Robot di trading su una rete neurale. Download gratuito - Forex robot per il trading automatico basato su Scalping (Scalper)

In questo caso, non ti devi allarmare, perché si tratta di un problema molto comune: per la maggior parte dei trader, l'operatività short sui mercati azionari presenta numerose insidie.

È vero che, in alcuni casi, è possibile approfittare di un trend ribassista molto pronunciato, come quello sperimentato nel corso della crisi delma occorre essere davvero chirurgici nell'ingresso in posizione.

Tecniche di training di una intelligenza artificiale. Nel primo articolo della rubrica in questione sono state presentate le reti neurali e descritte alcune caratteristiche che le differenziano dai classici algoritmi informatici. A seguire analizzeremo più nel dettaglio il procedimento di addestramento di una rete neurale sottolineandone le peculiarità tali da ridurre considerevolmente il rischio di over-fitting rispetto a un modello quantitativo basato su di un algoritmo di statistica classica.

Molti lettori avranno sicuramente familiarità con questo annoso problema. Il modello quantitativo sovra ottimizzato produce performance durante le simulazioni storiche sui dati osservati eccezionali, per poi subire un decadimento delle performance sui nuovi dati più o meno veloce e marcato.

Riguardo allo sviluppo di reti neurali è utile analizzare gli step propri del processo di addestramento di una rete neurale per capire come il rischio di over-fitting venga notevolmente ridotto. Tali dati sono formati da coppie di valori; quelli di input, i valori in ingresso nella rete, e quelli di output, i valori in uscita dalla rete.

È necessario inoltre dividere i dati in due insiemi, uno definito training set, utilizzato per addestrare la rete, e un altro, validation set, utilizzato per testarla. Le coppie di valori rappresentano esempi utili per la comprensione del problema, sulla base dei quali la rete svilupperà una propria funzione di apprendimento.

Durante questa fase la rete cerca di stabilire la funzione che lega le variabili in ingresso alle variabili in uscita. Una volta addestrata, la rete viene salvata e, senza la possibilità di modificarsi, testata sul validation set per stabilire le capacità di generalizzazione della funzione di apprendimento.

Un saluto e a presto.