금융에선 현업이 아니라 잘 모르겠지만
포트폴리오 매니지먼트는 강화학습 써서 policy를 딥러닝 모델로 해보려는 시도가 꾸준히 잇기도 해서 마냥 병신이라 하기도 좀 모루겟슴 - dc App
미쿠쟝사랑해(221.163)2022-01-04 12:40
답글
딥러닝도 통계학 테크닉이라 이미 그런건 다 연구끝남 지금 인공지능이 핫한 이유는 전산기술의 발달로 이론적으로만 입증된 모델들이 현실에서도 돌아가면서 결과를 뽑을 수 있게 되었기 때문임.
익명(223.38)2022-01-04 12:42
답글
물론 그 결과를 뽑을 수 있는 input data는 noise가 상대적으로 덜한 위에서 언급한 데이터 종류이지 금융데이터만 하더라도 완벽히 설명 가능한 factor를 찾기란 불가능한데 이걸 딥러닝 모델이 알아서 latent variable이랑 weight를 뽑아준다고? 그건 걍 무당임
익명(223.38)2022-01-04 12:45
답글
님아가 말하는건 내가 근사를 완벽하게 잘 하는 근사함수를 만들었을 때에도 노이즈나 여러 다른 요소 때문에 한계가 잇다는거 잔슴
잘 된다고 하는 영역에서도
다른 머신러닝 모델들은 인풋 샘플 수에 대한 worst bound같은게 존재하는데 딥러닝은 이런 이론적 보장 하나도 없어서
이런게 존재하는지 이런 이론적 상/하한을 찾는 연구도 아직 없고
미쿠쟝사랑해요(121.169)2022-01-04 12:52
답글
"금융데이터만 하더라도 완벽히 설명 가능한 factor" 찾기란 불가능한데 <<
이거 이미지에서도 "코"나 "입술"같은 시각적 특징을 수학적으로 기술하긴 존나존나 힘든데, 딥러닝은 이런 특징들을 잘 캐치해낸다는게 알려져 있음
딥러닝이 어떤 식으로 저런 시각적 특징을 잘 찾아서, 기억하고 있는지에 대한 연구도 진행되면
금융데이터에서 설명 가능한 factor를 찾는데 도움이 될 수도 있지 않을까요?
미쿠쟝사랑해요(121.169)2022-01-04 12:54
답글
딥러닝이 왜 코나 입술같은 feature들을 잘 capture하냐면, 걔네들은 noise가 껴봤자 코나 입술의 범주를 크게 안벗어나기 때문임. 코나 입술이 망가지거나 형태가 조금 다르더라도 위치까지 바뀐 경우 (눈의 위치에 코가 달렸다거나) 개수가 여러개인 경우 (코나 입이 여러개)인 이미지 데이터가 있어?
익명(223.38)2022-01-04 16:35
답글
그렇기 때문에 이미지 데이터는 금융데이터에 비해 v
low noisy data라는거임. 이러한 코나 입술을 capture하는데는 인간의 시각 시스템을 모방한 cnn이라는 tree 기반 계층적 신경망이 당연히 효과를 보는거고. 근데 금융은 이거랑 차원이 아예 다르다니깐?
수학자나 통계학도 일부분 역할을 하나 사실 딥러닝을 근본적으로 증명하기엔 너무 복잡해서..사실상 경험주의가 좀 따름
cs 이론하는사람들
딥러닝 이론연구는 UAT부터 시작해서 30년 넘는 역사가 있음
https://gall.dcinside.com/mgallery/board/view/?id=github&no=19610
이미지 영상 자연어 데이터 빼고는 잘 안되는건 똑같은데? 금융데이터만 들어가도 병신임
잘되는/안되는 필요조건 혹은 충분조건을 찾는 연구를 할 수도 잇자나여 - dc App
금융에선 현업이 아니라 잘 모르겠지만 포트폴리오 매니지먼트는 강화학습 써서 policy를 딥러닝 모델로 해보려는 시도가 꾸준히 잇기도 해서 마냥 병신이라 하기도 좀 모루겟슴 - dc App
딥러닝도 통계학 테크닉이라 이미 그런건 다 연구끝남 지금 인공지능이 핫한 이유는 전산기술의 발달로 이론적으로만 입증된 모델들이 현실에서도 돌아가면서 결과를 뽑을 수 있게 되었기 때문임.
물론 그 결과를 뽑을 수 있는 input data는 noise가 상대적으로 덜한 위에서 언급한 데이터 종류이지 금융데이터만 하더라도 완벽히 설명 가능한 factor를 찾기란 불가능한데 이걸 딥러닝 모델이 알아서 latent variable이랑 weight를 뽑아준다고? 그건 걍 무당임
님아가 말하는건 내가 근사를 완벽하게 잘 하는 근사함수를 만들었을 때에도 노이즈나 여러 다른 요소 때문에 한계가 잇다는거 잔슴
https://www.amazon.com/Deep-Learning-Architectures-Mathematical-Approach/dp/3030367207
요런거
보면
뉴럴네트웤크가 (특히 stacked convnet) 왜 요상하게 생긴 인풋-아웃풋 모델을 근사를 잘 하지???에 대해서는 거의 연구가 안 된 미지의 영역인 거 같숨
모델x 함수
잘 된다고 하는 영역에서도 다른 머신러닝 모델들은 인풋 샘플 수에 대한 worst bound같은게 존재하는데 딥러닝은 이런 이론적 보장 하나도 없어서 이런게 존재하는지 이런 이론적 상/하한을 찾는 연구도 아직 없고
"금융데이터만 하더라도 완벽히 설명 가능한 factor" 찾기란 불가능한데 << 이거 이미지에서도 "코"나 "입술"같은 시각적 특징을 수학적으로 기술하긴 존나존나 힘든데, 딥러닝은 이런 특징들을 잘 캐치해낸다는게 알려져 있음 딥러닝이 어떤 식으로 저런 시각적 특징을 잘 찾아서, 기억하고 있는지에 대한 연구도 진행되면 금융데이터에서 설명 가능한 factor를 찾는데 도움이 될 수도 있지 않을까요?
딥러닝이 왜 코나 입술같은 feature들을 잘 capture하냐면, 걔네들은 noise가 껴봤자 코나 입술의 범주를 크게 안벗어나기 때문임. 코나 입술이 망가지거나 형태가 조금 다르더라도 위치까지 바뀐 경우 (눈의 위치에 코가 달렸다거나) 개수가 여러개인 경우 (코나 입이 여러개)인 이미지 데이터가 있어?
그렇기 때문에 이미지 데이터는 금융데이터에 비해 v low noisy data라는거임. 이러한 코나 입술을 capture하는데는 인간의 시각 시스템을 모방한 cnn이라는 tree 기반 계층적 신경망이 당연히 효과를 보는거고. 근데 금융은 이거랑 차원이 아예 다르다니깐?
딥러닝을 왜 여기서 물어 ㅁㅊ 프로그래밍 갤 가라