Come viene utilizzato il deep learning in finanza?
Risposte
05/05/2024
Aurore Tipler
Il deep learning viene utilizzato nella finanza solo in modi limitati, principalmente nel trading e anche lì le applicazioni sono ristrette e focalizzate su strategie specifiche come il trading ad alta frequenza (HFT). Ci sono anche esempi dell'utilizzo di DL per estrarre segnali come sentiment e titoli di notizie, ma quelli sono solo periferici con poca influenza complessiva sulle strategie finanziarie, sui modelli e sui concetti fondamentali. Altre risposte qui forniscono una buona immagine dell'ambito di tali usi.
Si potrebbe dire che all'inizio del 2019 gli esempi di utilizzo del Deep Learning in Finance non sono affatto profondi e sono sorprendentemente superficiali. Le idee fondamentali dei comportamenti dei mercati, come ad esempio per esempio i cicli economici, non sono stati toccati e trascurati dal Deep Learning e persino dalla più ampia IA in generale.
Diamo un'occhiata a (molto) quadro più ampio e pensiamo a qualcuno come il miglior gestore di hedge fund o un profondo pensatore finanziario. Potremmo contemplare l'intelligenza artificiale e la DL in generale utilizzate ad alti livelli astratti in cui operano, pensando in termini di ampie tendenze macroeconomiche e possibili sorprese alle opinioni generali di una crescita presumibilmente stabile e perpetua?
La sorpresa più recente, la Grande crisi finanziaria del 2008, ha portato alla ribalta le persone che non solo hanno avvertito in anticipo, ma hanno anche approfittato stabilendo posizioni (altamente indebitate) che producono grandi profitti tra enormi perdite in strategie più convenzionali.
Questa superficiale percezione degli usi del DL nella finanza rispecchia in realtà critiche più generali sullo stato attuale del Deep Learning nell'intelligenza artificiale (generale) da parte di noti luminari come Geoffrey Hinton. I critici includono anche Gary Marcus, che è stato un leader in questo settore riconoscimenti dai principali team e società DL come DeepMind e Google Brain.
Come esempio di questo stato di cose, considera gli attuali risultati di Google per la presente domanda:
Il tipo di risultato superiore riconosce l'angolo HFT e ci sono altri risultati come Deep Learning in Finance - Fintech with Todd - Medium che menzionano strategie a lungo termine, sebbene l'estensione temporale sia relativa - parlando di "ore, giorni o persino settimane". È particolarmente interessante e indicativo del focus a breve termine che alcune settimane sono considerate eccezionalmente lunghe.
Si noti inoltre che la qualità generale dell'attuale risultati di Google in termini di risposta alla domanda, invece di limitarsi a restituire collegamenti blu, non è affatto elevata. Non esiste alcun riquadro informativo che riepiloghi nulla e il grassetto viene utilizzato solo per ripetere le parole chiave della domanda. Gli snippet sono in gran parte costruiti come nella ricerca generale. Questo stato di risultati di Google rispecchia anche la mancanza di profondità, in un modo simile alla superficialità di cui sopra discusso di Deep Learning in Finanza e Deep Learning nell'intelligenza generale artificiale generale.
Uno dei problemi principali è la mancanza di affrontare i concetti astratti fondamentali invece di concentrarsi solo sulla percezione e l'elaborazione come nella visione artificiale e nell'elaborazione del linguaggio naturale. Anche i progressi nei giochi e nell'apprendimento per rinforzo sono in fase di elaborazione in quanto non è affatto chiaro come generalizzare il gioco avanzato anche agli scenari più semplici del mondo reale, come riconosciuto liberamente da Demis Hassabis di DeepMind.
La comunità del Deep Learning è attualmente in gran parte preoccupata della capacità dei bambini di apprendere e raccogliere rapidamente nuovi concetti da un piccolo numero di sessioni di formazione. Questo può essere vero per un bambino, o anche per un animale, capire rapidamente che sbattere la testa contro un muro non è qualcosa che dovrebbero continuare a fare. Ma che dire di concetti più astratti come per esempio denaro, capitale, mercati, cicli economici?
Ci vuole una vita anche per le migliori menti per ottenere alcune comprensioni di tali concetti e anche allora tutti conoscono e riconoscono i loro limiti di tali comprensioni. Quante sessioni di allenamento sono state necessarie a Geoffrey Hinton e Demis Hassabis per raggiungere i loro livelli di comprensione di DL e AI in generale? Inutile dire che NON considerano i loro livelli attuali come l'ultimo e l'ultimo.
Non vi è alcun motivo per cui AI e DL non possano prendere in considerazione e provare a modellare concetti più astratti sopra menzionati e altri. Approcci come word2vec e gli incorporamenti vengono utilizzati per produrre vettori per tutti i tipi di stringhe, comprese le cose più astratte. Invece di guardare solo ad analogie apparentemente banali come "l'uomo è alla donna come il re lo è ?' non c'è motivo per cui non potremmo guardare qualcosa del genere per esempio 'Dotcom Crash del 2000 è alla grande crisi finanziaria del 2008 come devono fare le scorte di Internet?'. Esistono diverse risposte possibili come mutui subprime or leva finanziaria eccessiva.
Il Deep Learning in Finance deve iniziare a trattare concetti così più astratti per passare al livello successivo al di là dei semplici arbitraggi di trading a breve termine focalizzati in modo ristretto. A tale proposito, rispecchierà in larga parte l'apprendimento profondo avvicinandosi a qualcosa come la vera intelligenza generale artificiale.
