Qual é a diferença entre ML em finanças e ML em outros campos?
Respostas
05/05/2024
Bryon Laffredo
Na minha opinião, as principais diferenças resultam de diferenças nos dados. No setor financeiro, os dados são (muito) barulhentos e geralmente não estacionários. Os "sinais" não podem ser separados do "ruído" de nenhuma maneira única, por uma questão de princípio. Isso é muito diferente do, digamos, processamento de imagem, onde o nível de ruído pode ser controlado, pelo menos em princípio. Além disso, a noção de dados não estacionários é inexistente para o processamento de imagens. Devido a um papel pronunciado do ruído, alguns modelos de ML, por exemplo modelos não probabilísticos, não são muito úteis em finanças.
A outra diferença é a quantidade de dados. Muitos problemas interessantes de finanças são problemas com conjuntos de dados de pequeno a médio porte, o que torna problemáticas as aplicações de métodos que exigem dados, como o aprendizado profundo. Portanto, nas finanças, a imposição de algum conhecimento prévio geralmente é necessária, via (dependendo do método usado) escolhas de regularização, anteriores Bayesianos ou outros princípios gerais, como análise de simetrias.
Uma diferença mais importante é que o espaço de estado “verdadeiro” nas finanças não está bem definido. Existem os chamados eventos do cisne negro - coisas que estão fora dos modelos financeiros, por exemplo, risco político, que, no entanto, podem ter um forte impacto nos preços de segurança. Há uma diferença entre incerteza e probabilidade (risco). A maioria dos modelos de ML (assim como a maioria dos modelos financeiros clássicos) lida com sistemas probabilísticos com um espaço de estado bem definido - eles não admitem cisnes negros. São modelos de risco, mas não modelos de incerteza.
Depende do que você está procurando em termos de aparência do trabalho, quem são as pessoas com quem você deseja trabalhar, qual empresa e setor que você procura? Uma opção pode ser continuar com a empresa atual ou no mesmo setor, mas para um trabalho próximo, se você trabalhou muito com receitas, pode tentar ir para o planejamento de vendas / demanda, ou se você é um especialista em capital de gi...
Na minha opinião, as principais diferenças resultam de diferenças nos dados. No setor financeiro, os dados são (muito) barulhentos e geralmente não estacionários. Os "sinais" não podem ser separados do "ruído" de nenhuma maneira única, por uma questão de princípio. Isso é muito diferente do, digamos, processamento de imagem, onde o nível de ruído pode ser controlado, pelo menos em princípio. Além disso, a noção de dados não estacionários é inexistente para o processamento de imagens. Devido a um papel pronunciado do ruído, alguns modelos de ML, por exemplo modelos não probabilísticos, não são muito úteis em finanças.
A outra diferença é a quantidade de dados. Muitos problemas interessantes de finanças são problemas com conjuntos de dados de pequeno a médio porte, o que torna problemáticas as aplicações de métodos que exigem dados, como o aprendizado profundo. Portanto, nas finanças, a imposição de algum conhecimento prévio geralmente é necessária, via (dependendo do método usado) escolhas de regularização, anteriores Bayesianos ou outros princípios gerais, como análise de simetrias.
Uma diferença mais importante é que o espaço de estado “verdadeiro” nas finanças não está bem definido. Existem os chamados eventos do cisne negro - coisas que estão fora dos modelos financeiros, por exemplo, risco político, que, no entanto, podem ter um forte impacto nos preços de segurança. Há uma diferença entre incerteza e probabilidade (risco). A maioria dos modelos de ML (assim como a maioria dos modelos financeiros clássicos) lida com sistemas probabilísticos com um espaço de estado bem definido - eles não admitem cisnes negros. São modelos de risco, mas não modelos de incerteza.