ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ ΙΙ
Τα τελευταία χρόνια έχουν αναπτυχθεί διάφορες τεχνικές ενσωμάτωσης των Γ.Α. σε εφαρμογές προοριζόμενες για χρήση στο χώρο του εμπορίου. Για πολλά χρόνια, άλλωστε, χρησιμοποιούνται σε τέτοιες εφαρμογές άλλες τεχνολογίες από το χώρο της Πληροφορικής, όπως τα Νευρωνικά δίκτυα. Η ώθηση για την έρευνα σε αυτόν τον τομέα (εμπόριο, χρηματιστήριο, κ.λπ.) οφείλεται, σύμφωνα με τον Andrew Colin, σε δύο κυρίως λόγους.
Ο πρώτος είναι ότι οι αγορές όλου του κόσμου μπορούν να αναπαρασταθούν από ένα σύνθετο δυναμικό σύστημα που παρουσιάζει κάποια συγκεκριμένη (ντετερμινιστική) συμπεριφορά. Η εφαρμογή τεχνολογιών από το χώρο της Πληροφορικής είναι ικανή για την κατανόηση σε ένα μεγάλο βαθμό της συμπεριφοράς αυτής. Κατ’ αυτόν τον τρόπο, με γενική γνώση του τρόπου μεταβολής των παραμέτρων αυτής της συμπεριφοράς, είναι δυνατό να σχηματιστούν (με δομημένο τρόπο) προβλέψεις για την κίνηση της αγοράς. Για έναν έμπορο, οικονομικό σύμβουλο ή χρηματιστή, οι προβλέψεις αυτές σε συνδυασμό με τις κατάλληλες δραστηριότητες (επενδύσεις, πωλήσεις, κ.λπ.) μπορούν να οδηγήσουν σε αξιοσημείωτα κέρδη. Επιπλέον, δεν είναι απαραίτητη η πλήρης κατανόηση της συμπεριφοράς της αγοράς για την παραγωγή χρήσιμων αποτελεσμάτων. Σε μια οποιαδήποτε αγορά, μια αυξητική ή μειωτική τάση των τιμών είναι συνήθως ισοπίθανη για κάθε στιγμή, οπότε η ικανότητα της σωστής πρόβλεψης της κίνησης της αγοράς, έστω και για ένα 55% του χρόνου, μπορεί να αποφέρει σημαντικά κέρδη.
Ο δεύτερος λόγος είναι ότι κάθε επαγγελματίας στο χώρο του εμπορίου, από έναν απλό οικονομικό αναλυτή έως ένα μεγάλο επενδυτή, έχει -συνειδητά ή υποσυνείδητα- σχηματίσει κάποιο μοντέλο για τη συμπεριφορά της αγοράς. Δηλαδή, ένας επαγγελματίας του εμπορίου πιστεύει ότι υπάρχουν κάποιοι γενικοί κανόνες που καθορίζουν τη συμπεριφορά της δράσης των τιμών. Χρησιμοποιώντας τεχνολογίες όπως οι Γ.Α., είναι δυνατό οι διαισθητικοί αυτοί κανόνες να επεκταθούν με στόχο την όσο το δυνατό καλύτερη μοντελοποίηση της αγοράς.
Η συντριπτική πλειοψηφία των εφαρμογών για πρόβλεψη κίνησης αξιών σε αγορές, είτε χρησιμοποιούν τις “παραδοσιακές” μεθόδους από τη Τεχνητή Νοημοσύνη, είτε χρησιμοποιούν Γ.Α., βασίζονται σε τεχνικούς δείκτες της αγοράς (market technical indicators). Ένας τεχνικός δείκτης είναι μια μαθηματική συνάρτηση κάποιας τιμής ή αξίας, η οποία συμπυκνώνει χρήσιμη πληροφορία σχετικά με την πρόσφατη δραστηριότητα της τιμής αυτής σε ένα πραγματικό αριθμό. Ο αριθμός αυτός μπορεί να χρησιμοποιηθεί, πιθανόν και σε συνδυασμό με αποτελέσματα από άλλους τεχνικούς δείκτες, για την εξαγωγή συμπερασμάτων όσον αφορά τις μελλοντικές τάσεις στην αγορά. Ίσως ο ευρύτερα χρησιμοποιούμενος τεχνικός δείκτης είναι ο προσαρμοζόμενος μέσος όρος (moving average) και οι παραλλαγές του.
Το σημαντικότερο πλεονέκτημα των τεχνικών δεικτών είναι ότι αποτελούν πλήρως αντικειμενικές μεθόδους αξιολόγησης της κίνησης κάποιας αξίας στο χρόνο, σε αντίθεση με την ανθρώπινη αξιολόγηση που βασίζεται συνήθως στην μελέτη γραφημάτων και πινάκων και η οποία πολύ συχνά είναι αρκετά υποκειμενική. Το μειονέκτημα των τεχνικών δεικτών, σαν αυτόνομες οντότητες προοριζόμενες για πρόβλεψη τάσεων, είναι ότι περιορίζονται σε ένα συγκεκριμένο μοντέλο της αγοράς, δηλαδή σε μία συγκεκριμένη στρατηγική που έχει αναπτύξει, όπως είπαμε και προηγουμένως, ο χρήστης. Και είναι πολύ πιθανό, η συγκεκριμένη αυτή στρατηγική να μην είναι η καλύτερη ή ακόμα χειρότερα να μην είναι καν αποδοτική. Ένα σύστημα το οποίο παράγει στρατηγικές δραστηριότητας σε μια αγορά είναι οπωσδήποτε πολύ χρήσιμο.
Το παρών κεφάλαιο ασχολείται με την Ανάπτυξη Στρατηγικής (Strategy Acquisition) με Γ.Α. από ένα σύνολο από αρχικούς κανόνες (rules). Ακολουθεί μια εισαγωγή στα Βασισμένα σε Κανόνες Συστήματα (Rule Based Systems) και η περιγραφή του συστήματος που αναπτύχθηκε.