کیا ڈیپ لرننگ کو مقداری لین دین کے لیے استعمال کیا جا سکتا ہے؟

کیا ڈیپ لرننگ کو مقداری لین دین کے لیے استعمال کیا جا سکتا ہے؟

• جی ہاں، لیکن پیشن گوئی کے ساتھ کھیلنے کے لئے نہیں ((سوائے ہائی فریکوئنسی ٹریڈنگ کے)

  میں نے بہت سے مضامین دیکھے ہیں ، جن میں عوامی ادارے یا بروکرز نے لکھا ہے کہ ڈیپ لرننگ کو ان پٹ کے طور پر تاریخی اشارے کے طور پر استعمال کیا گیا ہے ، تاکہ مستقبل کے اسٹاک ، فیوچر کی آمدنی کی پیشن گوئی کرنے کے لئے LSTM جیسے نیٹ ورکس کا استعمال کیا جاسکے ، اور اسے تجارتی حکمت عملی میں تبدیل کیا جاسکے۔ اس طرح میں نے بنیادی طور پر کوشش کی ہے ، درجہ بندی کے طریقوں سے یا رجعت کے طریقوں سے پیشن گوئی کرنے کے لئے ، اور نتائج خراب ہیں۔ اور آؤٹ پٹ بہت زیادہ ہے ، یہ دلچسپ ہے کہ حرکت پذیر اوسط کے نتائج کو باہر نکالنا۔

  یہاں اس بات کی کوئی بات نہیں ہے کہ اسٹاک جیسے اثاثوں کی قیمتوں کی پیشن گوئی کرنے کے لئے نئی ٹکنالوجیوں کا استعمال ناقابل اعتماد ہے ، لیکن سب سے پہلے آپ کو یہ سمجھنے کی ضرورت ہے کہ مستقبل کی پیشن گوئی کرنے کے لئے چند ان پٹ کیوں ہیں۔ تاریخی اعداد و شمار پر مبنی مستقبل کی پیشن گوئی کرنے کا یہ مفروضہ بہت مضبوط ہے ، اور ایک مضبوط مفروضے کے تحت ، بلیک باکس کے ساتھ جیتنے کا ایک مشکل نتیجہ نکلتا ہے۔ یہ قائل کرنا مشکل ہے۔ یہی وجہ ہے کہ فیصلے کے درخت جیسے الگورتھم مالیاتی ایپلی کیشنز میں تھوڑا سا زیادہ استعمال ہوتے ہیں۔

  اس طرح کی اچھی نئی ٹیکنالوجی کا اطلاق کیسے ہوتا ہے؟ گہری سیکھنے تصویر کی درجہ بندی کے لئے موزوں ہے، اہم بات یہ ہے کہ تصاویر اور ناموں کے مابین مستحکم اعداد و شمار کے طول و عرض کا تعلق ہے ، یہ تعلق زیادہ پیچیدہ نہیں ہے ، لیکن تعلقات مستحکم ہیں۔ اور مالیاتی سلسلے مختلف ہیں ، تاریخی اعداد و شمار مستقبل کی پیش گوئی کرنے کی منطق خود ہی غیر مستحکم ہے ، اس طرح کے پیچیدہ ٹولز کے نتائج صرف زیادہ الجھن کا باعث بنتے ہیں۔ لیکن حقیقت میں ، گہری سیکھنے میں ثانوی مارکیٹ کی مقدار کی تجارت میں خاص طور پر موزوں ایپلی کیشنز ہیں ، خاص طور پر میں کیا کہنا آسان نہیں ہوں ، اس ایپلی کیشن کی خصوصیت یقینی طور پر مستحکم تعلقات ہے۔

زینو کیوٹیفیکیشن ٹرانزیکشن سے نقل کیا گیا