技术

爱舍系统

~~(toc) #title=(内容列表)~~

AISHE系统是一个基于云的平台，专为实时金融交易而设计，由先进的人工智能和机器学习技术提供支持。其区块链网络可确保客户之间安全高效地交换数据。该系统包括两个主要部分：AISHE系统客户端和AISHE系统本身。

客户端是一个可下载的软件应用程序，它连接到 AISHE 系统并接收有关金融市场趋势、新闻和其他相关数据的实时数据。它利用一系列机器学习和人工智能技术，例如神经网络、深度学习和强化学习，来分析市场数据并实时执行交易。用户可以根据自己的特定交易偏好和风险承受能力对其进行自定义。

客户之间数据交换和协调的中心枢纽是 AISHE 系统本身，位于 AISHE 数据中心。它为各个客户端系统提供神经结构和相关数据流，以便每个客户端都可以独立行动。该系统为用户提供了使用模拟货币免费培训其系统客户端的机会，允许在不冒真实资本风险的情况下体验和开发交易策略。

AISHE 系统客户端是一个由人工智能驱动的自主系统，任何拥有计算机的人都可以访问，无论其金融或交易背景如何。它是在金融市场上潜在赚钱的强大工具。该系统基于云端，可以根据不同的策略和偏好进行定制，使其易于使用和适应性强。AISHE系统客户端利用最新的人工智能技术，让用户自信地进入金融机会的世界。最重要的是，它在 30 天内完全免费，没有任何义务。尝试一下，发现它如何帮助您实现财务目标。

AISHE系统的应用机器学习方法

AISHE 系统为用户提供对其应用的机器学习方法的访问，以实时训练和使用他们自己的 AISHE 系统客户端。用户可以个性化自己的 AISHE 系统客户端，以适应他们的特定目标并优化他们在金融市场中的表现。以下应用可用：自监督学习（SSL）、无监督学习（UL）、强化学习（RL）、迁移学习（TL）、主动学习（AL）和在线学习（OL）。

自我监督学习 (SSL)

这是一种在标记数据集上训练算法的机器学习。目标是通过找到一个可以在给定输入的情况下准确预测输出的函数来学习输入和输出变量之间的映射。AISHE 系统使用 SSL 进行各种金融预测任务，例如 B.Forex、Indices、Commodity、Stock 和 Crypto Currency Price Prediction。

无监督学习 (UL)

这是一种机器学习，其中算法在未标记的数据集上进行训练。目的是在事先不了解数据结构的情况下找到数据中的状态和关系。AISHE 系统使用 UL 来识别实时金融报价中的市场趋势和异常。

强化学习 (RL)

这是一种机器学习，其中算法通过与环境交互来通过反复试验来学习。目标是在给定情况下学习最佳可能行动以最大化奖励信号。AISHE 系统使用 RL 进行算法交易，系统根据连接的 AISHE 系统客户端的反馈和修正学习最佳交易策略。

迁移学习（TL）

这是一种技术，其中已针对任务训练的模型被重新用作新的相关任务的起点。AISHE 系统使用 TL 通过对相关任务使用预训练的交易经验模型来提高财务预测的准确性和速度。

主动学习（AL）

这是一种机器学习，其中算法可以主动查询用户或其他信息源以获得标记数据。目标是最大限度地减少实现所需性能水平所需的标记数据量。AISHE 系统使用 AL 来最大限度地减少财务预测任务中对标记数据的需求。

在线学习（OL）

这是一种机器学习，可以在新数据可用时不断更新模型。目标是适应不断变化的数据分布，并确保模型随着时间的推移保持准确。AISHE 系统使用 OL 来确保其实时财务预测始终与市场信息保持同步。

AISHE系统的学习方法

AISHE系统为用户提供了多种学习途径，在真实的金融市场条件下训练和使用自己的AISHE系统客户。重要的是要注意，只能使用中央 AISHE 系统批准的且神经结构可用的交易工具。您可以通过在 AISHE 系统客户端中输入仪器来轻松检查仪器的可用性。如果返回值为“0.0”，则表示仪器不可用。因此，在使用工具前，有必要向您的银行、经纪商或AISHE系统支持团队确认和调整工具。