I mantra di Ganesh saranno quelli che consiglio.Ci sono molti altri mantra dettagliati, lunghi e complessi che in seguito puoi cantare una volta che sei un cantante hardcore.Anche c'è un mantra versione lunga siddhivinayak che copre tutti gli aspetti della vita.Quindi laxmi kuber indra shukracharya mantra per ricchezza.Ma sempre, il sanguinamento del signore Ganesha è vitale.Ottimizzano la tua...
Il deep learning viene utilizzato nella finanza solo in modi limitati, principalmente nel trading e anche lì le applicazioni sono ristrette e focalizzate su strategie specifiche come il trading ad alta frequenza (HFT). Ci sono anche esempi dell'utilizzo di DL per estrarre segnali come sentiment e titoli di notizie, ma quelli sono solo periferici con poca influenza complessiva sulle strategie finanziarie, sui modelli e sui concetti fondamentali. Altre risposte qui forniscono una buona immagine dell'ambito di tali usi.
Si potrebbe dire che all'inizio del 2019 gli esempi di utilizzo del Deep Learning in Finance non sono affatto profondi e sono sorprendentemente superficiali. Le idee fondamentali dei comportamenti dei mercati, come ad esempio per esempio i cicli economici, non sono stati toccati e trascurati dal Deep Learning e persino dalla più ampia IA in generale.
Diamo un'occhiata a (molto) quadro più ampio e pensiamo a qualcuno come il miglior gestore di hedge fund o un profondo pensatore finanziario. Potremmo contemplare l'intelligenza artificiale e la DL in generale utilizzate ad alti livelli astratti in cui operano, pensando in termini di ampie tendenze macroeconomiche e possibili sorprese alle opinioni generali di una crescita presumibilmente stabile e perpetua?
La sorpresa più recente, la Grande crisi finanziaria del 2008, ha portato alla ribalta le persone che non solo hanno avvertito in anticipo, ma hanno anche approfittato stabilendo posizioni (altamente indebitate) che producono grandi profitti tra enormi perdite in strategie più convenzionali.
Questa superficiale percezione degli usi del DL nella finanza rispecchia in realtà critiche più generali sullo stato attuale del Deep Learning nell'intelligenza artificiale (generale) da parte di noti luminari come Geoffrey Hinton. I critici includono anche Gary Marcus, che è stato un leader in questo settore riconoscimenti dai principali team e società DL come DeepMind e Google Brain.
Come esempio di questo stato di cose, considera gli attuali risultati di Google per la presente domanda:
Il tipo di risultato superiore riconosce l'angolo HFT e ci sono altri risultati come Deep Learning in Finance - Fintech with Todd - Medium che menzionano strategie a lungo termine, sebbene l'estensione temporale sia relativa - parlando di "ore, giorni o persino settimane". È particolarmente interessante e indicativo del focus a breve termine che alcune settimane sono considerate eccezionalmente lunghe.
Si noti inoltre che la qualità generale dell'attuale risultati di Google in termini di risposta alla domanda, invece di limitarsi a restituire collegamenti blu, non è affatto elevata. Non esiste alcun riquadro informativo che riepiloghi nulla e il grassetto viene utilizzato solo per ripetere le parole chiave della domanda. Gli snippet sono in gran parte costruiti come nella ricerca generale. Questo stato di risultati di Google rispecchia anche la mancanza di profondità, in un modo simile alla superficialità di cui sopra discusso di Deep Learning in Finanza e Deep Learning nell'intelligenza generale artificiale generale.
Uno dei problemi principali è la mancanza di affrontare i concetti astratti fondamentali invece di concentrarsi solo sulla percezione e l'elaborazione come nella visione artificiale e nell'elaborazione del linguaggio naturale. Anche i progressi nei giochi e nell'apprendimento per rinforzo sono in fase di elaborazione in quanto non è affatto chiaro come generalizzare il gioco avanzato anche agli scenari più semplici del mondo reale, come riconosciuto liberamente da Demis Hassabis di DeepMind.
La comunità del Deep Learning è attualmente in gran parte preoccupata della capacità dei bambini di apprendere e raccogliere rapidamente nuovi concetti da un piccolo numero di sessioni di formazione. Questo può essere vero per un bambino, o anche per un animale, capire rapidamente che sbattere la testa contro un muro non è qualcosa che dovrebbero continuare a fare. Ma che dire di concetti più astratti come per esempio denaro, capitale, mercati, cicli economici?
Ci vuole una vita anche per le migliori menti per ottenere alcune comprensioni di tali concetti e anche allora tutti conoscono e riconoscono i loro limiti di tali comprensioni. Quante sessioni di allenamento sono state necessarie a Geoffrey Hinton e Demis Hassabis per raggiungere i loro livelli di comprensione di DL e AI in generale? Inutile dire che NON considerano i loro livelli attuali come l'ultimo e l'ultimo.
Non vi è alcun motivo per cui AI e DL non possano prendere in considerazione e provare a modellare concetti più astratti sopra menzionati e altri. Approcci come word2vec e gli incorporamenti vengono utilizzati per produrre vettori per tutti i tipi di stringhe, comprese le cose più astratte. Invece di guardare solo ad analogie apparentemente banali come "l'uomo è alla donna come il re lo è ?' non c'è motivo per cui non potremmo guardare qualcosa del genere per esempio 'Dotcom Crash del 2000 è alla grande crisi finanziaria del 2008 come devono fare le scorte di Internet?'. Esistono diverse risposte possibili come mutui subprime or leva finanziaria eccessiva.
Il Deep Learning in Finance deve iniziare a trattare concetti così più astratti per passare al livello successivo al di là dei semplici arbitraggi di trading a breve termine focalizzati in modo ristretto. A tale proposito, rispecchierà in larga parte l'apprendimento profondo avvicinandosi a qualcosa come la vera intelligenza generale artificiale.