雖然在傳統意義上的機器學習的基礎可以回溯到20世紀40年代晚期，這項技術本身直到最近才開始興起，它得益於用來訓練係統的可用計算能力的迅速增長。

　　談到智能市場分析係統，使用機器學習工具能夠排除掉很多傳統方法的劣勢。CrypTIcs平台積極利用機器學習的方法來創建係統，用來分析密碼市場與算法交易。這讓它能夠提高係統運行所得數據的可靠性，從而降低風險、節省投資者的資金。

　　下麵我們嚐試用簡單的語言向讀者解釋最有趣的機器學習方法之本質
，以及在實踐中應用這些解決方案的案例。

　　1. 用神經網絡的時間序列的統計分析

　　在分析加密貨幣的交易信息時，有兩種類型的數據必須用分析係統來處理。第一種類型是通過交易的API直接獲取的原始數據。這些數據通常由數值組成，可以用數學的方式和統計方法進行分析
，它們通常具有有序的結構。

　　但還有些信息，其選擇的原則標準並沒有被明確定義。舉個例子，那些從不同信息源而來的信息
，比如從評級機構、社交網絡來的信息，關於某特定產品中投資者的興趣等級的信息等。

　　一般來說，為了獲取想要的結果，就必須要分析整套數據，必須進行規律性的識別。為了達到這個目標，CrypTIcs係統就用時間序列的統計分析技術配合機器學習算法來實現。

　　在(zai)極(ji)端(duan)簡(jian)單(dan)的(de)單(dan)詞(ci)中(zhong)，算(suan)法(fa)將(jiang)會(hui)把(ba)特(te)定(ding)的(de)對(dui)象(xiang)分(fen)配(pei)到(dao)每(mei)一(yi)種(zhong)數(shu)據(ju)中(zhong)，它(ta)們(men)可(ke)以(yi)被(bei)一(yi)組(zu)描(miao)述(shu)其(qi)狀(zhuang)態(tai)的(de)參(can)數(shu)來(lai)表(biao)示(shi)。所(suo)有(you)對(dui)象(xiang)的(de)連(lian)接(jie)集(ji)都(dou)由(you)神(shen)經(jing)網(wang)絡(luo)使(shi)用(yong)Kohonen映射法來分析。這就讓算法解決了找出相似對象並將它們分組的問題。

　　2. 資本資產定價模型和風險評估

　　資本資產定價模型（CAPM）是(shi)一(yi)種(zhong)用(yong)來(lai)評(ping)估(gu)金(jin)融(rong)資(zi)產(chan)利(li)潤(run)率(lv)的(de)模(mo)型(xing)。這(zhe)個(ge)模(mo)型(xing)的(de)本(ben)質(zhi)是(shi)假(jia)設(she)存(cun)在(zai)一(yi)個(ge)高(gao)度(du)流(liu)動(dong)性(xing)的(de)資(zi)產(chan)市(shi)場(chang)，舉(ju)個(ge)例(li)子(zi)，一(yi)種(zhong)加(jia)密(mi)貨(huo)幣(bi)
，它(ta)能(neng)得(de)出(chu)結(jie)論(lun)
，即(ji)所(suo)需(xu)的(de)利(li)潤(run)金(jin)額(e)並(bing)不(bu)是(shi)完(wan)全(quan)由(you)當(dang)前(qian)資(zi)產(chan)的(de)特(te)定(ding)風(feng)險(xian)特(te)征(zheng)等(deng)級(ji)決(jue)定(ding)的(de)，就(jiu)像(xiang)加(jia)密(mi)貨(huo)幣(bi)整(zheng)體(ti)的(de)利(li)潤(run)金(jin)額(e)由(you)一(yi)般(ban)風(feng)險(xian)特(te)征(zheng)決(jue)定(ding)那(na)樣(yang)。

