机器学习算法和训练方法:决策流程图
机器学习将改变投资管理。然而,许多投资专业人士仍然在打造自己的了解机器学习是如何工作的以及如何应用它。记住这一点,下面是一个入门机器学习训练方法和机器学习决策流程图说明脚注,可以帮助确定什么样的方法应用于基于最终目标。
机器学习训练方法
1。整体学习
无论多么精心挑选,每台机器学习算法有一定的误码率和将倾向于嘈杂的预测。整体学习解决这些缺陷相结合预测从各种算法和平均结果。这减少了噪音,从而产生更精确和稳定比最好的单一模型的预测。事实上,整体学习方案赢得了许多著名的机器学习竞赛。
整体学习聚集异构或同质的学习者。异构的学习者是不同类型的算法,结合分类器投票。相比之下,同质学习者是相同的组合算法,使用不同的训练数据的基础上引导聚合,或装袋,技术。
2。强化学习
随着虚拟现实应用程序类似于真实的环境中,反复试验机器学习方法可以应用到金融市场。强化学习算法提取的见解通过彼此相互作用以及数据生成的相同的算法。他们也使用监督或无监督深层神经网络(款)深度学习(DL)。
强化学习成为头条新闻DeepMind AlphaGo计划击败卫冕世界冠军的古老游戏在2017年。AlphaGo算法功能设计代理执行最大回报的行为随着时间的推移,同时考虑到环境的约束。
强化学习和无监督学习没有直接带安全标签的数据时对每个观察或瞬时反馈。算法必须遵守它的环境,通过测试学习新动作,其中一些可能不会立即优化和重新申请之前的经历。学习通过试验和错误发生。
学者和实践者在投资策略:强化学习应用代理可能是一个虚拟的交易员,遵循特定的交易规则(操作)在一个特定的市场(环境)最大化其利润(奖励)。然而,强化学习能否在复杂的金融市场仍然是一个悬而未决的问题。
机器学习决策流程图
脚注
1。主成分分析(PCA)是一个代表预测模型的复杂性,帮助减少功能,或维度。如果数据有许多高度相关X我功能或输入,那么主成分分析可以执行更改的基础数据,因此只有最高的解释力的主成分的方差特征选择。一组n线性无关的和正交向量-n是一个自然数,或非负整数——被称为基础。在机器学习输入功能,而输入被称为解释性或独立变量在传统线性回归等统计方法。同样,一个目标Y(输出)在机器学习是一个解释,或因变量,在统计方法。
2。自然语言处理(NLP)包括但不限于情绪分析的文本数据。通常有一些监督和非监督学习步骤,通常被认为是self-supervised因为它有监督和无监督的属性。
3所示。简单或多元线性回归没有正规化(处罚)通常归类为一个传统的统计方法而不是一种机器学习方法。
4所示。套索回归、L1正规化和岭回归,或L2正规化,正则化技术,防止过度学习的帮助下处罚。简单地说,套索用于减少特征的数量,或特征选择,而脊保持特征的数量。套索往往简化目标预测模型,而脊可以更复杂和处理multi-collinearity特性。正则化技术不仅可以应用与统计方法,包括线性回归、而且在机器学习,如深度学习,处理非线性目标和功能之间的关系。
5。机器学习应用程序采用深层神经网络(款)通常被称为深度学习。目标值是连续数值数据。深入学习hyperparameters(例如,数量的时代和正规化的学习速率),这是由人类和优化,没有深刻的学习算法。
6。分类和回归树(车)和随机森林目标离散的值,或分类数据。
7所示。集群的数量K——hyperparameters之一——是人类提供的一个输入。
8。层次聚类算法组相似的输入数据到集群。集群的数量是由算法决定的,不是由直接人工输入。
9。再邻居(资讯)算法也可以用于回归。然而,算法需要大量的邻居(分类)由人类作为hyperparameter提供。然而,算法也可以用于回归,但为了简单起见省略了。
10。支持向量机(svm)的监督学习方法应用于线性分类但也使用非线性分类和回归。
11。Naive Bayes分类器概率和应用贝叶斯定理(天真)强劲的独立假设之间的特性。
引用
凯萨琳DeRose CFA,马修·迪克森博士,农场,克利斯朵夫勒Lannou。2021。”机器学习CFA爱游戏安全吗协会。”复习阅读。2022年CFA项目II级,阅读4。
罗伯特Kissell博士和芭芭拉·j·麦克。2019。”在投资管理Fintech。”爱游戏安全吗复习阅读,我2022 CFA项目水平,阅读55。
如果你喜欢这篇文章,别忘了订阅有事业心的投资者。
所有文章作者的观点。因此,他们不应该被视为投资建议,也不代表CFA协会的观点表达的观点或作者的雇主。爱游戏安全吗
图片来源:©盖蒂图片社/ Jorg格洛伊尔
专业学习CFA协会会员爱游戏安全吗
爱游戏安全吗CFA协会成员有权自行决定和自我报告的专业学习(PL)的学分,包括内容有事业心的投资者。成员可以记录学分容易使用他们在线PL追踪。
