虽然在传统意义上的机器学习的基础可以回溯到 20 世纪 40 年代晚期，这项技术本身直到最近才开始兴起，它得益于用来训练系统的可用计算能力的迅速增长。
谈到智能市场分析系统，使用机器学习工具能够排除掉很多传统方法的劣势。Cryptics 平台积极利用机器学习的方法来创建系统，用来分析密码市场与算法交易。这让它能够提高系统运行所得数据的可靠性，从而降低风险、节省投资者的资金。
下面我们尝试用简单的语言向读者解释最有趣的机器学习方法之本质，以及在实践中应用这些解决方案的案例。
但还有些信息，其选择的原则标准并没有被明确定义。举个例子，那些从不同信息源而来的信息，比如从评级机构、社交网络来的信息，关于某特定产品中投资者的兴趣等级的信息等。
一般来说，为了获取想要的结果，就必须要分析整套数据，必须进行规律性的识别。为了达到这个目标，Cryptics 系统就用时间序列的统计分析技术配合机器学习算法来实现。
在极端简单的单词中，算法将会把特定的对象分配到每一种数据中，它们可以被一组描述其状态的参数来表示。所有对象的连接集都由神经网络使用 Kohonen 映射法来分析。这就让算法解决了找出相似对象并将它们分组的问题。
资本资产定价模型（CAPM）是一种用来评估金融资产利润率的模型。这个模型的本质是假设存在一个高度流动性的资产市场，举个例子，一种加密货币，它能得出结论，即所需的利润金额并不是完全由当前资产的特定风险特征等级决定的，就像加密货币整体的利润金额由一般风险特征决定那样。
使用这个模型，并结合机器学习的方法，Cryptics 就能够以足够高的准确度来实时分析某特定加密行为的盈利能力和风险了。
使用集成学习者的基础在于这样一个想法，即在同一个数据样本中学习几个基本的对象，并使用不同对象的结果的联合来预测后续更改的加密机制。这个方法的数学基础就是十八世纪早期制定的陪审团审判定理。
根据这个定理，大多数参与者在经过分析后做出的决定最有可能是正确的。这就让这个网络能够分析对汇率变化几乎没有影响的市场指标，并在这些指标的基础上制定一个解决方案，这样总数据样本里的错误将小于分别应用每一个指标产生的错误。
Q-learning 或者说强化学习，它能够用反馈的方法改善神经网络的表现。根据算法的结果，形成效用函数。关于这个功能的结果，该算法会接收到关于以往经验的数据，这就可以排除故意丢失事件发展的某些细节。
当然，这只是机器学习冰山的一角，关于整个 Cryptics 子系统和在框架中使用的技术方法不可能在这一篇文章中概括。每一个有具体工具和公式、计算的广泛话题和描述都需要很多篇幅来解释。
使用机器学习工具能够让我们的产品大幅改善其算法的工作效果，从而对整个系统的效率提升产生积极的影响。
相关推荐：
[ 文章 ] 机器学习——常用排序算法总结
