O Deep Learning é usado em finanças apenas de maneiras limitadas, principalmente no comércio, e mesmo lá os aplicativos são restritos e focados em estratégias específicas, como o High Frequency Trading (HFT). Existem também exemplos de uso da DL para extrair sinais, como notícias de sentimentos e notícias, mas esses são apenas periféricos, com pouca influência geral nas principais estratégias, modelos e conceitos financeiros. Outras respostas aqui fornecem uma boa imagem do escopo de tais usos.
Pode-se dizer que, no início de 2019, os exemplos de usos do Deep Learning in Finance não são profundos e são surpreendentemente superficiais. As idéias centrais dos comportamentos dos mercados, como por exemplo ciclos de negócios, foram intocados e ignorados pelo Deep Learning e até pela IA mais ampla em geral.
Vamos olhar para uma imagem (muito) mais ampla e pensar em alguém como um dos principais gestores de fundos de hedge ou um pensador profundo em finanças. Poderíamos contemplar que a IA e a DL em geral sejam usadas em altos níveis abstratos em que operam, pensando em termos de amplas tendências macroeconômicas e possíveis surpresas às visões principais do crescimento perpétuo supostamente estável?
A surpresa mais recente, a Grande Crise Financeira de 2008 trouxe à tona as pessoas que não apenas avisaram com antecedência, mas também aproveitaram-se ao estabelecer posições (altamente alavancadas), gerando grandes lucros em meio a enormes perdas em estratégias mais convencionais.
Essa superficialidade percebida dos usos do DL nas finanças, na verdade, reflete críticas mais gerais do estado atual do Deep Learning em Inteligência Artificial (geral) por luminares notáveis como Geoffrey Hinton. Os críticos também incluem Gary Marcus, que tem sido um líder nessa área, além de Reconhecimentos liderando equipes de DL e empresas como DeepMind e Google Brain.
Como um exemplo desse estado de coisas, considere os resultados atuais do Google para a presente pergunta:
O resultado principal reconhece o ângulo HFT e existem outros resultados, como Aprendizado profundo em finanças - Fintech with Todd - Medium que mencionam estratégias de longo prazo, embora a extensão temporal seja relativa - falando de "horas, dias ou até semanas". É particularmente interessante e indicativo do foco no curto prazo que algumas semanas são consideradas excepcionalmente longas.
Observe também que a qualidade geral dos resultados atuais do Google em termos de resposta à pergunta, em vez de apenas retornar links azuis, não é alta. Não há infobox resumindo nada, e o negrito é usado apenas para repetir as palavras-chave da pergunta. Os trechos são amplamente construídos da mesma forma que na pesquisa geral. Esse estado dos resultados do Google também reflete a falta de profundidade, de maneira semelhante à superficialidade discutida acima do uso do Deep Learning em Finanças e Deep Learning em Inteligência Geral Artificial em geral.
Uma das principais questões é a falta de abordar os conceitos abstratos principais, em vez de focar apenas na percepção e no processamento, como em Visão de Máquina e Processamento de Linguagem Natural. Os avanços no aprendizado de jogos e reforço também estão em processo, pois não está claro como generalizar o jogo avançado para os cenários mais simples do mundo real, como reconhecido livremente por Demis Hassabis de DeepMind.
Atualmente, a comunidade Deep Learning está amplamente preocupada com a capacidade das crianças de aprender e captar novos conceitos rapidamente em um pequeno número de sessões de treinamento. Isso pode ser verdade para uma criança, ou mesmo um animal, descobrindo rapidamente que bater a cabeça contra uma parede não é algo que eles deveriam continuar fazendo. Mas e quanto a conceitos mais abstratos, como por exemplo dinheiro, capital, mercados, ciclos de negócios?
Demora uma vida inteira até que as melhores mentes entendam esses conceitos e, mesmo assim, todos eles conhecem e reconhecem suas limitações. Quantas sessões de treinamento foram necessárias para Geoffrey Hinton e Demis Hassabis alcançarem seus níveis de entendimento sobre DL e IA em geral? É desnecessário dizer que eles NÃO consideram seus níveis atuais como finais e finais.
Não há razão para que AI e DL não consigam considerar e tentar modelar conceitos mais abstratos mencionados acima, bem como outros. Abordagens como word2vec e os embeddings são usados para produzir vetores para todos os tipos de strings, incluindo coisas mais abstratas. Em vez de olhar apenas para analogias aparentemente triviais, como "homem é a mulher como rei é ? não há razão para não podermos olhar para algo como por exemplo "O Dotcom Crash de 2000 é a Grande Crise Financeira de 2008, assim como os estoques da Internet?' Existem várias respostas possíveis, como hipotecas subprime or alavancagem excessiva.
O Deep Learning in Finance precisa começar a lidar com conceitos tão abstratos para chegar ao próximo nível, além das arbitragens de negociação de curto prazo simples e com foco restrito. Nesse sentido, será um grande reflexo do Aprendizado Profundo que se aproxima de algo como a verdadeira Inteligência Geral Artificial.
