上海大数据股份|陷入深度学习的无边魅力，当经济学遇上AI
2020年2月7日 ， 在第34届美国人工智能协会年会AAAI2020上 ， 最佳学生论文奖最终花落清华大学与南洋理工大学的论文《混合可分割和不可分割商品的公平划分》 。 人们猛然发现原来 ， 深度学习已经在博弈论和经济学领域布局已久 。 虽然在老牌经济学家看来这似乎不可思议 ， 但AI经济学家运用深度学习也有别样的魅力 。 在《经济学中的强化学习》一文中 ， 研究员们细数了强化学习在经济学中对股票定价、拍卖机制、宏观经济等12个领域的调查 ， 发现深度学习算法比传统的经济、统计学算法在精确度和稳健性发现要更加优秀 。
文章图片
深度学习下的股票定价
股票价格有着极强的不确定性和风险性 ， 如果能有模型攻克股价预测 ， 无疑会给模型建造者带来巨额收益 。 关于用深度学习预测股价的最新进展如下表所示 。
文章图片
情绪对股价走势无疑非常重要 ， 当前的大多数研究依赖于低效的情绪数据集 ， 这往往会导致模型性能不佳 ， 提出的两流门控循环单元发现比LSTM模型性能更佳 。 另外他们提出了Stock2Vec嵌入模型 ， 并在使用哈佛IV-4的同时 ， 对模型的稳健性进行了市场风险的证明 。
提出了一项聚光灯下的深度学习技术（spotlighteddeeplearning）应用于股价预测 ， 主要创新点是滤波技术赋予了深度学习模型新颖的输入特征 。
在分析股票价格模式的同时 ， 利用深度学习技术对股票价值流进行了预测 ， 具体是利用时间序列技术设计了一种DNN深度学习算法来寻找模式 ， 虽然准确度有86% 。 但是 ， DNN存在拟合过度、复杂度高等缺点 ， 因此建议使用CNN和RNN 。
该研究中 ， 采用了一种新的多层深度学习方法 ， 利用时间序列的概念来表示数据 ， 从而能够预测当前股票的收盘价 。
深度学习下的保险业
保险业现在面临的问题是 ， 如何有效地管理欺诈检测 。 相应的 ， 机器学习技术针对此问题 ， 逐渐开发了测量所有类型风险的算法 。
文章图片
他们利用社会化网络分析法检测大数据集的汽车保险职业欺诈 。 他们用循环概念构建了间接碰撞网络（indirectcollisionsnetwork） ， 在更现实的市场假设下 ， 此网络能够识别可疑的循环 ， 从而获得更多利润 。 另外 ， 他们还通过实际数据得出的造假概率 ， 对可疑成分的方法进行了评价 。
采用LDA和DNNs技术相结合的方式提取事故的文本特征 ， 发现其性能优于传统的方法 。 另外 ， 为了考虑LDA对预测过程的影响 ， 他们还在“有LDA”和“无LDA”两种情况下 ， 通过准确度和精确度性能因子对结果进行评估 。
于是提出了一种结合自动编码技术和远程信息处理数据值的算法来预测与保险客户相关的风险 。
深度学习下的拍卖机制
拍卖机制的核心是：投标人需要规划出最大化利润的最优策略 。 最新的研究成果如下表所示：
文章图片
在预算约束和贝叶斯兼容性方面对[82]（增广拉格朗日法）中的结果进行了扩展 。 他们的方法证明了神经网络能够通过关注不同估值分布的多重设置问题 ， 有效地设计出新颖的最优收益拍卖 。
采用了数据为导向的方法 。 具体方法：假定可以对每个投标者应用多个投标的前提下利用策略专业知识 。
使用多层神经网络技术构建了一种有效的拍卖机制 ， 并应用于移动区块链网络 。
他们设计了一种多投标人的兼容拍卖机制 ， 具体通过应用多层神经网络对其机制进行编码 ， 从而最大化了利润 。 与基于线性规划的方法相比 ， 采用增广拉格朗日技术的方法能够解决更复杂的任务 。
推荐阅读
- ：当年阿里的前台，马云给她0.2%股份，20年过去她怎样了？
- Python之王|Pandas数据合并与拼接的5种方法
- 「杨辉」中科院学者涉嫌剽窃科研想法、数据造假，听一场报告就能发Cell？
- 科技小数据|产业观察：如何通俗地理解5G及其应用
- 雷科技|为解决App连接问题，特斯拉迁移数据至中国，开车不再“卡顿”
- 大数据系统|倾力分享！，2020小红书kol推广8种玩法
- 小熊带你玩科技|全新等离子体光子芯片：利用光进行超高速数据传输
- 蓝色星晨|以对比1977年的气候变化数据，科学家在南极最大冰架上钻取样品
- 灵锦文化|网络安全需求有望进一步加速释放，《数据安全法》出台
- 鲍跃忠新零售工作室|数据的价值在于链接