¿Cuál es la dificultad de aplicar el método de aprendizaje profundo a los mercados financieros?

La razón es que el mercado de valores es básicamente una martingala, lo que significa que los datos históricos anteriores casi no tienen relación con el futuro. Aquí es donde la mayoría de las personas que intentan aplicar el aprendizaje profundo al mercado de valores fracasan. Piénselo, cuando compra una acción, generalmente la compra por algo que escuchó en las noticias, las redes sociales o sus amigos. Esta es información externa y si alguna vez planea probar y utilizar el aprendizaje profundo para la predicción del mercado de valores, entonces lo necesitará. Necesitará recursos masivos de gpu para ejecutar rápidamente terabytes de datos de noticias por día, y esto incluye todas las noticias, no solo las financieras.

Entonces, si realmente quieres tomarlo en serio. Aquí está la tubería que usé para mi experimento, no:

1. Entrene algunas incrustaciones de palabras en noticias financieras, noticias de tecnología, noticias de moda, etc. (cada tema de noticias debe tener el suyo).
2. Entrene un clasificador de tema de artículo para utilizarlo junto con los modelos que entrenó en 1.
3. Construir un sistema de agente de aprendizaje de refuerzo profundo de actor crítico de ventaja asíncrono distribuido . Múltiples agentes dan un impulso superlineal en el rendimiento.
4. Disfrute de sus retornos del 2% por año para todo ese trabajo, y después de gastar tanto en gpus, ni siquiera le queda capital para invertir 😉

El aprendizaje profundo no puede resolver el problema de predicción no porque el aprendizaje profundo no sea bueno o no sea mejor, sino porque las predicciones simplemente no funcionan (bueno, en su mayoría lo hacen cuando no importan, pero eso no ayuda cuando es eventos grandes, raros e impredecibles que lo llevan a la bancarrota).

La pregunta menciona que las distribuciones de probabilidad no son estacionarias, lo cual es cierto y de hecho hace las cosas más difíciles. Sin embargo, un problema más fundamental es que los momentos de estas distribuciones no solo no son constantes, sino que tampoco son medibles con ninguna precisión útil incluso si son estacionarias (los eventos de cola son, por definición, raros). Pequeños errores sobre la cola exponente puede hacer grandes diferencias, por lo que sus predicciones serán extremadamente poco confiables.

Si te alejas de la predicción, el aprendizaje profundo aún puede ser útil. Por ejemplo, pruebe el aprendizaje de refuerzo profundo sin modelo.