Las finanzas son un área muy amplia y necesita separar la teoría de la información del aprendizaje automático. Podría proporcionar algunas ideas / pensamientos sobre el aprendizaje automático: si retrocede desde el piso de negociación y mira la carne y las papas de Wall Street, notará un par de cosas:
Toda la topografía de los distribuidores más grandes del G14, que trafican en IRD, FX Swaps, CC Swaps todavía está plagada de problemas heredados. ¿Por qué? FpML es enormemente jerárquico y se coloca dentro de SWIFT, que también es una regla muy compleja. Los bancos están poniendo sus derivados a través de conexiones de red SWIFT. Se definen cambios en las acciones corporativas MT 564 se está moviendo a ISO-20022, moviendo un terrible estándar SWIFT a un estándar SWIFT aún más arcano y odioso. Todos tienen que cumplir con este formato. 39,000 bases de datos individuales en un banco. También hay bases de datos de acceso adicionales para desarrollar aplicaciones.
Trabajemos desde el frente hasta el back-office en una operación IRD: (Como una forma de fondo si no está familiarizado con IRD. IRD comprende una gran parte del mercado de derivados, hay aproximadamente 2600 transacciones de formación de precios por día en derivados OTC y el tamaño promedio de la transacción es de aproximadamente $ 300 millones. El intercambio total nocional diario de manos es de $ 700 mil millones. IRD comprende swap base, cap / floor, swap de base cruzada, acuerdos de tasa a plazo, swaps de inflación, OIS, IRS, etc. en la oficina de recepción acordando con un tercero, utilizando el formato FIX, luego intercambiando los movimientos al corredor de bolsa, luego a la compensación y luego a la liquidación. Cuando habla de intercambios, es ITCH y OUCH, pero los contratos se definen en FpML y SWIFT para el back-end y. Los derivados deben informarse a los repositorios comerciales y al DTCC. No conoce los detalles del pago cuando trabaja en la oficina principal.
- AI aprende de los datos del pasado para predecir, entonces, ¿debería haber preocupaciones en torno al pensamiento grupal? ¿La creatividad tendrá éxito en un mundo más autónomo?
- ¿Cómo se pueden extender los codificadores automáticos a tamaños de imagen realistas como 640 x 480 o más?
- Cómo aumentar la precisión utilizando redes neuronales convolucionales (CNN / ConvNets) para la regresión
- ¿Cuál es la ventaja de tener en cuenta la curvatura al optimizar las redes neuronales profundas?
- Como el sistema de recomendación está relacionado con el aprendizaje automático, ¿cuál será la próxima moda en los sistemas de recomendación?
El SWAP FX típico en FpML tiene 14 niveles de jerarquía y 3000 elementos que no son todos obligatorios. Si fueran obligatorios, serían mucho más fáciles de pegar en una base de datos. FpML proviene de ISDA. En los viejos tiempos, estaba cargando operaciones en RDBMS, una para SWAP, una para acciones, etc., una para divisas, una para contraparte, una para NOSTO, etc. Actualmente hay 80 versiones diferentes de FpML, cada versión más compleja. No hay un solo banco que use ninguno de esos 80 estándares, usan partes de cada uno. ORM no funciona. La versión ORM del intercambio FpML tiene más de 1000 tablas y una sola unión tiene varios k de tamaño. Pero con una nueva versión de FpML, no puede volver a la base de datos relacional existente, con 8 millones de operaciones y agregar 16 tablas diferentes y todas las consultas. Por lo tanto, la incapacidad de una base de datos relacional para cambiar su estructura es el primer requisito para comprender cómo podría encajar el aprendizaje automático. Este es el problema central que enfrentan las huellas heredadas dominadas por Oracle y Sybase.
Creo que la cuadrícula de datos en memoria puede beneficiarse de la aplicación de algoritmos basados en instancias y algoritmos de árbol de decisión. Específicamente, las áreas en las que se centrarían serían los repositorios y los préstamos de seguridad.
