La inteligencia artificial es el campo de estudio académico que estudia cómo crear computadoras y software que sean capaces de comportarse de manera inteligente. Según la definición de Wikipedia “La inteligencia artificial es la inteligencia de las máquinas, donde un agente (sistema) inteligente percibe su entorno y toma medidas que maximizan sus posibilidades de éxito.
Adopción de Machine Learning
El aprendizaje automático es un subconjunto de IA dedicado a clasificar y encontrar patrones y lo extrapola a nuevos datos. Vemos mucha implementación de aplicaciones de aprendizaje automático. Netflix utiliza un algoritmo basado en aprendizaje automático para seleccionar las mejores películas que se recomendarán. El portal de compras de Amazon utiliza la técnica de aprendizaje automático para recomendar los artículos de compra basados en la búsqueda reciente y otros patrones reconocibles.
- ¿Cuáles son las aplicaciones de los gráficos dispersos?
- ¿Puede Naive Bayes alcanzar algún rendimiento con suficientes datos?
- ¿Cómo puede Machine Learning ayudar a un desarrollador de Android?
- ¿Es el aprendizaje automático el único campo de IA de interés para la academia y la industria?
- ¿Cómo pueden beneficiarse los MOOC de sus datos?
Aprendizaje automático en el comercio
En este artículo formulamos la pregunta: “¿Se pueden utilizar las técnicas de aprendizaje automático en el comercio de acciones?”. ¡La respuesta es rotundamente “Sí”! De hecho, existen fondos de cobertura que se basan exclusivamente en inteligencia artificial, a saber, Rebellion Research y KFL Capital. El aprendizaje automático es lógico y supera las limitaciones humanas. Esto es importante en el comercio donde las emociones pueden conducir a dificultades cuando se trata de tomar decisiones. El aprendizaje automático se clasifica en aprendizaje supervisado y aprendizaje no supervisado. El aprendizaje no supervisado es la capacidad de encontrar patrones en una secuencia de datos sin etiquetar los datos. Un ejemplo de este tipo es un mapa autoorganizado (SOM). La limitación de este tipo es que los parámetros en los que se deben clasificar los datos no se especifican. En las clases de aprendizaje supervisado / etiquetas de datos de entrenamiento se especifica. Ejemplo de máquinas de vectores de soporte (SVM).
Máquinas de vectores de soporte (SVM)
SVM analiza datos y reconoce patrones. Originalmente propuesto por Boser, Guyon y Vapik en 1992, SVM ganó una creciente popularidad y actualmente se encuentra entre los mejores para una serie de tareas de clasificación que van desde texto hasta datos genómicos.
Como ejemplo de aplicación de SVM a la negociación, consideraremos una estrategia de cruce de media móvil. En un cruce de promedio móvil hay dos promedios móviles que se consideran SMA (promedio móvil corto) y LMA (promedio móvil largo). Si SMA cruza LMA desde abajo es una señal de compra y si SMA cruza LMA desde arriba es una señal de venta. Los datos ingeniosos (NSE) para seis años se consideran para este ejemplo. Si el precio en el día actual es más alto que el día anterior, se asigna una categoría llamada +1. Del mismo modo, si el precio en el día actual es más bajo que el día anterior, se asigna una categoría llamada -1. Se asigna una categoría de 0 si no hay cambio de precio entre días consecutivos.
Las predicciones se realizan en función de la agrupación de datos. Las grandes secciones de puntos de datos están en la zona +1 y muy pocos puntos de datos en la zona -1. Se observa la distribución general de los datos y se pueden mejorar las predicciones ampliando el rango de +1 y -1 para decir +5 y -5. Un sustituto para ampliar el rango son las redes neuronales. Los paquetes están disponibles en R y puede construir capas de redes neuronales.
Fuente: Inteligencia Artificial y Machine Learning en Trading