用户可以个性化他们的客户以适应他们的特定目标并优化他们在金融市场上的表现。可以使用以下学习方法：

联邦学习 (FL)

这是一种机器学习方法，使多方能够使用本地数据训练共享模型，而无需共享数据本身。每一方都根据自己的数据训练模型，然后仅与中央服务器共享模型更新。中央服务器聚合模型更新以生成新的全局模型，然后将其发送回各方以用于进一步训练。

合作学习 (CoL)

这是一种让多个学习者相互协作以学习共同任务的方法。每个学习者都可以访问不同的数据子集，并且他们彼此共享信息以改善他们的个人学习成果。这种方法可用于通过利用每个学习者的优势来提高机器学习系统的整体性能。

强化学习与专家示范 (RLfED)

这种方法结合了强化学习 (RL) 和监督学习的优势。在 RL 中，代理通过与其环境的反复试验交互来学习，而在监督学习中，代理被提供有标记数据。在 RLfED 中，专家向代理提供如何执行任务的演示，代理使用这些演示来指导自己通过 RL 进行学习。这种方法可用于通过减少学习所需的试错次数来提高基于 RL 的系统的速度和效率。

下面是AISHE系统提供的部分神经网络

AISHE系统为用户提供不同的神经网络，在真实金融市场条件下训练和使用自己的AISHE系统客户端。重要的是要注意，只能使用中央 AISHE 系统批准的且神经结构可用的交易工具。您可以通过在 AISHE 系统客户端中输入仪器来轻松检查仪器的可用性。如果返回值为“0.0”，则表示仪器不可用。因此，在使用前需要与您的银行、经纪商或爱舍系统支持团队确认并调整工具。

神经网络 (NN)

一种旨在模拟人脑行为的机器学习算法。NN 由处理和传输信息的互连节点层组成，类似于大脑中神经元的工作方式。这些节点之间的连接是加权的，允许网络通过调整这些权重从数据中学习，以更好地预测基于给定输入的输出。

深度学习（DL）

一种旨在模拟人脑行为的机器学习算法。NN 由处理和传输信息的互连节点层组成，类似于大脑中神经元的工作方式。这些节点之间的连接是加权的，允许网络通过调整这些权重从数据中学习，以更好地预测基于给定输入的输出。

NN 可用于各种任务，包括金融市场订单的预测和时间序列预测。它们对于涉及模式识别的任务特别有用，例如股票价格预测或金融数据中的异常检测。NN 还可用于图像和语音识别、自然语言处理以及许多其他应用。

在金融市场预测的背景下，神经网络可以被训练来识别历史数据中的模式和趋势，然后可以用来预测未来的市场行为。例如，可以训练神经网络根据历史价格、交易量和经济指标等因素预测特定股票的价格。这可以帮助交易者就何时买卖特定证券做出更明智的决定。

卷积神经网络 (CNN)

卷积神经网络是一种特别适合图像识别任务的神经网络。它使用称为卷积的过程从输入图像中提取特征，然后应用池化操作来降低特征图的维数。在金融市场应用中，CNN 通常用于状态分类任务，例如预测股票价格是上涨还是下跌。

AISHE 系统使用 CNN 的修改版本，将卡尔曼滤波器应用于 AISHE 系统客户端中 1 至 10 级的输入状态短期、中期和长期预测。这允许网络学习不同抽象层次的层次特征，使其更有效地识别金融数据中的模式。网络的输出是可能结果的概率分布，可用于根据不同结果的预测可能性做出交易决策。

循环神经网络 (RNN)

在 AISHE 系统和客户端的上下文中，递归神经网络 (RNN) 是一个强大的工具，可以让用户实时分析和预测金融市场数据。AISHE 系统客户端中的 RNN 专门用于处理数据序列，例如每日订单的时间序列，并使用循环让信息从一个时间步持续到下一个时间步。这意味着 RNN 可以捕获数据中的时间依赖性和模式，使其非常适合预测未来趋势和市场动向。

