இயந்திர கற்றல் வர்த்தகம்

1. இயந்திர கற்றல் வர்த்தகம்

இயந்திர கற்றல் வர்த்தகம் என்பது நிதிச் சந்தைகளில் வர்த்தக முடிவுகளை எடுக்க இயந்திர கற்றல் (Machine Learning) வழிமுறைகளைப் பயன்படுத்தும் ஒரு முறையாகும். இது பாரம்பரிய வர்த்தக முறைகளை விட மேம்பட்ட கணிப்புத் திறன் மற்றும் தானியங்கு வர்த்தக வாய்ப்புகளை வழங்குகிறது. பைனரி ஆப்ஷன் வர்த்தகத்தில் இது ஒரு முக்கியமான கருவியாக உருவெடுத்துள்ளது.

அறிமுகம்

சமீபத்திய ஆண்டுகளில், தரவு அறிவியல் மற்றும் செயற்கை நுண்ணறிவு (Artificial Intelligence) துறைகளில் ஏற்பட்ட வளர்ச்சியால், இயந்திர கற்றல் வர்த்தகம் பிரபலமடைந்து வருகிறது. பெரிய அளவிலான நிதித் தரவுகளை பகுப்பாய்வு செய்து, சந்தை போக்குகளை கண்டறிந்து, லாபகரமான வர்த்தக வாய்ப்புகளை அடையாளம் காண இயந்திர கற்றல் வழிமுறைகள் உதவுகின்றன. பைனரி ஆப்ஷன் வர்த்தகத்தில், இந்தத் தொழில்நுட்பம் துல்லியமான கணிப்புகளைச் செய்வதற்கும், ஆபத்தை குறைப்பதற்கும், வருமானத்தை அதிகரிப்பதற்கும் பயன்படுகிறது.

இயந்திர கற்றலின் அடிப்படைகள்

இயந்திர கற்றல் என்பது, தரவுகளிலிருந்து தானாகவே கற்றுக்கொண்டு, புதிய தரவுகளுக்கு ஏற்ப தன்னை மாற்றிக்கொள்ளும் கணினி அமைப்புகளை உருவாக்குவதாகும். இயந்திர கற்றலில் பல வகைகள் உள்ளன, அவை ஒவ்வொன்றும் வெவ்வேறு வகையான சிக்கல்களைத் தீர்க்கப் பயன்படுகின்றன. பைனரி ஆப்ஷன் வர்த்தகத்தில் பொதுவாகப் பயன்படுத்தப்படும் சில இயந்திர கற்றல் வழிமுறைகள் கீழே கொடுக்கப்பட்டுள்ளன:

• மேற்பார்வையிடப்பட்ட கற்றல் (Supervised Learning): இந்த முறையில், பயிற்சி தரவுகள் உள்ளீடு மற்றும் வெளியீடு ஜோடிகளாக வழங்கப்படுகின்றன. வழிமுறை இந்தத் தரவுகளிலிருந்து ஒரு மாதிரியை உருவாக்கி, புதிய உள்ளீடுகளுக்கு சரியான வெளியீடுகளைக் கணிக்கப் பயன்படுகிறது. எடுத்துக்காட்டாக, வரலாற்று சந்தை தரவுகளைப் பயன்படுத்தி, ஒரு குறிப்பிட்ட காலத்திற்குப் பிறகு ஒரு சொத்தின் விலை உயருமா அல்லது குறையுமா என்பதை கணிக்கலாம். பின்னடைவுப் பகுப்பாய்வு (Regression Analysis) மற்றும் வகைப்பாடு (Classification) ஆகியவை மேற்பார்வையிடப்பட்ட கற்றலின் பொதுவான நுட்பங்களாகும்.
• மேற்பார்வையிடப்படாத கற்றல் (Unsupervised Learning): இந்த முறையில், பயிற்சி தரவுகளில் வெளியீடுகள் வழங்கப்படுவதில்லை. வழிமுறை தரவுகளில் உள்ள வடிவங்கள் மற்றும் தொடர்புகளை தானாகவே கண்டறிய வேண்டும். எடுத்துக்காட்டாக, சந்தை தரவுகளை குழுக்களாகப் பிரிக்கலாம் (clustering) அல்லது பரிமாண குறைப்பு (dimensionality reduction) நுட்பங்களைப் பயன்படுத்தி தரவுகளின் சிக்கலைக் குறைக்கலாம். குழு பகுப்பாய்வு (Cluster Analysis) மற்றும் முதன்மை கூறு பகுப்பாய்வு (Principal Component Analysis) ஆகியவை மேற்பார்வையிடப்படாத கற்றலின் பொதுவான நுட்பங்களாகும்.
• வலுவூட்டல் கற்றல் (Reinforcement Learning): இந்த முறையில், ஒரு முகவர் (agent) ஒரு சூழலில் (environment) செயல்பட்டு, அதன் செயல்களுக்கு வெகுமதிகளைப் (rewards) பெறுகிறது. முகவர் வெகுமதிகளை அதிகரிக்க கற்றுக்கொள்கிறது. பைனரி ஆப்ஷன் வர்த்தகத்தில், ஒரு முகவர் வர்த்தக முடிவுகளை எடுக்கவும், சந்தை பதிலுக்கு வெகுமதிகளைப் பெறவும் பயிற்சி அளிக்கப்படலாம். Q- கற்றல் (Q-Learning) மற்றும் ஆழமான Q- நெட்வொர்க் (Deep Q-Network) ஆகியவை வலுவூட்டல் கற்றலின் பொதுவான நுட்பங்களாகும்.

பைனரி ஆப்ஷன் வர்த்தகத்தில் இயந்திர கற்றலின் பயன்பாடுகள்

இயந்திர கற்றல் பைனரி ஆப்ஷன் வர்த்தகத்தில் பல வழிகளில் பயன்படுத்தப்படுகிறது:

• விலை முன்னறிவிப்பு (Price Prediction): வரலாற்று சந்தை தரவுகளைப் பயன்படுத்தி, எதிர்கால விலைகளை கணிக்க இயந்திர கற்றல் வழிமுறைகள் பயன்படுகின்றன. நேரத் தொடர் பகுப்பாய்வு (Time Series Analysis) மற்றும் நரம்பியல் வலைப்பின்னல்கள் (Neural Networks) போன்ற நுட்பங்கள் விலை முன்னறிவிப்புக்கு மிகவும் பயனுள்ளதாக இருக்கும்.
• ஆபத்து மேலாண்மை (Risk Management): இயந்திர கற்றல், வர்த்தகத்தில் உள்ள ஆபத்தை மதிப்பிடுவதற்கும், குறைப்பதற்கும் உதவுகிறது. போர்ட்ஃபோலியோ தேர்வுமுறை (Portfolio Optimization) மற்றும் ஆபத்து மதிப்பீடு (Risk Assessment) போன்ற நுட்பங்கள் ஆபத்து மேலாண்மைக்கு முக்கியமானவை.
• தானியங்கு வர்த்தகம் (Automated Trading): இயந்திர கற்றல் வழிமுறைகள் தானாகவே வர்த்தக முடிவுகளை எடுக்கவும், வர்த்தகங்களை செயல்படுத்தவும் பயன்படுத்தப்படலாம். இது மனித தலையீடு இல்லாமல் வர்த்தகம் செய்ய உதவுகிறது. அல்காரிதமிக் வர்த்தகம் (Algorithmic Trading) என்பது தானியங்கு வர்த்தகத்தின் ஒரு பொதுவான வடிவமாகும்.
• மோசடி கண்டறிதல் (Fraud Detection): இயந்திர கற்றல், மோசடியான வர்த்தக நடவடிக்கைகளை அடையாளம் காண உதவுகிறது. அசாதாரண நடத்தை கண்டறிதல் (Anomaly Detection) மற்றும் தரவு சுரங்கம் (Data Mining) போன்ற நுட்பங்கள் மோசடி கண்டறிதலுக்குப் பயன்படுகின்றன.

