In che modo la ML in finanza differisce dalla ML in altri campi?
Risposte
11/24/2024
Epner
A mio avviso, le principali differenze derivano da differenze nei dati. In finanza, i dati sono (molto) rumorosi e spesso non stazionari. I "segnali" non possono essere divisi dal "rumore" in alcun modo unico, per principio. Questo è molto diverso, per esempio, dall'elaborazione delle immagini, in cui il livello di rumore può essere controllato, almeno in linea di principio. Inoltre, la nozione di dati non stazionari è inesistente per l'elaborazione delle immagini. A causa di un pronunciato ruolo del rumore, alcuni modelli ML, ad esempio modelli non probabilistici, non sono molto utili in ambito finanziario.
L'altra differenza è la quantità di dati. Molti interessanti problemi di finanza sono problemi con set di dati medio-piccoli, il che rende problematiche le applicazioni di metodi affamati di dati come l'apprendimento profondo. Pertanto, nel settore finanziario è spesso necessario applicare alcune conoscenze preliminari, tramite (a seconda del metodo utilizzato) scelte di regolarizzazione, priori bayesiani o altri principi generali come l'analisi delle simmetrie.
Un'altra differenza importante è che lo spazio di stato "vero" nella finanza non è ben definito. Ci sono i cosiddetti eventi del cigno nero - cose che sono al di fuori dei modelli finanziari, ad esempio il rischio politico, che potrebbero tuttavia avere un grave impatto sui prezzi della sicurezza. C'è una differenza tra incertezza e probabilità (rischio). La maggior parte dei modelli ML (così come la maggior parte dei modelli finanziari classici) hanno a che fare con sistemi probabilistici con uno spazio di stato ben definito - non ammettono cigni neri. Sono modelli di rischio ma non modelli di incertezza.
Dipende da cosa stai cercando in termini di come dovrebbe apparire il lavoro, chi sono le persone con cui vuoi lavorare, quale azienda e settore cerchi? Un'opzione può essere quella di continuare con la società attuale o nello stesso settore, ma per un lavoro strettamente correlato, se hai lavorato molto con i ricavi, puoi provare a pianificare vendite / domanda o se sei un esperto nel capital...
A mio avviso, le principali differenze derivano da differenze nei dati. In finanza, i dati sono (molto) rumorosi e spesso non stazionari. I "segnali" non possono essere divisi dal "rumore" in alcun modo unico, per principio. Questo è molto diverso, per esempio, dall'elaborazione delle immagini, in cui il livello di rumore può essere controllato, almeno in linea di principio. Inoltre, la nozione di dati non stazionari è inesistente per l'elaborazione delle immagini. A causa di un pronunciato ruolo del rumore, alcuni modelli ML, ad esempio modelli non probabilistici, non sono molto utili in ambito finanziario.
L'altra differenza è la quantità di dati. Molti interessanti problemi di finanza sono problemi con set di dati medio-piccoli, il che rende problematiche le applicazioni di metodi affamati di dati come l'apprendimento profondo. Pertanto, nel settore finanziario è spesso necessario applicare alcune conoscenze preliminari, tramite (a seconda del metodo utilizzato) scelte di regolarizzazione, priori bayesiani o altri principi generali come l'analisi delle simmetrie.
Un'altra differenza importante è che lo spazio di stato "vero" nella finanza non è ben definito. Ci sono i cosiddetti eventi del cigno nero - cose che sono al di fuori dei modelli finanziari, ad esempio il rischio politico, che potrebbero tuttavia avere un grave impatto sui prezzi della sicurezza. C'è una differenza tra incertezza e probabilità (rischio). La maggior parte dei modelli ML (così come la maggior parte dei modelli finanziari classici) hanno a che fare con sistemi probabilistici con uno spazio di stato ben definito - non ammettono cigni neri. Sono modelli di rischio ma non modelli di incertezza.