在AISHE系统客户端，用户可以根据历史金融数据训练自己的RNN模型，并利用这些模型对未来的市场行情进行预测。可以自定义 RNN 模型以满足用户的特定需求，例如所需的预测范围、数据的粒度级别以及所分析的金融工具的类型。

AISHE 系统客户端中的 RNN 模型还可以与其他神经网络模型结合使用，例如卷积神经网络 (CNN) 或长短期记忆网络 (LSTM)，以创建更强大的预测模型，可以捕获时间和时间。和财务数据中的空间模式。总体而言，AISHE 系统客户端中的 RNN 为分析和预测金融市场数据提供了强大的工具，使用户能够就其投资和交易策略做出明智的决策。

长短期记忆 (LSTM)

一种递归神经网络 (RNN)，旨在处理传统 RNN 中的梯度消失问题。LSTM 特别适合对具有长期依赖性的序列数据进行建模，例如自然语言处理或时间序列分析。LSTM 和传统 RNN 之间的主要区别在于 LSTM 具有更复杂的结构，包括可以根据门控机制选择性地忘记或记住信息的单元状态。

LSTM 中的记忆单元是使网络能够更长时间存储信息的组件。记忆单元具有三种门控机制：遗忘门、输入门和输出门。遗忘门决定细胞状态中的哪些信息应该被丢弃，而输入门决定哪些新信息应该被添加到细胞状态中。最后，输出门决定细胞状态的哪些信息应该输出到下一层或网络的输出。

在 AISHE 系统和客户端的上下文中，LSTM 可用于各种任务，包括金融市场中的时间序列分析和预测。通过将信息存储更长时间，LSTM 可以学习识别数据中的长期趋势和模式，并根据这些模式进行预测。AISHE 系统为用户提供预训练的 LSTM 模型，可以针对特定任务进行定制和微调，例如预测股票价格或货币汇率。

受限玻尔兹曼机 (RBM)

一种用于无监督学习的生成模型，这是一种不需要标记数据的机器学习。RBM 学习表示输入数据的潜在概率分布，这使得它们可用于降维和特征学习等任务。

在 RBM 中，可见单元和隐藏单元通过权重连接，网络被训练来学习最能代表输入数据的权重。使用称为对比散度的技术调整权重，该技术迭代更新权重以最小化模型分布与输入数据分布之间的差异。

RBM 已广泛用于各种应用，例如图像识别、语音识别和推荐系统。在 AISHE 系统的背景下，RBM 可用于了解财务数据的模式和趋势，并帮助制定当日报表。

生成对抗网络 (GAN)

一种生成模型，可以在 AISHE 系统中用于诸如数据扩充和客户端之间的数据渗透等任务。GAN 由两个神经网络组成：生成器网络和鉴别器网络。生成器网络学习生成与训练数据相似的新数据样本，而鉴别器网络学习区分真实数据和生成数据。实现 GAN 的功能可以在 AISHE 系统中的 AIMAN 管理工具中找到。

来自 AISHE 系统的 AI in Finance

自主交易（AU）

AISHE 系统客户端包括一个自主交易系统，该系统使用基于 AI 的算法实时分析市场数据并做出交易决策。该系统使用机器学习算法和深度神经网络来自动化交易决策，允许交易者创建自定义交易模型，这些模型可以根据市场趋势和其他因素做出决策，而无需人工干预。

使用 AISHE 系统客户端的交易者可以高度定制和控制他们的交易策略。他们可以设置自己的参数和风险水平，系统会自动调整以适应不断变化的市场条件。自动交易系统也可以使用操作按钮手动启动，为交易者提供更大的灵活性和控制力。

图表指标 (CI)

AISHE 系统客户端并未将图表指标直接集成到其平台中。但是，交易者可以使用自己的图表指标来分析市场数据并识别潜在的交易机会。客户基于 AI 的算法可以提供方向或趋势，以及基于其自身洞察力的警报和通知，帮助交易者随时了解情况并对市场变化做出快速反应。