Os mantras de Ganesh serão os que eu recomendo.Existem muitos outros mantras detalhados, longos e complexos, que mais tarde você pode cantar quando você for um cantor de mantras hardcore.Mesmo existe um mantra da versão longa siddhivinayak que cobre todos os aspectos da vida.Então laxmi kuber indra shukracharya mantras para a riqueza.Mas sempre, o sangramento do senhor Ganesha é vital.Eles otimiza...
O Deep Learning é usado em finanças apenas de maneiras limitadas, principalmente no comércio, e mesmo lá os aplicativos são restritos e focados em estratégias específicas, como o High Frequency Trading (HFT). Existem também exemplos de uso da DL para extrair sinais, como notícias de sentimentos e notícias, mas esses são apenas periféricos, com pouca influência geral nas principais estratégias, modelos e conceitos financeiros. Outras respostas aqui fornecem uma boa imagem do escopo de tais usos.
Pode-se dizer que, no início de 2019, os exemplos de usos do Deep Learning in Finance não são profundos e são surpreendentemente superficiais. As idéias centrais dos comportamentos dos mercados, como por exemplo ciclos de negócios, foram intocados e ignorados pelo Deep Learning e até pela IA mais ampla em geral.
Vamos olhar para uma imagem (muito) mais ampla e pensar em alguém como um dos principais gestores de fundos de hedge ou um pensador profundo em finanças. Poderíamos contemplar que a IA e a DL em geral sejam usadas em altos níveis abstratos em que operam, pensando em termos de amplas tendências macroeconômicas e possíveis surpresas às visões principais do crescimento perpétuo supostamente estável?
A surpresa mais recente, a Grande Crise Financeira de 2008 trouxe à tona as pessoas que não apenas avisaram com antecedência, mas também aproveitaram-se ao estabelecer posições (altamente alavancadas), gerando grandes lucros em meio a enormes perdas em estratégias mais convencionais.
Essa superficialidade percebida dos usos do DL nas finanças, na verdade, reflete críticas mais gerais do estado atual do Deep Learning em Inteligência Artificial (geral) por luminares notáveis como Geoffrey Hinton. Os críticos também incluem Gary Marcus, que tem sido um líder nessa área, além de Reconhecimentos liderando equipes de DL e empresas como DeepMind e Google Brain.
Como um exemplo desse estado de coisas, considere os resultados atuais do Google para a presente pergunta:
O resultado principal reconhece o ângulo HFT e existem outros resultados, como Aprendizado profundo em finanças - Fintech with Todd - Medium que mencionam estratégias de longo prazo, embora a extensão temporal seja relativa - falando de "horas, dias ou até semanas". É particularmente interessante e indicativo do foco no curto prazo que algumas semanas são consideradas excepcionalmente longas.
Observe também que a qualidade geral dos resultados atuais do Google em termos de resposta à pergunta, em vez de apenas retornar links azuis, não é alta. Não há infobox resumindo nada, e o negrito é usado apenas para repetir as palavras-chave da pergunta. Os trechos são amplamente construídos da mesma forma que na pesquisa geral. Esse estado dos resultados do Google também reflete a falta de profundidade, de maneira semelhante à superficialidade discutida acima do uso do Deep Learning em Finanças e Deep Learning em Inteligência Geral Artificial em geral.
Uma das principais questões é a falta de abordar os conceitos abstratos principais, em vez de focar apenas na percepção e no processamento, como em Visão de Máquina e Processamento de Linguagem Natural. Os avanços no aprendizado de jogos e reforço também estão em processo, pois não está claro como generalizar o jogo avançado para os cenários mais simples do mundo real, como reconhecido livremente por Demis Hassabis de DeepMind.
Atualmente, a comunidade Deep Learning está amplamente preocupada com a capacidade das crianças de aprender e captar novos conceitos rapidamente em um pequeno número de sessões de treinamento. Isso pode ser verdade para uma criança, ou mesmo um animal, descobrindo rapidamente que bater a cabeça contra uma parede não é algo que eles deveriam continuar fazendo. Mas e quanto a conceitos mais abstratos, como por exemplo dinheiro, capital, mercados, ciclos de negócios?
Demora uma vida inteira até que as melhores mentes entendam esses conceitos e, mesmo assim, todos eles conhecem e reconhecem suas limitações. Quantas sessões de treinamento foram necessárias para Geoffrey Hinton e Demis Hassabis alcançarem seus níveis de entendimento sobre DL e IA em geral? É desnecessário dizer que eles NÃO consideram seus níveis atuais como finais e finais.
Não há razão para que AI e DL não consigam considerar e tentar modelar conceitos mais abstratos mencionados acima, bem como outros. Abordagens como word2vec e os embeddings são usados para produzir vetores para todos os tipos de strings, incluindo coisas mais abstratas. Em vez de olhar apenas para analogias aparentemente triviais, como "homem é a mulher como rei é ? não há razão para não podermos olhar para algo como por exemplo "O Dotcom Crash de 2000 é a Grande Crise Financeira de 2008, assim como os estoques da Internet?' Existem várias respostas possíveis, como hipotecas subprime or alavancagem excessiva.
O Deep Learning in Finance precisa começar a lidar com conceitos tão abstratos para chegar ao próximo nível, além das arbitragens de negociação de curto prazo simples e com foco restrito. Nesse sentido, será um grande reflexo do Aprendizado Profundo que se aproxima de algo como a verdadeira Inteligência Geral Artificial.