Günümüzde daha belirgin hale gelen veriler, insan gücündeki makine öğreniminin en iyi şekilde yararlanabilmesinin ötesinde ölçekleniyor ve değişiyor. Bu derinlemesine öğrenme, mevcut analizler geliştirmeyi daha gerekli ve kârlı hale getirir. Araştırmacılar döviz piyasasında kârlı bir şekilde ticaret yapmaya devam edebilecek bir ticaret modeli geliştirmeye büyük yatırım yapmıştır. Böyle bir model geliştirilmesine rağmen, hala iyileştirilmesi gereken çok şey var ve mevcut makine öğrenme yöntemlerinin sınırlarına neredeyse ulaşıldı. Derin öğrenmenin artan gücü ve çok yönlülüğü nedeniyle, model derin bir sinir ağı ile geliştirilecek.
Karşılaşılan ilk soru, finansal para birimi verilerinin bir imaj olarak nasıl temsil edileceği idi. Para birimi verilerini bir görüntüye yeniden şekillendirmenin birçok yolu vardı; ancak, her biri çok fazla işlem gücü ve araştırma gerektiriyordu. 143 milyon ham veri noktası ve sayısız olası özellik üzerinde çalışmak araştırma döngüsünü önemli ölçüde yavaşlattı. Ardından analizi, verileri hızlı bir şekilde yüklemeye ve analiz etmeye ve özel modüller kullanarak bir görüntüye yeniden şekillendirmeye izin veren Pivot Billions ile güçlendirme kararı alındı. Ham verilerimizi değiştirmekten görüntü verilerine dönüştürmeye ve daha sonra üzerinde derin öğrenme yapmaya kadar tüm süreç artık birkaç dakika sürdü. Bu, giriş özellikleri seçimi çok daha kolay hale getirdi, çünkü derin öğrenme ile ilgili olabilecek çeşitli özellikleri ekleme ve hızlı bir şekilde tekrarlamaya izin verdi.
Pivot Billions Keras iş akışına dahil etmek, modelin sinyalleri ve her bir girdi özelliği için ilgili sinyale ilişkin bu sinyallerin her bir satırından önceki son 100 dakika da dahil olmak üzere, bir kâr etiketi oluşturarak ve verileri ayarlayarak verilerin hızlı bir şekilde hazırlanması sağlandı. Eğitim ve test veri setleri geliştirildi. Giriş özelliklerinin türleri ve derin sinir ağlarının yapısı ile yapılan birçok tekrardan sonra, modelin zayıf yönlerini ve güçlü yönlerini öğrenen ve kârlı sinyalleri daha doğru bir şekilde tahmin eden derin öğrenme modeli belirlendi.
Ham taban modeli (siyah çizgi), düşük performans gösteren ticaret dönemleri nedeniyle kârlı ancak son derece uçarıydı. Fakat derin öğrenme gelişmiş modeli (mavi çizgi) veriler boyunca şaşırtıcı ve çok daha fazla kâr elde etti!
Derin sinir ağının orijinal modeldeki çekilme sürelerini önemli ölçüde azalttığını ve çok daha istikrarlı bir kâr ürettiğini görmek araştırmacıları mutlu etti. Alınan bu sonuçlar beraber daha yapay zekânın her türlü sektöre uygulanabileceği gözler önüne serildi.