pateikė KeAi Communications Co.
Siūlomo metodo našumas lyginant su optimalia strategija. Kreditas: Finansų ir duomenų mokslo žurnalas (2023). DOI: 10.1016/j.jfds.2023.100101 Dirbtinis intelektas (AI) dažnai reklamuojamas kaip sidabrinė kulka, padedanti išspręsti sudėtingas modeliavimo problemas. Tarp daugybės pritaikymų jis buvo ištirtas kaip priemonė valdyti sudėtingų investicinių produktų (vadinamųjų išvestinių finansinių priemonių sutarčių) riziką investicinės bankininkystės srityje. Nepaisant daugybės teigiamų ataskaitų šioje srityje, kilo susirūpinimas dėl jų praktinio pritaikymo.
Naujame tyrime, paskelbtame m Finansų ir duomenų mokslo žurnalasmokslininkų grupė iš Šveicarijos ir JAV ištyrė, ar RL agentai gali būti mokomi apsidrausti nuo išvestinių finansinių priemonių sutarčių.
„Neturėtų stebėtis, kad jei mokysite dirbtinį intelektą remdamiesi modeliuojamais rinkos duomenimis, jis gerai veiks rinkose, kurios atspindi modeliavimą, o daugelio AI sistemų duomenų suvartojimas yra siaubingas“, – aiškina Loris Cannelli, pirmasis knygos autorius. tyrimas ir Šveicarijos IDSIA mokslininkas.
Siekdami įveikti mokymo duomenų trūkumą, mokslininkai linkę manyti, kad yra tikslus rinkos treniruoklis, skirtas apmokyti savo AI agentus. Tačiau tokio treniruoklio sukūrimas sukelia klasikinę finansų inžinerijos problemą: modelio modelio pasirinkimas ir jo kalibravimas, o dirbtiniu intelektu pagrįstas metodas panašus į standartinius Monte Karlo metodus, naudojamus dešimtmečius.
„Tokį dirbtinį intelektą taip pat vargu ar galima laikyti be modelio: tai būtų taikoma tik tuo atveju, jei būtų pakankamai rinkos duomenų mokymui, o realistiškose išvestinių finansinių priemonių rinkose tai retai būna“, – sako Cannelli.
Tyrimas, bendradarbiaujant IDSIA ir UBS investiciniam bankui, buvo pagrįstas vadinamaisiais giliojo konteksto banditais, kurie RL yra gerai žinomi dėl savo duomenų efektyvumo ir tvirtumo. Motyvuotas realių investicinių įmonių veiklos realijų, jis apima dienos pabaigos ataskaitų teikimo reikalavimus ir pasižymi žymiai mažesniu mokymo duomenų poreikiu, palyginti su įprastiniais modeliais, ir prisitaikymu prie besikeičiančių rinkų.
„Praktiškai duomenų prieinamumas ir veiklos realybė, pvz., reikalavimas pranešti apie dienos pabaigos rizikos skaičius, yra pagrindiniai veiksniai, lemiantys realų darbą banke, o ne idealus agento mokymas“, – aiškina vyresnysis autorius. Olegas Szehras, kuris iki paskyrimo į IDSIA buvo kelių investicinių bankų darbuotojas. „Viena iš naujai sukurto modelio privalumų yra ta, kad jis iš esmės primena verslo operacijas investicinėje įmonėje ir todėl yra pritaikomas iš praktinės perspektyvos.
Nors naujasis metodas yra paprastas, griežtas modelio veikimo įvertinimas parodė, kad naujasis metodas pranoksta lyginamąsias sistemas efektyvumo, pritaikomumo ir tikslumo požiūriu realiomis sąlygomis. „Kaip dažnai būna realiame gyvenime, mažiau yra daugiau – tas pats pasakytina ir apie rizikos valdymą“, – daro išvadą Cannelli.
Daugiau informacijos: Loris Cannelli ir kt., Apsidraudimas naudojant sustiprinimo mokymąsi: kontekstinis k-rankinis banditas prieš Q mokymąsi, Finansų ir duomenų mokslo žurnalas (2023). DOI: 10.1016/j.jfds.2023.100101
Pateikė KeAi Communications Co.
Citata: mašininio mokymosi metodai, skirti apsaugoti bankus nuo sudėtingų investicinių produktų rizikos (2023 m., gruodžio 29 d.), gauti 2023 m. gruodžio 29 d. iš https://techxplore.com/news/2023-12-machine-methods-banks-complex-investment.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
