雖然在傳統(tǒng)意義上的機器學習的基礎可以回溯到20世紀40年代晚期，這項技術本身直到最近才開始興起，它得益于用來訓練系統(tǒng)的可用計算能力的迅速增長。

　　談到智能市場分析系統(tǒng)，使用機器學習工具能夠排除掉很多傳統(tǒng)方法的劣勢。CrypTIcs平臺積極利用機器學習的方法來創(chuàng)建系統(tǒng)，用來分析密碼市場與算法交易。這讓它能夠提高系統(tǒng)運行所得數據的可靠性，從而降低風險、節(jié)省投資者的資金。

　　下面我們嘗試用簡單的語言向讀者解釋最有趣的機器學習方法之本質，以及在實踐中應用這些解決方案的案例。

　　1. 用神經網絡的時間序列的統(tǒng)計分析

　　在分析加密貨幣的交易信息時，有兩種類型的數據必須用分析系統(tǒng)來處理。第一種類型是通過交易的API直接獲取的原始數據。這些數據通常由數值組成，可以用數學的方式和統(tǒng)計方法進行分析，它們通常具有有序的結構。

　　但還有些信息，其選擇的原則標準并沒有被明確定義。舉個例子，那些從不同信息源而來的信息，比如從評級機構、社交網絡來的信息，關于某特定產品中投資者的興趣等級的信息等。

　　一般來說，為了獲取想要的結果，就必須要分析整套數據，必須進行規(guī)律性的識別。為了達到這個目標，CrypTIcs系統(tǒng)就用時間序列的統(tǒng)計分析技術配合機器學習算法來實現(xiàn)。

　　在極端簡單的單詞中，算法將會把特定的對象分配到每一種數據中，它們可以被一組描述其狀態(tài)的參數來表示。所有對象的連接集都由神經網絡使用Kohonen映射法來分析。這就讓算法解決了找出相似對象并將它們分組的問題。

　　2. 資本資產定價模型和風險評估

　　資本資產定價模型（CAPM）是一種用來評估金融資產利潤率的模型。這個模型的本質是假設存在一個高度流動性的資產市場，舉個例子，一種加密貨幣，它能得出結論，即所需的利潤金額并不是完全由當前資產的特定風險特征等級決定的，就像加密貨幣整體的利潤金額由一般風險特征決定那樣。

　　使用這個模型，并結合機器學習的方法，CrypTIcs就能夠以足夠高的準確度來實時分析某特定加密行為的盈利能力和風險了。

　　3. 集成學習者

　　使用集成學習者的基礎在于這樣一個想法，即在同一個數據樣本中學習幾個基本的對象，并使用不同對象的結果的聯(lián)合來預測后續(xù)更改的加密機制。這個方法的數學基礎就是十八世紀早期制定的陪審團審判定理。

　　根據這個定理，大多數參與者在經過分析后做出的決定最有可能是正確的。這就讓這個網絡能夠分析對匯率變化幾乎沒有影響的市場指標，并在這些指標的基礎上制定一個解決方案，這樣總數據樣本里的錯誤將小于分別應用每一個指標產生的錯誤。

　　4. Q-learning

　　Q-learning或者說強化學習，它能夠用反饋的方法改善神經網絡的表現(xiàn)。根據算法的結果，形成效用函數。關于這個功能的結果，該算法會接收到關于以往經驗的數據，這就可以排除故意丟失事件發(fā)展的某些細節(jié)。

　　當然，這只是機器學習冰山的一角，關于整個CrypTIcs子系統(tǒng)和在框架中使用的技術方法不可能在這一篇文章中概括。每一個有具體工具和公式、計算的廣泛話題和描述都需要很多篇幅來解釋。

　　使用機器學習工具能夠讓我們的產品大幅改善其算法的工作效果，從而對整個系統(tǒng)的效率提升產生積極的影響。


推薦閱讀：

如何驗證電流探頭的可靠性？ 
BMS系統(tǒng)如何做好電源和信號隔離 
火電廠dcs控制系統(tǒng) 
淺析USB 3.2接口升級后的改變