人工智能系統(tǒng)將神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)結(jié)合使用

的研究人員已經(jīng)將卷積神經(jīng)網(wǎng)絡(luò)(CNN)的新興科學(xué)與人工智能的一門(mén)學(xué)科-深度學(xué)習(xí)相融合，以實(shí)現(xiàn)市場(chǎng)預(yù)測(cè)系統(tǒng)，與以前使用AI方法進(jìn)行管理的嘗試相比，該系統(tǒng)具有更大的收益和更少的損失股票投資組合。卡利亞里大學(xué)的Silvio Barra教授領(lǐng)導(dǎo)的研究小組在IEEE / CAA自動(dòng)化學(xué)報(bào)上發(fā)表了他們的發(fā)現(xiàn)。

來(lái)自卡利亞里大學(xué)的團(tuán)隊(duì)著手制定一項(xiàng)由AI管理的“購(gòu)買(mǎi)與持有”(B&H)策略-一種決定是否采取三種可能行動(dòng)之一的系統(tǒng)-一項(xiàng)長(zhǎng)期行動(dòng)(購(gòu)買(mǎi)股票并在交易發(fā)生前出售股票)市場(chǎng)收盤(pán))，短期操作(賣(mài)出股票，然后在市場(chǎng)收盤(pán)之前買(mǎi)回)和持有(決定當(dāng)天不投資股票)。他們提出的系統(tǒng)的核心是分析從當(dāng)前和過(guò)去的市場(chǎng)數(shù)據(jù)生成的分層圖像的自動(dòng)循環(huán)。較早的B&H系統(tǒng)的決策基于機(jī)器學(xué)習(xí)，而該學(xué)科在很大程度上依賴于基于過(guò)去性能的預(yù)測(cè)。

通過(guò)讓他們建議的網(wǎng)絡(luò)分析覆蓋過(guò)去數(shù)據(jù)的當(dāng)前數(shù)據(jù)，他們將市場(chǎng)預(yù)測(cè)向前走了一步，從而獲得了一種更能反映經(jīng)驗(yàn)豐富的投資者而不是機(jī)器人直覺(jué)的學(xué)習(xí)類(lèi)型。他們建議的網(wǎng)絡(luò)可以根據(jù)當(dāng)前和過(guò)去發(fā)生的情況來(lái)調(diào)整其購(gòu)買(mǎi)/出售閾值?？紤]到當(dāng)今的因素，與不具備實(shí)時(shí)學(xué)習(xí)能力的隨機(jī)猜測(cè)和交易算法相比，都可以提高收益。

為了訓(xùn)練他們的CNN以進(jìn)行實(shí)驗(yàn)，研究小組使用了2009年至2016年的S&P 500數(shù)據(jù)。S&P 500被廣泛視為對(duì)整個(gè)全球市場(chǎng)健康的試金石。

最初，他們提出的交易系統(tǒng)以大約50%的準(zhǔn)確度預(yù)測(cè)市場(chǎng)，或者大約足以在現(xiàn)實(shí)世界中達(dá)到收支平衡的準(zhǔn)確度。他們發(fā)現(xiàn)短期異常值超出預(yù)期或表現(xiàn)不佳，從而產(chǎn)生了一個(gè)稱(chēng)為“隨機(jī)性”的因素。意識(shí)到這一點(diǎn)，他們?cè)黾恿碎撝悼刂?，最終極大地穩(wěn)定了他們的方法。

巴拉教授說(shuō)：“減輕隨機(jī)性會(huì)產(chǎn)生兩個(gè)簡(jiǎn)單但重要的后果。”“當(dāng)我們失敗時(shí)，我們往往損失很少，而當(dāng)我們獲勝時(shí)，我們往往會(huì)贏得相當(dāng)大的收益。”