Что такое нечеткая логика?
Fuzzy Logic - это подход к обработке переменных, который позволяет обрабатывать несколько значений через одну переменную. Нечеткая логика пытается решить проблемы с открытым, неточным спектром данных, который позволяет получить массив точных выводов. Нечеткая логика предназначена для решения проблем с учетом всей доступной информации и принятия наилучшего возможного решения с учетом входных данных.
Ключевые вынос
- Нечеткая логика допускает более сложную обработку дерева решений и лучшую интеграцию с программированием на основе правил. Теоретически это дает подходу больше возможностей для имитации реальных обстоятельств. Количественные аналитики могут использовать нечеткую логику для улучшения выполнения своих алгоритмов.
Понимание нечеткой логики
Нечеткая логика проистекает из математического изучения нечетких понятий, которое также включает нечеткие наборы данных. Математики могут использовать различные термины, когда ссылаются на нечеткие понятия и нечеткий анализ. В широком и полном смысле эти термины классифицируются как нечеткая семантика.
На практике все эти конструкции допускают множественные значения «истинного» условия. Вместо того, чтобы True был численно эквивалентным 1, а False равным 0 (или наоборот), условием True может быть любое число значений меньше единицы и больше нуля. Это создает возможность для алгоритмов принимать решения на основе диапазонов ценовых данных, а не одной дискретной точки данных.
Соображения нечеткой логики
Нечеткая логика в ее самом основном смысле развивается посредством анализа типа дерева решений. Таким образом, в более широком масштабе он формирует основу для систем искусственного интеллекта, запрограммированных на основе правил.
Как правило, термин нечеткий относится к огромному числу сценариев, которые могут быть разработаны в системе дерева решений. Разработка протоколов нечеткой логики может потребовать интеграции программирования на основе правил. Эти правила программирования могут называться нечеткими множествами, поскольку они разрабатываются по усмотрению комплексных моделей.
Нечеткие множества также могут быть более сложными. В более сложных аналогиях программирования программисты могут иметь возможность расширять правила, используемые для определения включения и исключения переменных. Это может привести к более широкому диапазону вариантов с менее точным обоснованием на основе правил.
Нечеткая семантика в искусственном интеллекте
Концепция нечеткой логики и нечеткой семантики является центральным компонентом программирования решений для искусственного интеллекта. Решения и инструменты для искусственного интеллекта продолжают расширяться в экономике в целом ряде секторов, так как расширяются возможности программирования с помощью нечеткой логики.
IBM Watson - одна из самых известных систем искусственного интеллекта, использующая варианты нечеткой логики и нечеткой семантики. В частности, в финансовых услугах нечеткая логика используется в системах машинного обучения и технологий, поддерживающих результаты инвестиционной разведки.
В некоторых продвинутых торговых моделях интеграция математики с нечеткой логикой также может использоваться для помощи аналитикам в создании автоматических сигналов покупки и продажи. Эти системы помогают инвесторам реагировать на широкий спектр меняющихся рыночных переменных, которые влияют на их инвестиции.
В современных моделях торговли программным обеспечением системы могут использовать программируемые нечеткие наборы для анализа тысяч ценных бумаг в режиме реального времени и предоставления инвестору наилучшей доступной возможности. Нечеткая логика часто используется, когда трейдер стремится использовать несколько факторов для рассмотрения. Это может привести к сужению анализа торговых решений. Трейдеры могут также иметь возможность программировать различные правила для совершения сделок. Два примера включают следующее:
Правило 1: если скользящая средняя низкая, а индекс относительной силы низкий, то продавайте.
Правило 2: Если скользящая средняя высокая, а Индекс относительной силы высокий, то покупайте.
Нечеткая логика позволяет трейдеру запрограммировать свои собственные субъективные выводы на минимум и максимум в этих основных примерах для получения собственных автоматических торговых сигналов.
