4.1 Slik lærer en maskin
Maskinlæring betyr at datamaskinen lærer fra eksempler. Grunnideen er enkel.
Tre ingredienser
| Del | Forklaring | Tradingeksempel |
|---|---|---|
| Egenskaper | Informasjonen modellen får | RSI, avstand til glidende snitt, volum, ukedag |
| Fasit | Det modellen skal lære å forutsi | Steg prisen de neste fem dagene? Ja eller nei |
| Trening | Modellen justerer seg for å treffe fasiten best mulig | Tusenvis av historiske eksempler |
Etter treningen kan modellen gi et anslag for nye situasjoner: «I situasjoner som ligner denne, steg prisen 54 prosent av gangene.»
Vanlige typer modeller
- Lineær regresjon: Enkel og lett å forstå.
- Beslutningstrær og «random forest»: Mange ja/nei-spørsmål. Populære i finans.
- Nevrale nettverk: Kraftige, men trenger mye data og blir lett overtilpasset.
54 prosent er ikke 100 prosent
Selv en god modell gir bare sannsynligheter – og ofte bare litt bedre enn myntkast. I trading kan det være nok, men bare hvis gevinstene er store nok til å dekke kostnadene og risikoen styres godt.
Vil du prøve selv?
Med Python og gratis biblioteker som scikit-learn kan du lage en enkel modell på en ettermiddag – og en språkmodell kan skrive koden for deg. Bruk det som en læringsøvelse, ikke som en pengemaskin.
Kort oppsummert
- Maskinlæring består av egenskaper, fasit og trening på historiske eksempler.
- Modellen gir sannsynligheter – ofte bare litt bedre enn myntkast.
- Enkle modeller er lettere å forstå og blir sjeldnere overtilpasset.
65% av ikke-profesjonelle taper penger når de handler CFDer med denne leverandøren.