Deep Learning se usa mucho en las finanzas en este momento. El hecho de que muchos fondos de cobertura estén arrebatando científicos de aprendizaje profundo (como Renaissance y Two Sigma) significa que tienen algo planeado para ello. Algunas formas más experimentales son:
- Usando CNN para analizar gráficos de negociación para ver si podemos identificar patrones en los gráficos de negociación de acciones.
- Usando Deep Q Learning para analizar los tiempos óptimos para operar.
- Encontrar la combinación óptima de cartera con LSTM (básicamente queremos crear una integración que nos muestre la frontera óptima de una cartera con 300 acciones).
- Un área que siempre pensé que sería interesante es estudiar si el reconocimiento de voz podría predecir en función de cómo alguien está hablando (su tono es la voz, su elección de palabras, cómo dicen ciertas palabras, etc.) si las tasas de interés van a aumentar (por ejemplo, si estamos escuchando al presidente de la Fed, podríamos predecir si las tasas de interés vamos a subir).
Nos estamos alejando del uso de datos de retorno pasados impredecibles y de usar más texto, imágenes e incluso voz. Entonces sí, DL se usa en Finanzas.
- ¿Cómo afecta el término de regularización a la constante de Lipschitz en la minimización empírica regularizada del riesgo?
- ¿Cuáles son las definiciones de entrada, salida y destino en el aprendizaje automático?
- ¿Cuál es el mejor método para la reducción de dimensionalidad y la selección / extracción de características en datos de espectrometría de masas?
- ¿Cuáles son las relaciones entre diversidad y precisión en los enfoques de conjunto?
- ¿Es posible utilizar el aprendizaje automático para hacer un programa que pueda programar?
