क्या डीप लर्निंग का उपयोग लेनदेन को मात्रात्मक बनाने के लिए किया जा सकता है

क्या डीप लर्निंग का उपयोग लेनदेन को मात्रात्मक बनाने के लिए किया जा सकता है

• हां, लेकिन भविष्यवाणियों के साथ मत खेलो ((उच्च आवृत्ति लेनदेन के अलावा))

  मैं कई लेखों को देखता हूं, सार्वजनिक पत्रिकाओं या ब्रोकरों ने लेखों के बारे में लिखा है कि डीप लर्निंग को इनपुट के रूप में ऐतिहासिक संकेतकों पर आधारित है, एलएसटीएम जैसे नेटवर्क का उपयोग करके भविष्य के शेयरों, वायदा की आय को भविष्यवाणी करने के लिए, और व्यापार रणनीति के रूप में मेल खाने के लिए। इस तरह से मैंने मूल रूप से कोशिश की है, या तो वर्गीकरण के माध्यम से, या प्रतिगमन के माध्यम से भविष्यवाणी करने के लिए, परिणाम खराब हैं। और आउटपुट बहुत अधिक झुकाव है।

  यहां नई तकनीकों का उपयोग करके स्टॉक जैसे परिसंपत्तियों की कीमतों का अनुमान लगाने के बारे में बात नहीं की जा रही है, लेकिन सबसे पहले, यह स्पष्ट करने के लिए कि आप भविष्य की भविष्यवाणी क्यों कर सकते हैं? यह ऐतिहासिक डेटा पर आधारित भविष्य की भविष्यवाणी करने की धारणा मजबूत है, एक मजबूत परिकल्पना के तहत, एक ब्लैक बॉक्स के साथ रन में एक कठिन जीत का परिणाम है। यह विश्वास करना मुश्किल है। यही कारण है कि वित्तीय अनुप्रयोगों में निर्णय पेड़ जैसे एल्गोरिदम थोड़ा अधिक हैं।

  तो इस तरह की अच्छी नई तकनीक का उपयोग कैसे किया जाता है? डीप लर्निंग छवि वर्गीकरण के लिए उपयुक्त है, कुंजी यह है कि छवि और नाम के बीच एक स्थिर डेटा आयाम सहसंबंध है, जो अधिक जटिल है, लेकिन संबंध स्थिर है। और वित्तीय अनुक्रम अलग हैं, ऐतिहासिक डेटा भविष्य की भविष्यवाणी करने के लिए तर्क में ही अस्थिर है, जो इस तरह के एक जटिल उपकरण के साथ परिणामों को केवल अधिक भ्रमित करता है। लेकिन वास्तव में, डीप लर्निंग में विशेष रूप से उपयुक्त अनुप्रयोग है, विशेष रूप से मैं क्या कहना सुविधाजनक नहीं हूं, इस तरह के अनुप्रयोग की विशेषता निश्चित रूप से स्थिर सहसंबंध है।

ज़ेनो क्वांटिफ़िकेशन से पुनर्प्रकाशित