یادگیری ماشین، یادگیری عمیق و علم مالی

بعد از آشنایی با مطالب مرتبط با یادگیری ماشین، بسیاری از علاقه مندان این حوزه با اصطلاحی به نام یادگیری عمیق نیز آشنا می‌شوند. در صورت کنجکاوی، به پرس و جو و کاوش در اینترنت می‌پردازند و احتمالاً تا حدی با این تعریف آشنا شده و حس کنجکاوی آن‌ها برطرف می‌شود. عده‌ای اما کمی موشکافانه‌تر به بررسی تفاوت‌های یادگیری عمیق و یادگیری ماشین می‌پردازند. هوش مصنوعی یادگیری ماشین و یادگیری عمیق در صنعت مالی طی سال‌های گذشته محبوبیت زیادی به دست آورده؛ شاهد این موضوع می‌تواند رونق معاملات الگوریتمی باشد.

یادگیری ماشین چیست؟

یادگیری ماشین (Machine learning) نوعی از هوش مصنوعی (AI) به حساب می‌آید که به برنامه‌های نرم‌افزاری این امکان را می‌دهد تا در پیش‌بینی نتایج دقیق‌تر شوند، بدون اینکه مشخصا برای این کار برنامه‌ریزی شده باشند. الگوریتم های یادگیری ماشین از داده های تاریخی به عنوان ورودی، برای پیش بینی مقادیر خروجی جدید استفاده می‌کنند.

به زبان ساده یادگیری ماشین، توانایی یادگیری خودکار از داده‌ها و تجربیات گذشته را به منظور شناسایی الگوها و پیش بینی کردن با کمترین مداخله انسانی برای ما فراهم می‌آورد.

یادگیری عمیق چیست؟

یادگیری عمیق (Deep Learning) نوعی از یادگیری ماشین و هوش مصنوعی است که در آن روش‌هایی که انسان‌ها نوع خاصی از دانش را به دست می‌آورند، تقلید می‌شود. به عبارت دیگر یادگیری عمیق، الگوریتم هایی را توصیف می‌کند که داده‌ها را با ساختار منطقی شبیه به نحوه نتیجه‌گیری یک انسان، تجزیه و تحلیل می‌کند.

تفاوت یادگیری عمیق و یادگیری ماشین

قائل شدن این تفاوت بین مدل‌های یادگیری عمیق و یادگیری ماشین شاید از نظر بعضی حتی غلط به نظر برسد از آن جهت که یادگیری عمیق را بخشی از یادگیری ماشین می‌دانند. اما با ریزبینی بیشتر، می‌توان ویژگی‌هایی در مدل های یاد گیری عمیق یافت که در مدل‌های عادی یادگیری ماشین دیده نمی‌شود. همچنین برای کسانی که ذهن پرسش گری نسبت به موضوع دارند پاسخ‌های داده شده برای بیان تفاوت یادگیری عمیق و یادگیری ماشین کلاسیک راضی کننده نیست.

هوش مصنوعی: توانمند کردن سیستم‌های کامپیوتری به منظور انجام کارهایی که هوش انسانی نیاز دارد

یادگیری ماشین: توانمند کردن کامپیوترها برای یادگیری، بدون اینکه برای آن کار مشخص برنامه‌نویسی شده باشند

یادگیری عمیق: الگوریتم‌های یادگیری ماشین که شبیه به ساختار منطقی مغز انسان طراحی شده‌اند

جمع بندی

اگر بخواهیم یک جمع بندی از پاسخ هایی که برای شرح این تفاوت ها داده شده ارائه دهیم به نکات زیر خواهیم رسید:

1. یادگیری عمیق توان استخراج دانش بیشتری از میان داده‌های حجیم نسبت به مدل‌های یاد گیری ماشین کلاسیک دارند

2. مدل‌های یادگیری عمیق به شبکه‌های عصبی با بیش از 3 لایه مخفی گفته می‌شود

3. مدل‌های یادگیری عمیق توان استخراج ویژگی‌هایی را از میان داده‌ها دارند که در مدل‌های یادگیری ماشین کلاسیک توسط انسان استخراج می‌شود.

تا اینجا همه چیز تا حدودی قابل قبول است. به طور مثال می‌توان از معماری موفق شبکه ResNet-50 که در سال 2017 توسعه داده شد به عنوان یک مثال از مدل یادگیری عمیق در حوزه‌ی پردازش تصویر نام برد.

اما سوال اصلی این است که چرا چنین معماری‌های شناخته شده و فراگیری در حوزه‌ی پردازش داده‌های سری زمانی مالی وجود ندارد.

اگر در جواب معماری‌های منتشر شده مبتنی مدل‌های LSTM و GRU به ذهنتان آمد، سوال بعدی این است که آیا واقعا چنین معماری‌هایی بر مبنای رفتار آماری داده‌های مالی به عمل استخراج ویژگی می‌پردازند؟ آیا ویژگی مرتبط با تشخیص چرخه‌ی رونق و رکود بازار های مالی را استخراج می‌کنند؟ آیا ویژگی های مربوط به تشخیص هیجانات سرمایه گزاران را استخراج می‌کند؟ ویژگی‌ها خلاف قاعده‌های بازار را چطور؟

اگر پاسختان به سوالات بالا بلی است، به این معنی است که اگر ویژگی‌های آماری به خصوصی توسط محققان و خبرگان رشته مالی به یاری مدل‌های یاد گیری عمیق بیایند امکان افزایش دقت پیش بینی‌های مالی نخواهد بود.