தரவு சேகரிப்பு மற்றும் தயாரிப்பு

இயந்திர கற்றல் மாதிரிகளை உருவாக்குவதற்கு தரவு மிகவும் முக்கியமானது. பைனரி ஆப்ஷன் வர்த்தகத்தில் பயன்படுத்தப்படும் தரவு பின்வருமாறு:

• வரலாற்று சந்தை தரவு (Historical Market Data): இது கடந்த கால விலைகள், பரிமாற்ற அளவு மற்றும் பிற சந்தை குறிகாட்டிகளை உள்ளடக்கியது.
• தொழில்நுட்ப குறிகாட்டிகள் (Technical Indicators): நகரும் சராசரி (Moving Average), சார்பு வலிமை குறியீடு (Relative Strength Index - RSI) மற்றும் MACD (Moving Average Convergence Divergence) போன்ற தொழில்நுட்ப குறிகாட்டிகள் சந்தை போக்குகளை அடையாளம் காண உதவுகின்றன.
• அடிப்படை தரவு (Fundamental Data): இது நிறுவனத்தின் நிதி அறிக்கைகள், பொருளாதார தரவு மற்றும் பிற அடிப்படை காரணிகளை உள்ளடக்கியது.
• சமூக ஊடக தரவு (Social Media Data): சமூக ஊடக பகுப்பாய்வு (Social Media Analysis) மூலம் சந்தை உணர்வுகளை அறியலாம்.

தரவு சேகரித்த பிறகு, அதை இயந்திர கற்றல் மாதிரிகளுக்கு ஏற்ற வடிவத்தில் தயார் செய்ய வேண்டும். இது தரவு சுத்தம் செய்தல் (Data Cleaning), தரவு மாற்றம் (Data Transformation) மற்றும் தரவு குறைப்பு (Data Reduction) ஆகியவற்றை உள்ளடக்கியது.

பிரபலமான இயந்திர கற்றல் வழிமுறைகள்

பைனரி ஆப்ஷன் வர்த்தகத்தில் பயன்படுத்தப்படும் சில பிரபலமான இயந்திர கற்றல் வழிமுறைகள்:

• லாஜிஸ்டிக் பின்னடைவு (Logistic Regression): இது ஒரு வகைப்பாடு வழிமுறை, இது ஒரு நிகழ்வு நிகழ வாய்ப்பை கணிக்கப் பயன்படுகிறது.
• ஆதரவு திசையன் இயந்திரங்கள் (Support Vector Machines - SVM): இது ஒரு வகைப்பாடு மற்றும் பின்னடைவு வழிமுறை, இது தரவுகளை வெவ்வேறு வகுப்புகளாகப் பிரிக்கிறது.
• முடிவெடுக்கும் மரங்கள் (Decision Trees): இது ஒரு வகைப்பாடு மற்றும் பின்னடைவு வழிமுறை, இது தரவுகளைப் பிரித்து முடிவுகளை எடுக்கப் பயன்படுகிறது.
• ரேண்டம் ஃபாரஸ்ட் (Random Forest): இது பல முடிவெடுக்கும் மரங்களின் தொகுப்பாகும், இது துல்லியமான கணிப்புகளை வழங்குகிறது.
• நரம்பியல் வலைப்பின்னல்கள் (Neural Networks): இது மனித மூளையின் செயல்பாட்டைப் பிரதிபலிக்கும் ஒரு சிக்கலான வழிமுறை, இது சிக்கலான தரவு வடிவங்களை அடையாளம் காண உதவுகிறது. ஆழமான கற்றல் (Deep Learning) என்பது நரம்பியல் வலைப்பின்னல்களின் ஒரு மேம்பட்ட வடிவமாகும்.
• மறைக்கப்பட்ட மார்கோவ் மாதிரிகள் (Hidden Markov Models - HMM): இது தொடர்ச்சியான தரவுகளை பகுப்பாய்வு செய்யப் பயன்படும் ஒரு புள்ளிவிவர மாதிரி.