交易者可能使用的一些常见图表指标包括移动平均线、MACD、RSI 和布林带等。这些工具可帮助交易者发现市场数据中的模式和趋势，并有助于做出明智的交易决策。但需要注意的是，AISHE 系统客户端不提供图表指标的直接访问，因此交易者必须使用外部工具将其纳入交易策略。

人工智能分类

弱人工智能 (WAI)

也称为狭义 AI，这种类型的 AI 旨在执行特定任务或解决特定问题。弱人工智能系统无法将其知识推广到其他领域，它们需要大量的人工监督才能正常运行。WAI 的示例包括 Siri 或 Alexa 等语音助手、聊天机器人和推荐引擎。

强人工智能 (SAI)

也称为通用人工智能 (AGI)，这种类型的 AI 旨在开发可以执行人类可以执行的任何智力任务的机器。强大的人工智能系统将能够理解和推理世界，从经验中学习，并自行做出决定。虽然 SAI 还有很长的路要走，但一些研究人员认为它在未来是可以实现的。

AISHE系统的群体智能

AISHE系统为用户提供了不同的群体智能工具，可以在真实的金融市场条件下训练和使用自己的AISHE系统客户。需要注意的是，仅支持中央 AISHE 系统认可的交易工具。

以下是爱舍系统和爱舍系统客户端提供的部分神经网络：

群体智能

群体智能是指分散和自组织系统表现出的集体行为，通常受到动物或昆虫社会行为的启发。在 AISHE 系统客户端中，Swarm Intelligence 用于开发模拟 AISHE 系统客户端群体集体行为的算法，以解决复杂问题。群体智能方法对于无法由单个 AISHE 系统客户端或传统计算算法解决的任务特别有用。

集体学习

集体学习是指一群爱舍系统客户共同学习以提高个人和集体绩效的过程。在AISHE系统客户端中，Collective Learning是通过使用Swarm Intelligence算法实现的，它允许AISHE系统客户端共享信息并相互学习。这种方法在金融交易策略的开发中特别有用，在这种策略中，一组 AISHE 系统客户一起工作，根据市场状况和过去的表现做出交易决策。

集体智慧

集体智慧是指一组 AISHE 系统客户端解决超出任何单个 AISHE 系统客户端能力的问题的能力。在AISHE系统中，通过使用群体智能算法实现集体智能，让AISHE系统客户端共享信息，共同解决复杂问题。这种方法在金融交易预测模型的开发中特别有用，其中一组 AISHE 系统客户共同分析市场数据并根据他们的集体智慧做出交易决策。

AISHE系统客户端

AISHE系统客户端是一款为用户提供访问基于云端的实时金融交易平台AISHE系统的软件应用程序。客户端兼容Windows 10/11操作系统，需要Microsoft Office Excel 2016/2019。

AISHE系统客户端采用监督学习、非监督学习、强化学习、迁移学习、主动学习、在线学习等机器学习和人工智能技术，使用户能够分析金融数据并做出交易决策。

客户的主要特点是它能够由用户单独培训，允许他们创建适合其特定交易策略和目标的定制模型。该客户端还为用户提供实时行情数据，支持DDE和RTD进行实时交易。

要使用 AISHE 系统客户端，用户必须从 AISHE 网站下载软件并将其安装在 Windows 10/11 操作系统上。此外，他们需要银行或经纪人提供的交易环境，例如支持 DDE 和 RTD 的 Meta Trader 4。AISHE系统客户端可以连接不同的交易平台进行交易并执行交易。

该客户端可免费下载并附带模拟资金，让用户可以在不冒真实资金风险的情况下练习交易。安装客户端后，用户可以将其连接到 AISHE 系统，并开始使用可用的机器学习和 AI 技术训练他们的模型。

AISHE 应用程序中动态数据交换 (DDE) 和实时数据 (RTD) 的共享显着提高了性能。

DDE 是一种遗留协议，允许 AISHE 与其他应用程序通信和交换数据。DDE 是异步的，这意味着 AISHE 必须等待另一个应用程序发送的数据。但是，当不需要实时更新数据时，它会很有用。

