مغز استراتژی معامله‌گری با هوش مصنوعی

مسئله تجاری

مدلی که ازش خواسته شود استراتژی معاملاتی تولید کند بی‌نهایت تولید می‌کند، و همه‌شان موجه به‌نظر می‌رسند. دشواری این است که استراتژی‌ای که به داده‌ی تاریخی برازش شود خروجی پیش‌فرض است نه استثنا، و یک تبیین موجه که به یک قانون بیش‌برازش‌شده چسبیده باشد از نبود تبیین خطرناک‌تر است.

آنچه تحویل دادم

• سیستمی که منطق استراتژی نامزد را طراحی می‌کند و برای هرکدام استدلال پشتش را به شکلی تولید می‌کند که یک آدم بتواند بازرسی‌اش کند.
• یک مرحله‌ی ارزیابی که نامزدها باید از آن عبور کنند پیش از اینکه چیزی بیش از یک فرضیه در نظر گرفته شوند.
• مدیریت صریح منطق پرریسک، تا تصمیم‌هایی با بیشترین ضرر بالقوه همان‌هایی باشند که برای بازبینی رو می‌آیند نه آن‌هایی که دفن می‌شوند.
• ساختاری که در آن تولید و قضاوت مراحل جدایند، تا چیزی که یک استراتژی را پیشنهاد می‌دهد همان چیزی نباشد که تأییدش می‌کند.

رویکرد فنی

• تولید و ارزیابی عمداً جدا شده‌اند. سیستمی که خروجی خودش را امتیاز بدهد به‌سمت هرچه در تولیدش خوب است هم‌گرا می‌شود.
• هر نامزد باید استدلالش را بیان کند، چون قانونی که نتوانی توضیحش دهی قانونی است که نمی‌توانی تصمیم بگیری بهش اعتماد کنی یا دورش بیندازی.
• تصمیم‌های حساس برای بازبینی مسیریابی می‌شوند نه خودکار. در معامله‌گری، تصمیم‌هایی با بدترین ضرر بالقوه دقیقاً همان‌هایی هستند که ارزش توجه یک آدم را دارند.
• خروجی در سراسر سیستم به‌عنوان یک فرضیه در نظر گرفته می‌شود. هیچ‌چیز اینجا یک توصیه نیست، و معماری همین را بازتاب می‌دهد.

نتیجه و شواهد

استراتژی‌های نامزد با استدلالشان و پس از عبور از یک مرحله‌ی ارزیابی می‌رسند، که آن‌ها را قابل بحث می‌کند. همین ویژگی است که خروجی را مفید می‌کند نه صرفاً پرحجم.

اهمیت برای کارفرما

منبع کمیاب در این نوع کار ایده نیست، یک راه قابل اتکا برای رد کردن بیشترشان است. درست‌ساختن مسیر رد همان چیزی است که تولید را ارزش اجرا می‌دهد.