Mga Pundamental ng AI
Machine Learning sa Finance
Neural network, LLM, at machine learning para sa mga merkado.
Sa leksyong ito
- Bakit mahirap para sa ML ang mga merkado
- Ano ang overfitting
Mga pangunahing aral
- 1Ang mga merkado ay maingay, adaptive, at non-stationary
- 2Ang overfitting ay nagsasaulo ng ingay at nabigo sa bagong data
- 3Ang matibay na validation ay mas mahalaga kaysa sa mga magarbong modelo
Buod ng leksyon
Ang machine learning sa pananalapi ay mahirap dahil ang mga market ay umaangkop.
Mental Model
Mental model: Machine Learning sa Finance
Ang machine learning sa pananalapi ay mahirap dahil ang mga market ay umaangkop. Ang mga pattern ay maaaring mawala kapag ang mga trader ay nagsasamantala sa kanila o nagbabago ang mga kondisyon.
- Bakit mahirap para sa ML ang mga merkado
- Ano ang overfitting
Mekanismo
Paano dapat isipin ang tungkol sa machine learning sa finance
Ang data sa pananalapi ay maingay at madalas na hindi-stationary.
Ang mga label ay maaaring mag-leak ng impormasyon sa hinaharap kung ang dataset ay hindi maingat na itinayo.
Ang mga modelo ay nangangailangan ng makatotohanang pag-validate, mga gastos sa transaksyon, at pagsubok ng regime.
- Ang mga merkado ay maingay, adaptive, at non-stationary
- Ang overfitting ay nagsasaulo ng ingay at nabigo sa bagong data
- Ang matibay na validation ay mas mahalaga kaysa sa mga magarbong modelo
Halimbawa
Halimbawa ng Machine Learning sa Finance sa pagkilos
Ang isang modelo na humuhula ng mga kita mula sa social sentiment ay maaaring gumana sa panahon ng bull market at mabigo kapag pumipinid ang liquidity o nag-ro-rotate ang mga salaysay.
Mga Karaniwang Pagkakamali
Ang pinakakaraniwang pagkakamali sa machine learning sa finance
Ang isang mataas na marka ng backtest ay maaaring nagmumula sa leakage, overfitting, o swerteng pagpili ng sample sa halip na isang tunay na edge.
Mga Tala sa Panganib
Ang tunay na panganib sa likod ng machine learning sa finance
Ang look-ahead bias, survivorship bias, nagbabagong mga korelasyon, at mahinang mga pagpapalagay ng pagpapatupad ay maaaring sirain ang live na performance.
- Suriin ang look-ahead bias.
- Isama ang mga gastos at slippage.
- Subukan sa iba't ibang mga regime ng market.
Pagsasanay
Gamitin ang machine learning sa finance sa aktibong desisyon
- Suriin ang look-ahead bias.
- Isama ang mga gastos at slippage.
- Subukan sa iba't ibang mga regime ng market.
Suriin
Mga pangunahing termino
- Bull Market
- Isang matagalang panahon ng tumataas na mga presyo at optimismo.
- Liquidity
- Kung gaano kadaling mabili o maibenta ang isang asset nang hindi masyadong gumagalaw ng presyo nito.
- Slippage
- Ang pagkakaiba sa pagitan ng inaasahan at pinatupad na presyo, karaniwan sa mga merkado na may mababang liquidity o mabilis.
- Machine Learning
- Mga algorithm na natututo ng mga pattern mula sa datos sa halip na malinaw na ma-program.
- Overfitting
- Kapag ang isang modelo ay nagsasaulo ng ingay at nabibigo sa pag-generalize sa bagong datos.
Mga tala sa pinagkukunan
Mga sangguniang editoryal
Ang mga sangguniang ito ay mga panimulang punto para sa pag-verify ng mga mekanismo, pagsusuri ng panganib, at konteksto ng produkto sa likod ng leksyong ito.
Bago ka magpatuloy
Kaya mo bang gawin ang mga ito?
- Suriin ang look-ahead bias.
- Isama ang mga gastos at slippage.
- Subukan sa iba't ibang mga regime ng market.
Kaugnay na pag-aaral
Magpatuloy sa pagbabasa
Checkpoint
Tapusin ang leksyong ito
Ipasa ang pagsusuri upang i-save ang progreso, pagkatapos ay ituloy ang track nang sunud-sunod.
I-lock ang leksyong ito
Sagutin nang tama ang bawat tanong upang makumpleto ang leksyon.
Ang overfitting sa ML ay nangangahulugang ang isang modelo ay...