Как предварительно обученные модели, предназначенные для прогнозирования временных рядов, демонстрируют высокую эффективность в задачах классификации без необходимости дополнительного обучения на специфических данных.
Новый фреймворк DiffOpt.jl для языка Julia позволяет эффективно анализировать, как изменяется решение оптимизационной задачи при изменении её параметров, даже в невыпуклых случаях.
Доступ к конфиденциальным финансовым данным – транзакциям, рыночным сводкам, кредитным историям – ограничен не просто так. Это не капризы регуляторов, а банальное следствие того, что информация стоит денег, и конкуренты не дремлют. Впрочем, даже если бы данные текли рекой, возникла бы другая проблема. Традиционные методы машинного обучения жаждут больших, размеченных наборов данных. И если их нет – а их почти всегда нет – инновации в финансольном моделировании упираются в потолок.
Традиционные модели ценообразования активов испытывают трудности при объяснении устойчивой прибыльности стратегий, основанных на импульсе. Это не просто статистическая аномалия, а скорее устойчивое отклонение от ожидаемого поведения рынков, что предполагает наличие неэффективности, требующей дальнейшего изучения. Кажется, будто рынки не способны мгновенно и полностью интегрировать новую информацию, оставляя возможности для извлечения прибыли из закономерностей, связанных с прошлыми успехами.
Исторически, понимание инвестиционной стратегии опиралось на методы, такие как анализ доходности и анализ структуры портфеля. Эти подходы предоставляли лишь моментальные снимки, не раскрывая динамику принятия решений и ограничивая прогностическую силу. Архитектура этих систем – попытка отложить хаос, но без понимания его источника, порядок оказывается хрупким.