　　使用這個模型，並結合機器學習的方法，CrypTIcs就能夠以足夠高的準確度來實時分析某特定加密行為的盈利能力和風險了。

　　3. 集成學習者

　　使(shi)用(yong)集(ji)成(cheng)學(xue)習(xi)者(zhe)的(de)基(ji)礎(chu)在(zai)於(yu)這(zhe)樣(yang)一(yi)個(ge)想(xiang)法(fa)，即(ji)在(zai)同(tong)一(yi)個(ge)數(shu)據(ju)樣(yang)本(ben)中(zhong)學(xue)習(xi)幾(ji)個(ge)基(ji)本(ben)的(de)對(dui)象(xiang)，並(bing)使(shi)用(yong)不(bu)同(tong)對(dui)象(xiang)的(de)結(jie)果(guo)的(de)聯(lian)合(he)來(lai)預(yu)測(ce)後(hou)續(xu)更(geng)改(gai)的(de)加(jia)密(mi)機(ji)製(zhi)。這(zhe)個(ge)方(fang)法(fa)的(de)數(shu)學(xue)基(ji)礎(chu)就(jiu)是(shi)十(shi)八(ba)世(shi)紀(ji)早(zao)期(qi)製(zhi)定(ding)的(de)陪(pei)審(shen)團(tuan)審(shen)判(pan)定(ding)理(li)。

　　根(gen)據(ju)這(zhe)個(ge)定(ding)理(li)

，大(da)多(duo)數(shu)參(can)與(yu)者(zhe)在(zai)經(jing)過(guo)分(fen)析(xi)後(hou)做(zuo)出(chu)的(de)決(jue)定(ding)最(zui)有(you)可(ke)能(neng)是(shi)正(zheng)確(que)的(de)。這(zhe)就(jiu)讓(rang)這(zhe)個(ge)網(wang)絡(luo)能(neng)夠(gou)分(fen)析(xi)對(dui)彙(hui)率(lv)變(bian)化(hua)幾(ji)乎(hu)沒(mei)有(you)影(ying)響(xiang)的(de)市(shi)場(chang)指(zhi)標(biao)，並(bing)在(zai)這(zhe)些(xie)指(zhi)標(biao)的(de)基(ji)礎(chu)上(shang)製(zhi)定(ding)一(yi)個(ge)解(jie)決(jue)方(fang)案(an)，這(zhe)樣(yang)總(zong)數(shu)據(ju)樣(yang)本(ben)裏(li)的(de)錯(cuo)誤(wu)將(jiang)小(xiao)於(yu)分(fen)別(bie)應(ying)用(yong)每(mei)一(yi)個(ge)指(zhi)標(biao)產(chan)生(sheng)的(de)錯(cuo)誤(wu)。

　　4. Q-learning

　　Q-learning或(huo)者(zhe)說(shuo)強(qiang)化(hua)學(xue)習(xi)
，它(ta)能(neng)夠(gou)用(yong)反(fan)饋(kui)的(de)方(fang)法(fa)改(gai)善(shan)神(shen)經(jing)網(wang)絡(luo)的(de)表(biao)現(xian)。根(gen)據(ju)算(suan)法(fa)的(de)結(jie)果(guo)，形(xing)成(cheng)效(xiao)用(yong)函(han)數(shu)。關(guan)於(yu)這(zhe)個(ge)功(gong)能(neng)的(de)結(jie)果(guo)，該(gai)算(suan)法(fa)會(hui)接(jie)收(shou)到(dao)關(guan)於(yu)以(yi)往(wang)經(jing)驗(yan)的(de)數(shu)據(ju)
，這(zhe)就(jiu)可(ke)以(yi)排(pai)除(chu)故(gu)意(yi)丟(diu)失(shi)事(shi)件(jian)發(fa)展(zhan)的(de)某(mou)些(xie)細(xi)節(jie)。

　　當然，這隻是機器學習冰山的一角
，關於整個CrypTIcs子係統和在框架中使用的技術方法不可能在這一篇文章中概括。每一個有具體工具和公式

、計算的廣泛話題和描述都需要很多篇幅來解釋。

　　使用機器學習工具能夠讓我們的產品大幅改善其算法的工作效果
，從而對整個係統的效率提升產生積極的影響。


推薦閱讀：

如何驗證電流探頭的可靠性？ 
BMS係統如何做好電源和信號隔離 
火電廠dcs控製係統 
淺析USB 3.2接口升級後的改變