什么是模糊逻辑(fuzzy logic)？

模糊逻辑是一种变量处理方法，允许通过同一个变量处理多个值。模糊逻辑试图用一系列开放的、不精确的数据和启发式方法来解决问题，从而有可能得到一系列准确的结论。

模糊逻辑是通过考虑所有可用信息并在给定输入的情况下做出最佳决策来解决问题的。

关键要点

• 模糊逻辑是一种启发式方法，允许更先进的决策树处理和更好地与基于规则的编程集成。
• 从理论上讲，这给了这种方法更多的机会来模拟现实环境。
• 定量分析人员可以使用模糊逻辑来改进算法的执行。

理解模糊逻辑

模糊逻辑源于对模糊概念的数学研究，它还涉及到模糊数据集。数学家在提到模糊概念和模糊分析时可能会用到各种各样的术语。这些术语被广泛而全面地归类为模糊语义。

实际上，这些构造都允许“真”条件的多个值。真条件可以是小于1且大于0的任意数量的值，而不是真在数值上等于1，假在数值上等于0（反之亦然）。这为算法提供了一个机会，使其能够根据价格数据的范围而不是一个离散的数据点做出决策。

模糊逻辑考虑

最基本意义上的模糊逻辑是通过决策树类型分析发展起来的。因此，在更广泛的范围内，它形成了通过基于规则的推理编程的人工智能系统的基础。

一般来说，术语模糊是指在一个类似决策树的系统中可以开发的大量场景。开发模糊逻辑协议需要集成基于规则的编程。这些规划规则可称为模糊集，因为它们是由综合模型自行制定的。

模糊集也可能更复杂。在更复杂的编程类比中，程序员可能有能力扩展用于确定包含和排除变量的规则。这可能导致选择范围更广，基于规则的推理不那么精确。

人工智能中的模糊语义

模糊逻辑和模糊语义的概念是人工智能解决方案编程的核心组成部分。随着模糊逻辑的编程能力不断增强，人工智能解决方案和工具在经济领域的应用也在不断扩大。

IBM的Watson是最著名的人工智能系统之一，它使用模糊逻辑和模糊语义的变体。特别是在金融服务领域，模糊逻辑被用于支持投资智能输出的机器学习和技术系统。

在一些高级交易模型中，模糊逻辑数学的集成也可以用来帮助分析师创建自动买卖信号。这些系统有助于投资者对影响其投资的一系列不断变化的市场变量作出反应。

例子

在先进的软件交易模型中，系统可以使用可编程模糊集实时分析数千种证券，为投资者提供最佳的可用机会。当交易者试图利用多种因素进行考虑时，通常使用模糊逻辑。这可能导致交易决策的分析范围缩小。交易者也有能力制定各种交易规则。两个例子包括：

• 规则1：如果移动平均线很低，相对强度指数（RSI）很低，那么卖出。
• 规则2：如果移动平均线很高，相对强度指数（RSI）很高，那么买入。

模糊逻辑允许交易者在这些基本例子中对自己的低和高进行主观推断，从而得出自己的自动交易信号。