另一方面，RTD 允许 AISHE 从另一个应用程序访问实时数据。RTD 同步运行，让 AISHE 实时接收和显示数据。这是必要的，因为数据需要实时更新。

因此，在 AISHE 应用程序中共享 DDE 和 RTD 可以利用这两种协议。例如，使用DDE向AISHE提供历史数据的应用程序可以使用RTD功能向AISHE发送实时数据。这允许 AISHE 在处理和显示实时数据的同时访问历史数据。

AISHE 应用中联合使用 DDE 和 RTD 的一个例子是股票价格的显示。AISHE使用DDE发送历史价格数据，同时使用RTD向AISHE发送实时价格。这允许 AISHE 客户端在更新实时汇率的同时显示历史汇率数据。

请务必注意，同时使用 DDE 和 RTD 具有一定的复杂性，需要仔细规划。例如，DDE 和 RTD 服务器必须配置为与 AISHE 应用程序通信。此外，AISHE 应用程序必须配置为正确处理来自两种协议的数据。

总的来说，DDE 和 RTD 是一个强大的组合，可以利用可以处理历史和实时数据的 AISHE。但是，正确的实施需要仔细规划和配置所有涉及的组件。

AISHE中的DDE函数：

AISHE中的DDE函数用于接收来自其他支持DDE协议的应用程序的数据。
DDE 函数的语法是“=DDE(Server, Topic, Item)”。
服务器：要与之通信的 DDE 服务器的名称。
主题：定义被访问数据类型的主题。
Item：被访问的项目或数据的名称。
DDE 函数是一个可变函数，这意味着每次 AISHE 发生变化时都会重新计算。

动态数据交换 (DDE) 是一种允许应用程序通过直接交换数据来相互通信的方法。在 AISHE 中，DDE 允许其他应用程序从 AISHE 协议读取或写入数据。

DDE 通常通过 Windows 剪贴板激活。当一个应用程序连接到另一个应用程序时，它会打开一个 DDE 通道来交换数据。然后这两个应用程序可以通过 DDE 通道发送和接收消息以交换数据。

为了在 AISHE 中使用 DDE，您需要一个所谓的 DDE 公式。DDE 公式始终以感叹号 (!) 开头，后跟要与之通信的应用程序，然后是定义要执行的操作类型的关键字，最后是用于所需操作的参数。

下面是 AISHE 中的 DDE 公式示例，它将 EURUSD“1.06541”的价格从 metatrader 中输入到 AISHE 系统中，并将其插入到单元格中：

=协议|应用程序！命令|参数

DDE公式的组成部分如下：

PROTOCOL：用于通信的协议。对于 DDE，这通常是“DDE”。
APPLICATION：您要与之通信的应用程序的名称。在这种情况下，它将是“HIGHWAY”。
命令：定义要执行的操作的关键字。在这种情况下，它将是“InsertPrice”。
PARAMETERS：操作所需的参数。在这种情况下，这将是数字“1.06541”。

如果您在单元格中输入此公式并更新单元格，数字“1.06541”将插入到 AISHE 中。

AISHE中的RTD特性：

AISHE 中的 RTD 功能用于访问另一个应用程序提供的实时数据。
RTD 函数的语法是“=RTD(Server, Topic1, Topic2, ...)”。
服务器：提供数据的 RTD 服务器的名称。
Topic1, Topic2, ...：正在访问的主题或数据。这些可以是任意数量的主题或日期。
RTD 函数是非易失性函数，这意味着它仅在访问的数据发生变化时才重新计算。

实时数据 (RTD) 是一种允许 AISHE 从另一个程序或应用程序访问实时数据的方法。与异步工作的 DDE 不同，RTD 同步工作，允许 AISHE 实时接收和显示数据。

RTD 通常通过使用 AISHE 中的特殊功能 RTD 功能来激活。RTD 函数具有三个必需参数：

ProgID ：提供数据的应用程序或程序的程序标识符 (ProgID)。
Server ：运行提供数据的程序的计算机的服务器名称或 IP 地址。
Topic ：所服务数据类型的唯一标识符。