பைனரி ஆப்ஷன் வர்த்தகத்தில் பயன்படுத்தப்படும் இயந்திர கற்றல் வழிமுறைகள்

வழிமுறை

பயன்பாடு

நன்மைகள்

தீமைகள்

லாஜிஸ்டிக் பின்னடைவு

விலை முன்னறிவிப்பு, ஆபத்து மதிப்பீடு

எளிமையானது, வேகமானது

நேரியல் தொடர்புகளை மட்டுமே கையாள முடியும்

ஆதரவு திசையன் இயந்திரங்கள்

விலை முன்னறிவிப்பு, வகைப்பாடு

உயர் பரிமாண தரவுகளை கையாள முடியும்

பயிற்சிக்கு அதிக நேரம் தேவைப்படலாம்

முடிவெடுக்கும் மரங்கள்

வர்த்தக உத்திகளை உருவாக்குதல்

எளிதில் விளக்கக்கூடியது

அதிக பொருத்தம் (overfitting) ஏற்பட வாய்ப்பு உள்ளது

ரேண்டம் ஃபாரஸ்ட்

விலை முன்னறிவிப்பு, ஆபத்து மேலாண்மை

துல்லியமானது, அதிக பொருத்தம் ஏற்படுவதைத் தவிர்க்கிறது

விளக்க கடினமானது

நரம்பியல் வலைப்பின்னல்கள்

சிக்கலான சந்தை போக்குகளை கண்டறிதல்

உயர் துல்லியம்

பயிற்சிக்கு அதிக தரவு மற்றும் கணினி சக்தி தேவை

மறைக்கப்பட்ட மார்கோவ் மாதிரிகள்

நேரத் தொடர் தரவு பகுப்பாய்வு

தொடர்ச்சியான தரவுகளை கையாள முடியும்

மாதிரியை உருவாக்குவது கடினம்

சவால்கள் மற்றும் வரம்புகள்

இயந்திர கற்றல் வர்த்தகத்தில் பல நன்மைகள் இருந்தாலும், சில சவால்கள் மற்றும் வரம்புகள் உள்ளன:

• தரவு தரம் (Data Quality): தரவு தவறானதாகவோ அல்லது முழுமையற்றதாகவோ இருந்தால், இயந்திர கற்றல் மாதிரிகளின் துல்லியம் பாதிக்கப்படலாம்.
• அதிக பொருத்தம் (Overfitting): மாதிரி பயிற்சி தரவுகளுக்கு மிகவும் பொருத்தமாக இருந்தால், புதிய தரவுகளுக்கு சரியாக கணிக்க முடியாது.
• மாதிரி விளக்கம் (Model Interpretability): சில இயந்திர கற்றல் மாதிரிகள், குறிப்பாக நரம்பியல் வலைப்பின்னல்கள், எவ்வாறு முடிவுகளை எடுக்கின்றன என்பதைப் புரிந்துகொள்வது கடினம்.
• சந்தை மாற்றம் (Market Change): சந்தை நிலைமைகள் மாறும்போது, இயந்திர கற்றல் மாதிரிகள் காலாவதியாகிவிடும்.
• கணினி சக்தி (Computational Power): சிக்கலான இயந்திர கற்றல் மாதிரிகளுக்கு அதிக கணினி சக்தி தேவைப்படலாம்.

