которые для каждой рыночной фазы имеют свои цены.

Совет

От которых мы и заставили работать советник: при смене уровней робот автоматически адаптировался под новую рыночную фазу и успешно вел торговлю в текущих рыночных условиях. Он больше не конфликтовал с рынком, а просто следовал за ним. Именно таким образом, мы и родили эту совершенную во всех отношениях нейронную авто стратегию. 

• Оставался только один момент: нужно избавиться от такого параметра, как take profit. Ведь его значение всегда зависит от силы рыночного движения.

В этот раз мы понимали, что искать решение этого вопроса нужно не методами “борьбы с рынком”, а наоборот, – дружбы с ним. Это и заставило нас полностью избавиться от попыток предсказывать движения котировок. Мы просто задали ценовой коридор, при достижении которого робот фиксирует ту прибыль, которую нам дал рынок в течении дня.

Тем самым, мы раз и навсегда избавились от необходимости оптимизировать торговый эксперт, теперь можно было просто расслабиться и получать гарантированную прибыль.

Собственно эти слова прекрасно доказало успешное 5-ти летнее тестирование советника с результатом в 10 000% прибыли.

Так и родился, наш самый надежный и прибыльный советник NEURO BOT 10, гарантирующий Вам финансовую независимость на долгие десятилетия.

Только вдумайтесь в это: всего один советник и вы больше никогда не проигрываете деньги на форекс! Более 5-ти лет нашей работы над созданием автоматических систем не прошли даром. Мы дали Вам то, о чем вы так давно мечтали – систему, которая никогда не проигрывает рынку, а зарабатывает вместе с ним. 

Возможно, Вам будут интересны следующие обзоры:

• NEURO BOT 10 – первый нейронный советник от Rognowsky RU

 Индикаторы для анализа бинарных опционов без перерисовки.

 Индикаторы тикового графика на рынке форекс

 Robinho system power – стратегия трейдинга из Бразилии

 Индикатор ZigZag: настройки и торговые стратегии на его базе

You have no rights to post comments

Источник: http://rognowsky.ru/index.php/forex2/1544-iskusstvennyj-intellekt-na-foreks-kak-eto-rabotaet

Ссылка на основную публикацию