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( 三 )
他们提出了一种新的学习遗传算法 ， 该算法利用R-NN模型来模拟人类的行为 。 具体采用了复杂的深度学习结构 ， 包括：强化学习用于快速决策 ， 深度学习用于构建股票身份 ， 聚类用于整体决策目的 ， 遗传用于转移目的 。
通过超参数的多样化选择使模型更加准确 。 实验结果表明 ， 该模型可以在误差较小的情况下对期权进行定价 。
深度学习和零售
零售用的最多的是增强现实（AR） ， 此项技术能够改善客户的购买体验 。 最新研究成果如下所示：
文章图片
在一项研究中将深度学习技术和增强现实方法相结合 ， 以便为客户提供丰富的信息 。 他们还提出了一个移动应用程序 ， 使其能够通过深度学习中的图像分类技术来定位客户 。
他们设计了一种新的DNN来准确预测未来的销售 ， 该模型使用了一组完全不同的变量 ， 如产品的物理规格和专家的想法 。
用CNN回归模型来解决评估商店可用人数和检测关键点的计数这两个问题 。
同时采用k-均值算法和k-近邻算法 ， 将计算出的质心合并到CNN中 ， 以实现有效的分离和自适应 。 该模型主要用于验证食品生产日期等相关信息 。
深度学习下的商业智能
文章图片
发展了一项涉及元塑性概念（theconceptofmetaplasticity）的工作 ， 它具有提高学习机制灵活性的能力 ， 能够从数据中发现更深层次的有用信息并进行学习 。 研究的重点是MLP ， 在利用客户数据的同时 ， 输出在BI（商业智能）中的应用 。
提出的MLS和SAE相结合的方法可以用来对序列现象中的时间维进行建模 ， 对于异常情况非常有用 ， 也即业务日志中的异常检测能力较高 。
他们设计了一种新的多层特征选择 ， 它与堆叠式自动编码器(SAE)交互作用 ， 只检测数据的关键表示 。
使用递归神经网络结构以业务流程的方式进行预测 ， 其中RNN的输入是通过嵌入空间来建立的 ， 在论文中还给出了精度验证结果和该方法的可行性验证结果 。
深度强化学习下的股票交易
由于缺乏处理高维问题的能力 ， 传统强化学习方法不足以找到最佳策略 。 下面是深度强化学习的最新研究 。
文章图片
使用深度确定性政策梯度(DDPG)算法作为一种替代方案来探索动态股票市场中的最优策略 。 算法处理较大的动作状态空间 ， 兼顾了稳定性 ， 消除了样本相关性 ， 提高了数据利用率 。
他们设计了一种新的自适应深度确定性强化学习框架(AdaptiveDDPG) ， 用于在动态复杂的股票市场中发现最优策略 。 该模型结合了乐观和悲观的DeepRL（optimisticandpessimisticDeepRL） ， 既依赖于负的预测误差 ， 也依赖于正的预测误差 。
为了分析股票决策机制的多种算法 ， 在深度RL中进行了调查研究 。 他们基于DQN、DoubleDQN和DuelingDQN三个经典模型的实验结果表明 ， 其中DQN模型可以获得更好的投资策略 。 另外 ， 这项研究还应用实证数据对模型进行了验证 。
专注于使用深度强化学习实现证券交易中的自动振荡 ， 其中他们使用递归卷积神经网络(RCNN)方法从经济新闻中预测股票价值 。
深度强化学习下的投资组合管理
文章图片
采用了不同的强化学习方法 ， 例如DDPG方法、最近策略优化(PPO)方法和PG方法 。 这些方法能够获得与连续行动空间中的金融投资组合相关的策略 。 他们结合中国资产市场对模型在不同环境下的表现进行了比较 ， 结果表明PG模型在股票交易中比其他两种模型更有利 。 本研究还提出了一种新颖的对抗性训练方法 ， 能够提高训练效率和平均回报 。
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