Fuzzy Logic
Fuzzy Logic è un approccio all'elaborazione delle variabili che consente di elaborare più valori attraverso la stessa variabile. La logica fuzzy tenta di risolvere i problemi con uno spettro di dati aperto e impreciso che consente di ottenere una serie di conclusioni accurate. La logica fuzzy è progettata per risolvere i problemi considerando tutte le informazioni disponibili e prendendo la migliore decisione possibile dato l'input.
Key Takeaways
- La logica fuzzy consente l'elaborazione più avanzata dell'albero delle decisioni e una migliore integrazione con la programmazione basata su regole.
- Teoricamente, questo offre all'approccio maggiori opportunità di imitare le circostanze della vita reale.
- La logica fuzzy può essere utilizzata dagli analisti quantitativi per migliorare l'esecuzione dei loro algoritmi.
Comprensione di Fuzzy Logic
La logica fuzzy deriva dallo studio matematico di concetti fuzzy che coinvolge anche insiemi fuzzy di dati. I matematici possono usare una varietà di termini quando si riferiscono a concetti fuzzy e analisi fuzzy. In generale e in modo completo questi termini sono classificati come semantica sfocata.
In pratica, tutti questi costrutti consentono più valori della condizione "vera". Invece che True sia numericamente equivalente a 1 e False equivalente a 0 (o viceversa), la condizione True potrebbe essere qualsiasi numero di valori inferiore a uno e maggiore di zero. Ciò crea l'opportunità per gli algoritmi di prendere decisioni basate su intervalli di dati sui prezzi anziché su un punto dati discreto.
Considerazioni sulla logica fuzzy
La logica fuzzy nel suo senso più elementare viene sviluppata attraverso l'analisi del tipo di albero decisionale. Pertanto, su una scala più ampia, costituisce la base per sistemi di intelligenza artificiale programmati attraverso inferenze basate su regole.
In generale, il termine fuzzy si riferisce al vasto numero di scenari che possono essere sviluppati in un sistema decisionale come un sistema. Lo sviluppo di protocolli di logica fuzzy può richiedere l'integrazione di una programmazione basata su regole. Queste regole di programmazione possono essere definite insiemi fuzzy poiché sono sviluppate a discrezione di modelli globali.
I set fuzzy possono anche essere più complessi. In analogie di programmazione più complesse, i programmatori possono avere la capacità di ampliare le regole utilizzate per determinare l'inclusione e l'esclusione delle variabili. Ciò può comportare una gamma più ampia di opzioni con un ragionamento basato su regole meno preciso.
Fuzzy Semantics in Artificial Intelligence
Il concetto di logica fuzzy e semantica fuzzy è un componente centrale nella programmazione di soluzioni di intelligenza artificiale. Le soluzioni e gli strumenti di intelligenza artificiale continuano ad espandersi nell'economia in una vasta gamma di settori mentre si espandono anche le capacità di programmazione della logica fuzzy.
Watson di IBM è uno dei sistemi di intelligenza artificiale più noti che utilizzano variazioni della logica fuzzy e della semantica fuzzy. In particolare nei servizi finanziari, la logica fuzzy viene utilizzata nei sistemi di apprendimento automatico e tecnologia a supporto dei risultati dell'intelligence sugli investimenti.
In alcuni modelli di trading avanzati, l'integrazione della matematica della logica fuzzy può essere utilizzata anche per aiutare gli analisti a creare segnali automatici di acquisto e vendita. Questi sistemi aiutano gli investitori a reagire a una vasta gamma di variabili di mercato in evoluzione che incidono sui loro investimenti.
Nei modelli avanzati di trading software, i sistemi possono utilizzare set fuzzy programmabili per analizzare migliaia di titoli in tempo reale e presentare all'investitore la migliore opportunità disponibile. La logica fuzzy viene spesso utilizzata quando un trader cerca di utilizzare più fattori a titolo oneroso. Ciò può comportare un'analisi ristretta per le decisioni di trading. I commercianti possono anche avere la capacità di programmare una varietà di regole per attuare operazioni. Due esempi includono quanto segue:
Regola 1: se la media mobile è bassa e l'indice di forza relativa è basso, vendere.
Regola 2: se la media mobile è alta e l'indice di forza relativa è alto, acquista.
La logica fuzzy consente a un trader di programmare le proprie inferenze soggettive su basso e alto in questi esempi di base per arrivare ai propri segnali di trading automatizzati.
Confronta i conti di investimento Nome del fornitore Descrizione Descrizione dell'inserzionista × Le offerte che compaiono in questa tabella provengono da società di persone da cui Investopedia riceve un compenso.