RTD功能配置完成后，AISHE会定期调用该功能获取数据。当有新数据可用时，RTD 函数会将其返回给 AISHE，AISHE 会使用新数据更新单元格。

下面是一个在 AISHE 中使用 RTD 函数的例子：

=RTD("ProgID","Server","Topic")

RTD功能的组成部分如下：

ProgID ：提供数据的应用程序或程序的 ProgID。ProgID 标识程序并使 AISHE 能够访问它。ProgID 的示例是另一个 AISHE 实例的“AISHE.Application”或 Winsock 控件的“MSWinsock.Winsock.1”。
Server ：运行提供数据的程序的计算机的名称。这可以是本地计算机名称或远程计算机的名称。
Topic ：所服务数据类型的唯一标识符。Topic 参数由应用程序设置并定义服务的数据类型。

需要注意的是，RTD 仅在 AISHE 运行且 RTD 功能在工作簿中处于活动状态时才会更新。如果 AISHE 未激活或关闭，则不会更新任何数据。

RTD 是一项强大的功能，允许 AISHE 访问和显示实时数据。但是，它需要一个配置的应用程序来提供数据，并在 AISHE 中正确实施 RTD 功能。

DDE 和 RTD 功能的使用有一些复杂的方面，需要仔细规划。例如，DDE 和 RTD 服务器必须配置为与 AISHE 应用程序通信。此外， 需要配置AISHE 应用程序以正确处理来自两种协议的数据。

ActiveX技术

AISHE 客户端应用程序旨在实时处理传入的数据和请求，为用户提供强大的数据分析和处理工具。为实现此功能，该应用程序使用了多种技术，包括 DDE、RTD 和 ActiveX 控件。

ActiveX 技术通过允许与其他应用程序和编程语言进行无缝通信和集成，在 AISHE 应用程序中发挥着至关重要的作用。这种协作智能使 AISHE 应用程序能够与外部数据源交互并利用它们的能力来增强应用程序的功能。

例如，AISHE 应用程序可以使用 ActiveX 控件与外部数据库或 Web 服务进行交互，从而允许用户访问否则无法访问的大量数据。ActiveX 控件还可用于向应用程序的用户界面添加交互性，使其更加直观和用户友好。

通过利用 ActiveX 技术的强大功能，AISHE 应用程序可以利用其他应用程序和编程语言的优势来提高自身的性能和功能。结果是一个强大的数据分析和处理工具，可以为用户提供有价值的见解和可操作的信息。

AISHE 应用程序中 ActiveX 技术的使用是其协作智能的关键组成部分，可实现与其他应用程序和编程语言的无缝通信和集成。

重要的

AISHE 客户端应用程序是一款强大的人工智能软件应用程序，它利用多种技术实时处理传入数据和请求。具体来说，应用程序使用 DDE、RTD 和 ActiveX 控件来实现此功能。

DDE 是应用程序的重要组成部分，因为它可以与支持 DDE 协议的外部应用程序进行通信。当应用程序从外部源接收数据时，它可以使用 VBA 代码实时处理数据。同样，应用程序可以使用 DDE 将数据发送到外部应用程序。

RTD 功能也是 AISHE 客户端应用程序的组成部分。此功能使应用程序能够从外部源（例如股票报价机）接收实时数据。当数据发生变化时，RTD 功能会实时更新数据。这些数据可以使用 VBA 代码进行处理，允许应用程序执行实时计算和处理。

ActiveX 控件在 AISHE 客户端应用程序中广泛使用，以向用户界面添加功能和交互性。当用户与 ActiveX 控件交互时，应用程序可以使用 VBA 代码实时处理用户的输入。此外，ActiveX 控件可用于与外部应用程序和编程语言交互。

AISHE 客户端应用程序旨在实时处理传入的数据和请求，使其成为实时计算和处理的强大工具。可以提供应用程序如何使用 VBA 代码实时处理数据，以及它如何使用 DDE、RTD 和 ActiveX 控件与外部数据源和应用程序进行交互的示例。总体而言，DDE、RTD 和 ActiveX 控件的组合使 AISHE 客户端应用程序能够提供各种行业和用例中必不可少的实时功能。

技术