Существует множество новых технологий машинного обучения, две из которых я нахожу действительно интересными и на которых я сосредоточусь для своего нового стартап-фонда, основанного на машинном обучении.
Во-первых, это глубокое обучение. Для незнакомых, методологии глубокого обучения, по сути, пытаются создать большие «нейронные сети», состоящие из «нейронов», которые соединяются друг с другом, усиливая и ослабляя связи на основе базовых моделей, которые они находят в своих наборах данных.
Я думаю, что глубокое обучение будет все больше и больше использоваться для обнаружения скрытых особенностей цен, доходности, классов активов, которые раньше не рассматривались вместе, анализов и других данных, которые на первый взгляд могут показаться несвязанными. Паттерны, которые они находят, помогут трейдерам и торговым системам принимать решения о том, какие позиции они хотят открывать.
Вторая методология, которая, как мне кажется, имеет большое значение для финансов, — это обучение с подкреплением. Возможно, вы недавно слышали объявления о том, что Google недавно обыграл лучшего игрока AlphaGo в мире или как машина недавно обыграла лучших игроков в Dota 2. В обоих случаях обучение с подкреплением использовалось для обучения агента тому, как использовать ожидаемые краткосрочные и долгосрочные последствия для принятия решений.
Я особенно взволнован обучением с подкреплением, потому что я думаю, что оно начинает подводить нас к основам того, что однажды станет общим ИИ. Хотя эта технология все еще находится в зачаточном состоянии, она отлично подходит для поиска и использования последствий в долгосрочных последовательностях, что традиционно было очень сложно смоделировать и почти невозможно закодировать. Даже люди довольно плохо предсказывают, как их немедленные действия могут привести к долгосрочным изменениям.
Способность машин делать это, даже в таком базовом формате, будет означать, что процесс принятия решений будет значительно улучшен. В финансах это означает, что решения открывать длинную или короткую позицию, удерживать прибыль, сокращать проигрыш и хеджировать будут оптимизированы на основе агента, который смог извлечь уроки из миллионов или миллиардов предыдущих примеров и смог определить. основные факторы, которые приводят к большему или меньшему вознаграждению.
Мы сами работаем над этими (и другими) методами.
Если вы заинтересованы в сотрудничестве с ними самостоятельно, пожалуйста, свяжитесь с нами!
