写于 2018-11-20 10:05:05| 千赢国际注册| 生活
<p>高性能游戏和人工智能计算巨头NVIDIA去年推出了深度学习研究所(DLI),现在提供有关将这项技术应用于垂直财务的第一批课程“没有很多学术研究表明如何采用这些神经学网络技术并使它们适应融资我们非常需要这一点,“金融服务AI负责人兼NVIDIA高级总监Andy Steinbach表示,新闻周刊将在纽约举行的资本市场会议上主持人工智能和数据科学,12月6-7图片:新闻周刊媒体集团“我们着手开发实验室,展示如何结合基本构建模块,如自动编码器,循环神经网络,强化学习,以及非常相关的财务问题,如算法交易,统计套利,优化交易执行,所以我们已经做到了“高性能计算和AI NVIDIA随着它推进人工智能并深入学习未来P并行计算硬件使大型数据集上的构建模型和训练算法比使用CPU更快地实现NVIDIA的DGX1系统,一个用于数据科学团队的强大的开箱即用深度学习启动设备,附带一个包含深度的云软件注册表预构建的即插即用软件容器中的学习框架Steinbach说:“许多IT基础架构团队尚未开发深度学习专业知识,因此深度学习框架运行的任务 - 无论是CPU还是GPU - 都可能归功于数据科学团队但DGX允许您避免数据科学团队在基础架构操作上花费大量时间,并且只需要执行您需要他们执行的AI工作“除了GPU架构非常适合于算法需要扩展到许多并行计算,深度学习框架有助于处理网络的多样性例如,递归神经网络有利于金融工程,因为它们允许您合并时间序列像自动编码器这样的工具可以帮助您解决可能没有标记数据的事实;你可能实际上并不知道你在寻找什么;一些行为模式 - 但你无法标记它,你希望网络发现它然后有更多先进的技术,如强化学习,可以学习游戏策略,谷歌用来创建击败世界上最好的围棋玩家的Alpha Go;或者像生成性对抗网络这样的方法,它们实际上学会模仿某些东西,它们可以欺骗另一方看到它“深度学习框架允许研究人员快速构建这些网络,而不必每次都在软件方面重建轮子, “Steinbach说:”有趣的是,大多数这些算法都缩减为引擎盖下的主训练算法,称为反向传播,它是高度并行的,可以更容易地在多个GPU上扩展计算“该算法需要大量数据流 - 它可以是图像,它可以是音频,它可以是数据 - 并训练这些网络和所有参数,因此这些复杂的深度学习算法映射到这个相当简单的算法,该算法大规模并行“如果您的深层神经网络不是'在大数据集上进行足够快速的训练,你基本上可以按下按钮并将其扩展到数据中心的更多GPU“市场预测问题在计算机视觉等用例中,人工智能已经成为一个“大爆炸”,将这种类型的学习应用于金融世界仍然是一个具有较少可用学术证据点和示例代码的命题,试图预测资产价格意味着在一个大的非固定数据集上运行模型,并凭借这一点,试图预测未来 - 几十年来一直在努力解决的问题金融市场被描述为短期投票机,长期称重机;换句话说,趋势跟随和投机之后是更有意义的估值</p><p>解读这些非确定性的行为模式是一个挑战;行为模型只是精确到一定程度,称为模型风险“然而,深度学习代表了数据科学的范式转换,当你开始使用数据建立模型时,而不是相反, “斯坦巴赫说 “这大大避免了模型风险,因此在量化金融工程中将变得更加重要”上面提到的行为模式可以具有特征时间尺度这些模式可以存在于微秒级别,例如,高频交易者是通过利用高速网络的不同交易所之间的微小差异来获得微小的套利收益在动量股票周围存在日间交易模式,人们都必须在午餐时间或当天结束时关闭其头寸“这些日子很多规则将由计算机驱动如果您可以研究市场中的模式并且您可以推断出人们使用什么规则来进行交易;如果您可以推断出,那么您可以在该时间范围内预测,“Steinbach深度学习算法是当政权在市场上发生变化时,也有助于贬低;该算法可能无法预测之后的实际行为,但至少你有这个红旗,编码到你的算法中,可以说,“嘿所有的赌注都关闭了 - 你最好降低风险,”Steinbach指出“算法或许可以告诉你市场体制正在发生变化 - 并且通过一系列针对过去行为训练的算法,它实际上认识到它正在从几年前变为不同的制度,或者它认识到的另一种行为模式“深度学习可以发现趋势,情绪变化和风险,风险偏离行为,这可能是一种简单的事情,从一种类型的股票转向更具防御性的类型“过度拟合和深度学习过度拟合是一个典型的统计问题,模型不会从训练数据到看不见的数据很好地概括当模型描述随机误差和噪声而不是基础关系或信号时,通常因为模型过于复杂而且可能有oo许多参数深度学习可以使用正规化技术减轻过度拟合,例如“丢失”“丢失的作用是随机设置的权重为零;他们试图做的是让所有个体神经元能够自己做出贡献,“Steinbach说”他们试图消除可能导致过度拟合的不太可能的神经元组合</p><p>有一种Okham的Razor原理;如果你有一条经过每个数据点的疯狂曲线,你可能会过度拟合“如果你使用这些技术可以正确地避免过度拟合,那么网络将找不到那种不存在的相关性,”Steinbach补充说“如果它不能准确地说,它不会给你错误的答案“披露: