- Falta de datos. El aprendizaje profundo generalmente requiere tener cantidades masivas de datos, o algunos entrenan un modelo de un conjunto de datos relacionado y aplican el aprendizaje de transferencia. Simplemente no hay tantos datos, incluso en el dominio de alta frecuencia.
- Sobreajuste sin saberlo. Las redes profundas pueden adaptarse a cualquier cosa. Específicamente, las redes profundas pueden ajustarse muy bien a un conjunto de datos etiquetados, incluso cuando las etiquetas son completamente aleatorias. Esto es fundamentalmente diferente de los algos tradicionales de aprendizaje automático.
- Falla en ejemplos adversos. Incluso las redes profundas bien entrenadas pueden fallar cuando se les presenta un ejemplo de confrontación, un ejemplo listo para usar que es prácticamente indistinguible de los datos de entrenamiento, pero difiere en el peor de los casos. Por supuesto, de esto se trata el comercio: encontrar estos casos
Dicho todo esto, hay muchas personas muy inteligentes e inteligentes en las finanzas, estoy seguro de que alguien lo está haciendo con éxito. Al menos a pequeña escala.