AI算力陷阱4:automl傻瓜式神经网络与金融量化
神经网络,深度学习自从AlphoGo围棋人机大赛后,除了图像识别、nlp语义分析(包括语音识别合成)这两大领域,基本上可以达到商业级水准。
其他领域,却又陷入坑。
几年来,TF,torch版本从0.1 升级到2.x,系统应用的绝对准确度,提高不超过5%。
不像当年的mnist深度学习案例首发,颜惊全球。
图像,语义、声音,都属于高容错性项目,一张照片,残余20-30%,都可以认出本人。
其他领域,特别是金融量化,这种高精度的分析工作,操盘手的操作策略,类似艺术家灵感,至今,属于不可描述之领域,更别说定量分析。
AI人工智能,神经网络,大方向没错。
请大家关注TOP极宽量化公众号,大量原创Python量化技术资料和课件、案例源码。
目前推广期间,关注公众号,即可免费浏览。
目前虽然的AI人工智能,全自动全智能模式,算力不够,但作为人工策略的辅助工具,已经足够。
例如,对于数据的清洗,奇点数据的筛选,策略的参数优化,这些都可以零成本,零周期,快速完成。
虽然:AI智能投顾,目前全世界没有一家成功的案例。
但是,AI辅助投资决策,已经是全球各大一线金融公司,必不可少的基本IT设施,就像电脑和网络一样,已经成为行业的标配。
人工专家设计策略模型,AI神经网络优化模型参数,筛选数据。
这种迭代方式,也是,目前行业的惯例。
在零起点系列,机器学习、神经网络快速入门的图书里面,笔者曾经说过:
金融和其他应用领域 最好是kares,现在,有了automl,有了auto-keras,更加方便强大。
下面是autokeras的titanic泰坦尼克号的案例,就三行代码,其中一行还是输出分析信息:
clf = ak.StructuredDataClassifier(max_trials=30)
clf.fit(x=’PATH_TO/train.csv’, y=’survived’)
print(‘Accuracy: {accuracy}’.format(
accuracy=clf.evaluate(x=’PATH_TO/eval.csv’, y=’survived’)))
读入csv数据,系统即可直接fit:挑选模型建模,自动优化参数,然后直接predict输出预测方向结果,完全傻瓜式。
automl相当于自动无人驾驶, 以前ai人工智能,需要学习驾驶,考驾照。
而且,大部分情况下,automl设计的模型则 比人工模型。
神经网络现在是黑箱,人工调参,都是依托经验参数,问题是经验需要积累,人工时间有限。
AI人工智能领域的老司机,没有几年经验是熬不出头的。
所以AI领域,大家都把建模调参,称为:炼丹。
目前,笔者正在选型中:autoks,微软的nni,还autooytorch。
个人倾向pytorch体系,不过autoks现在最完善。
请大家关注TOP极宽量化公众号,大量原创Python量化技术资料和课件、案例源码。
目前推广期间,关注公众号,即可免费浏览。