Algoritmos De Predicción De Forex

SnowCron SnowCron algoritmo genético en sistemas de comercio de divisas utilizando Algoritmo genético para crear rentable estrategia de comercio de divisas. Algoritmo Genético en Cortex Redes Neuronales Software Feedforward Backpropagation Neural Network Aplicación para cálculos genéticos basados ​​en comercio de Forex. Este ejemplo utiliza conceptos e ideas del artículo anterior, por lo que lea el Algoritmo Genético de redes neuronales en FOREX Trading Systems en primer lugar, aunque no es obligatorio. Acerca de este texto En primer lugar, lea la cláusula de exención de responsabilidad. Este es un ejemplo de usar la funcionalidad de algoritmo genético del Software de redes neuronales de Cortex, no un ejemplo de cómo hacer negocios rentables. Yo no soy tu gurú, tampoco debería ser responsable de tus pérdidas. Cortex Neural Networks Software tiene redes neurales en él, y FFBP hemos discutido antes es sólo una forma de elegir una estrategia de comercio de divisas. Es una buena técnica, potente y cuando se aplica correctamente, muy prometedor. Sin embargo, tiene un problema - enseñar a la Red Neural. Necesitamos saber la salida deseada. Es bastante fácil de hacer cuando hacemos la aproximación de función, simplemente tomamos el valor real de una función, porque sabemos lo que debería ser. Cuando hacemos la predicción de redes neuronales. Utilizamos la técnica (descrita en artículos anteriores) de enseñar la Red Neural sobre la historia, de nuevo, si predecimos, digamos, un tipo de cambio, sabemos (durante el entrenamiento) cuál es la predicción correcta. Sin embargo, cuando estamos construyendo un sistema comercial, no tenemos idea de cuál es la decisión comercial correcta, incluso si sabemos el tipo de cambio. Como cuestión de hecho, tenemos muchas estrategias de compraventa de divisas que podemos utilizar en cualquier momento, y Necesitamos encontrar una buena - cómo ¿Qué debemos alimentar como la salida deseada de nuestra red neuronal Si siguió nuestro artículo anterior, usted sabe, que hemos engañado para hacer frente a este problema. Enseñamos a la Red Neural para hacer la predicción del tipo de cambio (o indicador basado en el tipo de cambio) y luego utilizamos esta predicción para hacer el comercio. Luego, fuera de la parte de la Red Neural del programa, tomamos una decisión sobre qué Red Neural es la mejor. Algoritmos genéticos pueden hacer frente a este problema directamente, pueden resolver el problema declarado como encontrar las mejores señales comerciales. En este artículo vamos a utilizar Cortex Neural Networks Software para crear un programa de este tipo. Usando el Algoritmo Genético Los Algoritmos Genéticos están muy bien desarrollados, y muy diversos. Si quieres aprender todo sobre ellos, te sugiero que utilices Wikipedia, ya que este artículo trata solo de lo que puede hacer el software de Redes Neuronales Cortex. Tener software de redes neuronales de corteza. Podemos crear una Red Neural que toma algo de entrada, digamos, los valores de un indicador, y produce algo de salida, digamos, señales comerciales (comprar, vender, mantener) y detener la pérdida / tomar los niveles de beneficios para las posiciones que se abren. Por supuesto, si sembramos estos pesos de la Red Neural al azar, los resultados comerciales serán terribles. Sin embargo, digamos que creamos una docena de tales NN. Entonces podemos probar el rendimiento de cada uno de ellos, y elegir el mejor, el ganador. Esta fue la primera generación de NNs. Para continuar a la segunda generación, tenemos que permitir que nuestro ganador para procrear, pero para evitar copias idénticas, vamos a añadir algún ruido al azar a sus pesos descententes. En la segunda generación, tenemos a nuestro ganador de primera generación ya sus copias imperfectas (mutadas). Vamos a hacer las pruebas de nuevo. Tendremos otro ganador, que es MEJOR entonces cualquier otra Red Neural en la generación. Y así. Simplemente permitimos que los ganadores se reproduzcan y eliminen a los perdedores, al igual que en la evolución de la vida real, y obtendremos nuestra Red Neural de mejor comercio. Sin ningún conocimiento previo sobre lo que debe ser el sistema comercial (algoritmo genético). Algoritmo Genético de Red Neural: Ejemplo 0 Este es el primer ejemplo de algoritmo genético. Y una muy simple. Vamos a caminar paso a paso para aprender todos los trucos que usarán los siguientes ejemplos. El código tiene comentarios en línea, así que solo debemos enfocar momentos clave. En primer lugar, hemos creado una red neuronal. Está utilizando pesos al azar, y todavía no se enseñó. Luego, en ciclo, hacemos 14 copias de la misma, usando MUTATIONNN fumction. Esta función hace una copia de una red neuronal de origen. Añadiendo valores aleatorios de 0 a (en nuestro caso) 0,1 a todos los pesos. Mantenemos las manijas a 15 NNs resultantes en una matriz, podemos hacerlo, ya que handle es sólo un número entero. La razón por la que usamos 15 NNs no tiene nada que ver con el comercio: Cortex Neural Networks Software puede trazar hasta 15 líneas en un gráfico simultáneamente. Podemos utilizar diferentes enfoques para la prueba. En primer lugar, podemos utilizar el conjunto de aprendizaje, todo de una vez. En segundo lugar, podemos probar, por ejemplo, 12000 resordes (de 100000), y caminar a través del conjunto de aprendizaje, desde el principio hasta el final. Esto hará que los conocimientos sean diferentes, ya que buscaremos redes neuronales que sean rentables en cualquier parte de los datos, no sólo en el conjunto. El segundo enfoque puede darnos problemas, si los datos cambian, desde el principio hasta el final. A continuación, la red evolucionará, obteniendo la capacidad de negociar al final del conjunto de datos, y la pérdida de la capacidad de comercio en su inicio. Para resolver ese problema, vamos a tomar 12000 registros aleatorios fragmentos de datos, y lo alimentan a la Red Neural. Es simplemente un ciclo sin fin, ya que 100000 ciclos nunca serán alcanzados a nuestra velocidad. A continuación, agregamos un niño por cada red, con pesos ligeramente diferentes. Tenga en cuenta, que 0,1 para mutación tange no es la única opción, como cuestión de hecho, incluso este parámetro puede ser optimizado mediante el algoritmo genético. Los NNs recién creados se añaden después de los ya existentes. De esta manera tenemos 30 NNs en una matriz, 15 viejos y 15 nuevos. Luego vamos a hacer el siguiente ciclo de pruebas, y matar a los perdedores, de ambas generaciones. Para hacer las pruebas, aplicamos la Red Neural a nuestros datos, para producir salidas, y luego llamar a la función de prueba, que utiliza estas salidas para simular el comercio. Los resultados de la negociación se utilizan para deside, que NNs son los mejores. Utilizamos un intervalo de registros nLearn, desde nStart hasta nStart nLearn, donde nStart es un punto aleatorio dentro del conjunto de aprendizaje. El siguiente código es un truco. La razón por la que lo usamos es para ilustrar el hecho de que el algoritmo genético puede crear algoritmos genéticos. Pero no necesariamente será el mejor, y también, para sugerir, que podemos mejorar el resultado, si implicamos algunas limitaciones al proceso de aprendizaje. Es posible, que nuestro sistema de comercio funciona muy bien en los oficios largos, y muy pobre en corto, o viceversa. Si, por ejemplo, las operaciones largas son MUY buenas, este algoritmo genético puede ganar, incluso con grandes pérdidas en operaciones cortas. Para evitarlo, asignamos más peso a las operaciones largas en operaciones impares y cortas en ciclos pares. Esto es sólo un ejemplo, no hay garantía, que mejorará algo. Más abajo, en la discusión sobre correcciones. Técnicamente, usted no tiene que hacerlo, o puede hacerlo de manera diferente. Añada beneficios a una matriz ordenada. Devuelve una posición de inserción, entonces usamos esta posición para agregar el identificador de red neuronal, aprendiendo y probando beneficios a arrays no ordenados. Ahora tenemos datos para la red neuronal actual en el mismo índice de matriz que su beneficio. La idea es llegar a la matriz de NNs, ordenados por la rentabilidad. Dado que la matriz se clasifica por beneficios, para eliminar la mitad de las redes, que son menos rentables, sólo tenemos que quitar NNs 0 a 14 Las decisiones comerciales se basan en el valor de la señal de red neuronal, desde este punto de vista el programa es idéntico a Ejemplos del artículo anterior. FOREX Trading Strategy: Discusión del ejemplo 0 En primer lugar, echemos un vistazo a los gráficos. El primer gráfico de ganancia durante la primera iteración no es bueno en absoluto, como era de esperar, la Red Neural pierde dinero (image evolution00gen0.png copiada después de la primera iteración de la carpeta de imágenes): La imagen para obtener ganancias en el ciclo 15 es mejor, a veces , El algoritmo genético puede aprender muy rápido: Sin embargo, observe la saturación en una curva de beneficio. Es interesante también mirar la forma en que los beneficios individuales cambian, teniendo en cuenta, que el número de la curva, por ejemplo, 3 no es siempre para la misma Red Neural. Ya que están naciendo y terminó todo el tiempo: También tenga en cuenta, que poco forex sistema de comercio automatizado realiza pobres en operaciones cortas, y mucho mejor en largos, que pueden o no estar relacionados con el hecho de que el dólar estaba cayendo en comparación con Euros durante ese período. También puede tener algo que ver con los parámetros de nuestro indicador (tal vez, necesitamos período diferente para los cortos) o la elección de los indicadores. Aquí está la historia después de 92 y 248 ciclos: Para nuestra sorpresa, el algoritmo genético falló completamente. Vamos a tratar de averiguar por qué, y cómo ayudar a la situación. En primer lugar, no cada generación se supone que es mejor que el previuos La respuesta es no, al menos no dentro del modelo que utilizamos. Si tomamos ENTIRE el aprendizaje fijado de una vez, y lo usamos repetidamente para enseñar a nuestros NNs, entonces sí, ellos mejorarán en cada generación. Pero en su lugar, tomamos fragmentos aleatorios (12000 registros en el tiempo), y los usamos. Dos preguntas: ¿por qué el sistema fracasó en fragmentos aleatorios del conjunto de aprendizaje, y por qué no hemos utilizado conjunto de aprendizaje conjunto Bueno. Para responder a la segunda pregunta, lo hice. NNs se desempeñó mucho - en el conjunto de aprendizaje. Y no en el conjunto de pruebas, por la misma razón que falla cuando utilizamos FFPB aprendizaje. Para decirlo de otra manera, nuestros NNs se sobre-especializados, aprendieron a sobrevivir en el ambiente al que están acostumbrados, pero no fuera de él. Esto sucede mucho en la naturaleza. El enfoque que tomamos en su lugar fue la intención de compensar eso, al obligar a NNs a realizar buenos en cualquier fragmento al azar del conjunto de datos, por lo que esperamos, también podría realizar en un conjunto de pruebas desconocido. En su lugar, fallaron en las pruebas y en el conjunto de aprendizaje. Imagínense animales, viviendo en un desierto. Un montón de sol, no hay nieve en absoluto. Este es un metafor para rizing mercado, como para nuestros datos NNs desempeñar el papel del medio ambiente. Los animales aprendieron a vivir en un desierto. Imagínense animales, que viven en un clima frío. Nieve y no hay sol. Bueno, se ajustaron. Sin embargo, en nuestro experimento, colocamos aleatoriamente nuestras NN en un desierto, en la nieve, en el agua, en los árboles. Presentándolos con diferentes fragmentos de datos (aleatoriamente subiendo, bajando, planos). Los animales murieron. O, para decirlo de otra manera, hemos seleccionado la mejor red neuronal para el conjunto de datos aleatorios 1, que, digamos, era para el mercado en alza. Luego presentamos, a los ganadores ya sus hijos, una caída de los datos de los mercados. NNs se desempeñó mal, que tomó mejor de los artistas pobres, tal vez, uno de los niños mutantes, que perdió la capacidad de negociar en el mercado en alza, pero tiene cierta capacidad para hacer frente a la caída de uno. Entonces volvimos la mesa otra vez, y otra vez, conseguimos el mejor ejecutante - pero el mejor entre los ejecutantes pobres. Simplemente no dimos a nuestros NNs ninguna posibilidad de convertirse en universal. Hay técnicas que permiten que el algoritmo genético aprenda nueva información sin perder el rendimiento en la información antigua (después de todo, los animales pueden vivir en verano y en invierno, así que la evolución es capaz de manejar los cambios repetitivos). Podemos discutir estas técnicas más adelante, aunque este artículo es más sobre el uso de Cortex Neural Networks Software. Que sobre la construcción de un exitoso sistema de comercio automatizado forex. Algoritmo Genético de la Red Neural: Ejemplo 1 Ahora es el momento de hablar sobre las correcciones. Un algoritmo genético simple que creamos durante el paso anterior tiene dos defectos importantes. En primer lugar, fracasó en el comercio con el beneficio. Está bien, podemos intentar utilizar un sistema parcialmente entrenado (fue rentable al principio). El segundo defecto es más grave: no tenemos control sobre las cosas, que este sistema hace. Por ejemplo, puede aprender a ser rentable, pero con grandes reducciones. Es un hecho bien conocido, que en la vida real, la evolución puede optimizar más de un parámetro simultáneamente. Por ejemplo, podemos obtener un animal, que puede correr rápido y ser resistente al frío. ¿Por qué no intentar hacer lo mismo en nuestro sistema de comercio automatizado forex. Eso es cuando usamos correcciones, que no son más que el conjunto de castigos adicionales. Digamos, nuestro sistema negocia con drawdown 0.5, mientras que queremos confirmarlo a 0 - 0.3 intervalo. Para decirle al sistema que cometió un error, disminuimos su beneficio (uno usado para determinar, que algoritmo genético ganó) hasta el grado, que es proporcional al tamaño de DD. Entonces, el algoritmo de evolución cuida el resto. Hay pocos factores más, que queremos tener en cuenta: podemos querer tener más o menos el mismo número de operaciones de compra y venta, queremos tener más operaciones rentables, luego de fracasos, tal vez queramos que el gráfico de ganancias Ser lineal y así sucesivamente. En evolution01.tsc implementamos un conjunto simple de correcciones. En primer lugar, utilizamos un gran número para un valor de corrección inicial. Lo multiplicamos a un valor pequeño (usualmente, entre 0 y 1), dependiendo del castigo que queramos aplicar. Entonces multiplicamos nuestro beneficio a esta corrección. Como resultado, el beneficio es corregido, para reflejar cuánto el algoritmo genético corresponde a nuestros otros criterios. Luego usamos el resultado para encontrar una red neuronal ganadora. FOREX Trading Strategy: Discutir el ejemplo 1 El ejemplo 1 funciona mucho mejor que el ejemplo 0. Durante los primeros 100 ciclos, aprendió mucho y los gráficos de beneficios parecen tranquilizadores. Sin embargo, como en el ejemplo 0, las operaciones largas son mucho más rentables, lo que probablemente significa que hay un problema en nuestro enfoque. Sin embargo, el sistema encontró un equilibrio entre un par de condiciones iniciales contradictorias: Hay una dinámica positiva tanto en el conjunto de aprendizaje y, más importante, en el conjunto de pruebas. En cuanto al aprendizaje adicional, en el ciclo 278 podemos ver, que nuestro sistema se sobreentrenó. Significa, todavía tenemos progreso en el sistema de aprendizaje: Pero el conjunto de pruebas muestra debilidad: Este es un problema común con NNs: cuando lo enseñamos en el conjunto de aprendizaje, aprende a tratar con él, ya veces, aprende demasiado bien - a la Grado, cuando pierde el rendimiento en el conjunto de pruebas. Para hacer frente a ese problema, se utiliza una solución tradicional: seguimos buscando la Red Neural. Que funciona mejor en el conjunto de pruebas, y guardarlo, sobrescribiendo el anterior mejor, cada vez que se alcanza un nuevo pico. Este es el mismo enfoque, que usamos en el entrenamiento FFBP, excepto, esta vez tenemos que hacerlo nosotros mismos (añadir código, que busca una mejor red neuronal en un conjunto de pruebas, y llamando a SAVENN, o la exportación de pesos de la red neuronal a un archivo). De esta manera, cuando deje de entrenar, tendrá el mejor intérprete en el juego de prueba guardado y esperando por usted. Tenga en cuenta también, que no es el máx. Beneficio que buscas, pero el rendimiento óptimo, por lo que considerar el uso de correcciones, cuando se busca un mejor desempeño en un conjunto de pruebas. Algoritmo genético para FOREX Análisis técnico: ¿Dónde ahora? Después de obtener su ganador Neural Network. Puede seguir los pasos, descritos en el artículo anterior, para exportar pesos de esa Red Neural. Y luego utilizarlos en su plataforma de comercio en tiempo real, como Meta Trader, Trade Station y así sucesivamente. Alternativamente, puede centrarse en otras formas de optimizar la Red Neural. A diferencia del algoritmo FFBP, aquí puede obtener avay de usar conjuntos de aprendizaje y pruebas y mover el aprendizaje secuencial. Descargar Cortex Order Cortex Ver lista de precios La visibilidad es muy importante para este sitio. Si te gusta por favor enlace a esta URL Cómo funciona El objetivo principal de Forex-Forecasting es proporcionar predicciones diarias e intra-día de alta calidad de los precios de mercado FOREX. Recibirá predicciones de divisas en formato de tabla / gráfico, basadas en cinco períodos de tiempo diferentes (5 y 15 minutos, 1 hora, 1 día y 1 mes) junto con las señales de compra / venta apropiadas. Forex-Forecasting utiliza algoritmos de predicción inicialmente desarrollados para la previsión de stock y adaptados para el mercado Forex. Servicios: Puede acceder a nuestro servicio de dos maneras: En línea a través de nuestro sitio web. Una vez que hayas creado una cuenta, recibirás acceso al panel de control ya las herramientas que tengamos que ofrecer. Usando su software favorito, como Metastock, Metatrader y otros. Youll necesidad de descargar e instalar el plugin Forex-Forecasting. A continuación, puede utilizar nuestras predicciones en conjunto con las fórmulas y algoritmos de negociación que ya utiliza. El concepto: Muchas muestras de las tendencias de la moneda tienen una onda (o una estructura no periódica, oscilante). Esto puede representarse matemáticamente como una combinación del número de armónicos con frecuencias desconocidas, cambiantes y las tendencias amplitudes. Por lo tanto, la información sobre estos armónicos es muy útil tanto para predicciones de series temporales (predicciones de precios de mercado) como para soporte de decisiones (consejos de compra / venta). Sin embargo, no se pueden utilizar métodos analíticos ordinarios para separar los armónicos de los parámetros variables. Hemos desarrollado un método de previsión especial para series temporales económicas basadas en nuestra tecnología innovadora y única. Central a nuestro método es la descomposición de la tendencia y los componentes oscilatorios de la serie de tiempo con la ayuda de filtros digitales. Esta técnica adaptativa especial, basada en redes neuronales, se utiliza para actualizar nuestros modelos y detectar los días en que la serie cronológica cambia sus propiedades (nuestro know-how). En contraste con otros métodos, nuestra técnica puede identificar tendencias a largo plazo y oscilaciones con frecuencias cambiantes, mientras que proporciona resultados mucho más convenientes que, por ejemplo, un análisis de Fourier. IEEE Taller Internacional sobre Adquisición Inteligente de Datos y Sistemas Informáticos Avanzados: Tecnología y Aplicaciones 6-8 de septiembre de 2007, Dortmund, Alemania 58a Conferencia Económica Atlántica Internacional, Chicago, Illinois, 7-10 de octubre, 2004Utilizando Algoritmos Genéticos Para Predecir Mercados Financieros Loading the player. Burton sugirió en su libro A Random Walk Down Wall Street (1973) que un mono con los ojos vendados lanzando dardos en las páginas de los periódicos financieros podría seleccionar una cartera que haría tan bien como una cuidadosamente seleccionada por expertos. Mientras que la evolución pudo haber hecho al hombre no más inteligente en la selección de las existencias, la teoría de Charles Darwins tiene absolutamente eficaz cuando se aplica más directamente. Algoritmos genéticos (GAs) son métodos de resolución de problemas (o heurística) que imitan el proceso de la evolución natural. A diferencia de las redes neuronales artificiales (RNAs), diseñadas para funcionar como neuronas en el cerebro, estos algoritmos utilizan los conceptos de selección natural para determinar la mejor solución para un problema. Como resultado, los AG se usan comúnmente como optimizadores que ajustan los parámetros para minimizar o maximizar alguna medida de retroalimentación, que puede utilizarse de forma independiente o en la construcción de una ANN. En los mercados financieros. Los algoritmos genéticos son más comúnmente utilizados para encontrar los mejores valores de combinación de parámetros en una regla comercial, y pueden ser incorporados en los modelos de ANN diseñados para recoger acciones e identificar los oficios. Varios estudios han demostrado que estos métodos pueden resultar eficaces, incluyendo los algoritmos genéticos: Genesis of Stock Evaluation (2004) por Rama, y ​​The Applications of Genetic Algorithms in Stock Market Data Mining Optimization (2004) por Lin, Cao, Wang, Zhang. (Para obtener más información sobre ANN, consulte Redes neuronales: Pronóstico de beneficios.) Cómo funcionan los algoritmos genéticos Los algoritmos genéticos se crean matemáticamente utilizando vectores, que son cantidades que tienen dirección y magnitud. Los parámetros para cada regla comercial se representan con un vector unidimensional que puede ser considerado como un cromosoma en términos genéticos. Mientras tanto, los valores utilizados en cada parámetro pueden ser considerados como genes, que luego se modifican mediante la selección natural. Por ejemplo, una regla comercial puede implicar el uso de parámetros como Moving Average Convergence-Divergence (MACD). Promedio móvil exponencial (EMA) y estocástico. Un algoritmo genético entonces introduciría valores en estos parámetros con el objetivo de maximizar el beneficio neto. Con el tiempo, se introducen pequeños cambios y aquellos que producen un impacto deseable se mantienen para la siguiente generación. Hay tres tipos de operaciones genéticas que pueden ser realizadas: Los cruces representan la reproducción y el cruce biológico visto en la biología, por el cual un niño asume ciertas características de sus padres. Las mutaciones representan la mutación biológica y se utilizan para mantener la diversidad genética de una generación de una población a la siguiente mediante la introducción de pequeños cambios al azar. Las selecciones son la etapa en la que los genomas individuales se eligen de una población para la cría posterior (recombinación o crossover). Estos tres operadores se utilizan entonces en un proceso de cinco pasos: Inicializar una población aleatoria, donde cada cromosoma es n-longitud, siendo n el número de parámetros. Es decir, se establece un número aleatorio de parámetros con n elementos cada uno. Seleccione los cromosomas, o parámetros, que aumentan los resultados deseables (presumiblemente el beneficio neto). Aplique los operadores de mutación o crossover a los padres seleccionados y genere un descendiente. Recombinar la descendencia y la población actual para formar una nueva población con el operador de selección. Repita los pasos dos a cuatro. Con el tiempo, este proceso dará como resultado cromosomas (o parámetros) cada vez más favorables para su uso en una regla comercial. El proceso se termina cuando se cumple un criterio de parada, que puede incluir el tiempo de ejecución, la aptitud, el número de generaciones u otros criterios. Usando algoritmos genéticos en el comercio Mientras que los algoritmos genéticos son utilizados principalmente por los comerciantes cuantitativos institucionales. Los comerciantes individuales pueden aprovechar el poder de los algoritmos genéticos - sin un grado en matemáticas avanzadas - utilizando varios paquetes de software en el mercado. Estas soluciones van desde paquetes de software independientes orientados hacia los mercados financieros hasta complementos de Microsoft Excel que pueden facilitar más análisis prácticos. Al utilizar estas aplicaciones, los comerciantes pueden definir un conjunto de parámetros que luego se optimizan utilizando un algoritmo genético y un conjunto de datos históricos. Algunas aplicaciones pueden optimizar qué parámetros se utilizan y los valores para ellos, mientras que otros se centran principalmente en simplemente optimizar los valores para un conjunto dado de parámetros. (Para obtener más información sobre estas estrategias derivadas del programa, consulte El poder de las operaciones del programa.) Consejos y trucos importantes de optimización El ajuste de curvas (sobre ajuste), diseñar un sistema comercial alrededor de datos históricos en lugar de identificar el comportamiento repetible, algoritmos genéticos. Cualquier sistema comercial que utilice GAs debe ser probado en el papel antes del uso en vivo. La elección de parámetros es una parte importante del proceso, y los comerciantes deben buscar parámetros que se correlacionen con los cambios en el precio de un determinado valor. Por ejemplo, probar diferentes indicadores y ver si alguno parece correlacionarse con las principales vueltas del mercado. Los algoritmos genéticos son formas únicas de resolver problemas complejos aprovechando el poder de la naturaleza. Mediante la aplicación de estos métodos para predecir los precios de los valores, los operadores pueden optimizar las reglas de negociación mediante la identificación de los mejores valores a utilizar para cada parámetro para un determinado valor. Sin embargo, estos algoritmos no son el Santo Grial, y los comerciantes deben tener cuidado de elegir los parámetros adecuados y no ajuste de la curva (sobre ajuste). (Para leer más sobre el mercado, echa un vistazo a escuchar el mercado, no es su Pundits.)