אַי קענען זיין זייער געראָטן אין מאכן טריידינג דיסיזשאַנז אויף זיך, און אין פאַקט, עס זענען געווען פילע אַפּלאַקיישאַנז און אַי סיסטעמען דעוועלאָפּעד צו דורכפירן דעם אַרבעט. עס זענען עטלעכע סיבות פֿאַר אַי ס הצלחה אין דעם פעלד:
האַנדלינג גרויס אַמאַונץ פון דאַטן: אַי האט די פיייקייט צו פּראַסעסינג גרויס אַמאַונץ פון דאַטן געשווינד און יפישאַנטלי, וואָס איז קריטיש ווען קאַנסידערינג קייפל סיבות אין די טריידינג באַשלוס-מאכן פּראָצעס.
מאַשין לערנען און דאַטן מיינינג: מאַשין לערנען טעכנאָלאָגיע אַלאַוז אַי צו לערנען פון היסטארישע טריידינג דאַטן און אנדערע ינפלואַנסינג סיבות צו פאָרויסזאָגן צוקונפֿט טרענדס.
לאָגיק און אַנאַליסיס קייפּאַבילאַטיז: אַי קענען צולייגן אַלגערידאַמז און אַנאַליסיס לאָגיק צו מאַכן דיסיזשאַנז באזירט אויף סיבות אַזאַ ווי מאַרק אינפֿאָרמאַציע, טעכניש ינדאַקייטערז און מאַטאַמאַטיקאַל מאָדעלס.
פּראָצעס אָטאַמיישאַן: אַי קענען זיין ינאַגרייטיד אין אָטאַמייטיד סיסטעמען צו ויספירן טריידז אָן מענטש ינטערווענטיאָן, ינקריסינג עפעקטיווקייַט און רידוסינג ערראָרס.
אָבער, ניצן אַי אין טריידינג אויך פּאָוזיז עטלעכע טשאַלאַנדזשיז און ריסקס, אַרייַנגערעכנט:
סיסטעמיק ריסקס: אַי סיסטעמען קען טרעפן ערראָרס אָדער זיין אַטאַקירט פֿון אַרויס, וואָס פירן צו אַנדיזייראַבאַל טריידינג דיסיזשאַנז אָדער פינאַנציעל לאָססעס.
מאַרק און ינווייראַנמענאַל ענדערונגען: מארקפלעצער און געשעפט טנאָים קענען געשווינד טוישן, און אַי מאָדעלס קען נישט אַדאַפּט געשווינד גענוג צו שעפּן די פלאַקטשויישאַנז.
לעגאַל און עטישע ריסקס: עס זענען לעגאַל און עטישע ישוז שייַכות צו די נוצן פון אַי אין טריידינג, אַרייַנגערעכנט די פֿאַראַנטוואָרטלעכקייט און קאַנסאַקווענסאַז פון טריידינג דיסיזשאַנז געמאכט דורך קאָמפּיוטערס.
אין מסקנא, כאָטש אַי האט אַ גרויס פּאָטענציעל צו זיין געראָטן אין מאכן טריידינג דיסיזשאַנז אויף זיך, דיפּלויינג און ניצן אַי דאַרף זיין קערפאַלי און מיט קאָנטראָל צו מינאַמייז ריסקס און אַפּטאַמייז פאָרשטעלונג.