எதிர்கால போக்குகள்

இயந்திர கற்றல் வர்த்தகத்தின் எதிர்காலம் மிகவும் நம்பிக்கைக்குரியதாக உள்ளது. சில முக்கிய எதிர்கால போக்குகள்:

• ஆழமான கற்றல் (Deep Learning): ஆழமான கற்றல் மாதிரிகள் சிக்கலான தரவு வடிவங்களை அடையாளம் காணும் திறனைக் கொண்டுள்ளன.
• வலுவூட்டல் கற்றல் (Reinforcement Learning): வலுவூட்டல் கற்றல், தானியங்கு வர்த்தக உத்திகளை மேம்படுத்த உதவும்.
• இயற்கை மொழி செயலாக்கம் (Natural Language Processing - NLP): செய்தி கட்டுரைகள் மற்றும் சமூக ஊடகப் பதிவுகள் போன்ற உரை தரவுகளைப் பகுப்பாய்வு செய்ய NLP பயன்படும்.
• விளக்கக்கூடிய AI (Explainable AI - XAI): இயந்திர கற்றல் மாதிரிகள் எவ்வாறு முடிவுகளை எடுக்கின்றன என்பதைப் புரிந்துகொள்ள XAI உதவும்.
• குவாண்டம் கணினி (Quantum Computing): குவாண்டம் கணினி, இயந்திர கற்றல் வழிமுறைகளின் வேகத்தை அதிகரிக்க உதவும்.

முடிவுரை

இயந்திர கற்றல் வர்த்தகம், பைனரி ஆப்ஷன் வர்த்தகத்தில் ஒரு சக்திவாய்ந்த கருவியாக உருவெடுத்துள்ளது. இது மேம்பட்ட கணிப்புத் திறன், தானியங்கு வர்த்தக வாய்ப்புகள் மற்றும் ஆபத்து மேலாண்மை போன்ற பல நன்மைகளை வழங்குகிறது. இருப்பினும், தரவு தரம், அதிக பொருத்தம் மற்றும் சந்தை மாற்றம் போன்ற சில சவால்கள் மற்றும் வரம்புகளை கருத்தில் கொள்ள வேண்டும். எதிர்காலத்தில், ஆழமான கற்றல், வலுவூட்டல் கற்றல் மற்றும் இயற்கை மொழி செயலாக்கம் போன்ற புதிய தொழில்நுட்பங்கள் இயந்திர கற்றல் வர்த்தகத்தை மேலும் மேம்படுத்தும்.

வர்த்தக உத்தி || தொழில்நுட்ப பகுப்பாய்வு || அளவு பகுப்பாய்வு || சந்தை உணர்வு || நிதி மாதிரி || ஆபத்து மேலாண்மை உத்திகள் || போர்ட்ஃபோலியோ மேலாண்மை || சந்தை குறிகாட்டிகள் || விலை நகர்வு || பரிமாற்ற அளவு || சந்தை போக்குகள் || சந்தை கணிப்பு || வர்த்தக உளவியல் || நிதி தொழில்நுட்பம் || தானியங்கு வர்த்தக அமைப்பு || தரவு பகுப்பாய்வு || புள்ளிவிவர பகுப்பாய்வு || கணிப்பு மாதிரிகள் || சமூக ஊடக வர்த்தகம் || செயற்கை நுண்ணறிவு வர்த்தகம்

இப்போது பரிவர்த்தனையை தொடங்குங்கள்

IQ Option-ல் பதிவு செய்யவும் (குறைந்தபட்ச டெபாசிட் $10) Pocket Option-ல் கணக்கு திறக்கவும் (குறைந்தபட்ச டெபாசிட் $5)

எங்கள் சமூகத்தில் சேருங்கள்

எங்கள் Telegram சேனலுக்கு சேர்ந்து @strategybin பெறுங்கள்: ✓ தினசரி பரிவர்த்தனை சமிக்ஞைகள் ✓ சிறப்பு உத்திகள் மற்றும் ஆலோசனைகள் ✓ சந்தை சார்ந்த அறிவிப்புகள் ✓ தொடக்க அடிப்படையிலான கல்வி பொருட்கள்