Il punto principale è che il ML a cui fai riferimento in qualsiasi ambito lo si usi è un modo per far fare a una macchina ciò che già faceva prima un essere umano esperto. Tutto qua.
Siccome non siamo in grado di programmare l'esperienza, usiamo dei modelli matematici per mapparla dai dati alle macchine e agli algoritmi.
Questo presuppone un elemento fondamentale che c'è in qualsiasi settore meno che nel trading: qualcuno che sappia cosa fare e da cui sia possibile copiare. Qui servirebbe il ML: regressioni, classificazioni, tabelle di policy ottimali, analisi del linguaggio, computer vision... Tutto presuppone che ci sia un essere umano che è stato capace di imparare cosa fare e come farlo per creare valore, che tu puoi osservare e da cui la macchina impara.
Il problema nel nostro ambito è che quelle persone semplicemente non esistono: se ci fosse qualcuno che ti spiega come fare soldi sui mercati, il paradosso è che nemmeno ti servirebbe il ML.
Ovvero: quando capisci quali dati guardare, come e in che contesto, non hai nemmeno più bisogno di una rete neurale profonda: bastano poche regolette del pollice.
Per rispondere alla tua domanda: non cerchi anomalie frullando a caso, perché quello è il modo migliore per avere illusioni ottiche facendo modellare alla macchina solo rumore.
Viceversa, formuli una teoria che stia in piedi perché i mercati sono fatti da un esercito di squilibrati, frizioni e vincoli esogeni; poi raccogli i dati e cerchi di capire se ci hai visto giusto; solo a quel punto - se senti il bisogno di fare qualche passaggio analitico in tempi non praticabili per l'essere umano - ti rivolgi all'algoritmo di ML.
Alla fine sono ripetitivo ma il tutto si riduce sempre a intuire (o ipotizzare) alle spalle di chi stai facendo soldi e perché.
Quando ti lanci a provare un algoritmo senza avere abbozzato una risposta a questa domanda stai già sicuramente sbagliando approccio.
Siccome non siamo in grado di programmare l'esperienza, usiamo dei modelli matematici per mapparla dai dati alle macchine e agli algoritmi.
Questo presuppone un elemento fondamentale che c'è in qualsiasi settore meno che nel trading: qualcuno che sappia cosa fare e da cui sia possibile copiare. Qui servirebbe il ML: regressioni, classificazioni, tabelle di policy ottimali, analisi del linguaggio, computer vision... Tutto presuppone che ci sia un essere umano che è stato capace di imparare cosa fare e come farlo per creare valore, che tu puoi osservare e da cui la macchina impara.
Il problema nel nostro ambito è che quelle persone semplicemente non esistono: se ci fosse qualcuno che ti spiega come fare soldi sui mercati, il paradosso è che nemmeno ti servirebbe il ML.
Ovvero: quando capisci quali dati guardare, come e in che contesto, non hai nemmeno più bisogno di una rete neurale profonda: bastano poche regolette del pollice.
Per rispondere alla tua domanda: non cerchi anomalie frullando a caso, perché quello è il modo migliore per avere illusioni ottiche facendo modellare alla macchina solo rumore.
Viceversa, formuli una teoria che stia in piedi perché i mercati sono fatti da un esercito di squilibrati, frizioni e vincoli esogeni; poi raccogli i dati e cerchi di capire se ci hai visto giusto; solo a quel punto - se senti il bisogno di fare qualche passaggio analitico in tempi non praticabili per l'essere umano - ti rivolgi all'algoritmo di ML.
Alla fine sono ripetitivo ma il tutto si riduce sempre a intuire (o ipotizzare) alle spalle di chi stai facendo soldi e perché.
Quando ti lanci a provare un algoritmo senza avere abbozzato una risposta a questa domanda stai già sicuramente sbagliando approccio.
Ultima modifica: