Titlu: Algoritmi pentru identificarea capacităților de generalizare și degradarea în timp a modelelor predictive de învățare automată
Acronim: GenDeg
Acest proiect își propune să inoveze evaluarea modelelor de prognoză în serie de timp prin monitorizarea generalizării și a degradării acestora în timp. Metodele rezultate vor funcționa cu diverși algoritmi AI în diferite aplicații AI. Aceste progrese vor fi integrate în serviciile AI Investments, inbestMe și Holisun, oferind funcții noi.
Aceste caracteristici sunt inovatoare în finanțe și nu numai, utilizând descoperiri recente ML și AI pentru a revoluționa investițiile. Selectarea unor strategii viitoare mai bune (rezultate în afara eșantionului) și monitorizarea degradării modelului (dispare alfa) ar putea remodela industria investițiilor. Demonstrând aplicabilitatea în alte sectoare prin Holisun, proiectul îmbunătățește serviciile pentru toți cei trei participanți.
Identificarea și măsurarea degradării modelului în timp:
Proiectul se va concentra pe abordarea problemei „dispariției alfa”, identificând momentul în care eficiența unui model predictiv a scăzut până la punctul de a-și pierde avantajul predictiv. Acest lucru va duce la beneficii semnificative pentru clienții AI Investments și inbestMe prin prevenirea pierderilor de capital din investiția în modele degradate și, de asemenea, îmbunătățirea performanței întreținerii predictive Holisun. Se vor studia algoritmi și metode pentru a determina degradarea permanentă a modelului. Se va realiza o implementare pentru a identifica modele predictive în timp real cu performanță degradată, indicând necesitatea reinstruirii și reevaluării preciziei lor de predicție și a capacității de generalizare.
Degradarea modelului se referă la scăderea performanței sau eficacității unui model predictiv în timp. În contextul strategiilor de finanțare și investiții cantitative, degradarea modelului devine o preocupare semnificativă, deoarece aceste modele sunt construite pe baza datelor și ipotezelor istorice. Pe măsură ce piețele financiare sunt dinamice și în continuă schimbare, modelele care au funcționat bine în trecut și-ar putea pierde puterea de predicție și ar putea deveni mai puțin precise sau chiar irelevante în viitor. Această ipoteză se aplică și altor domenii de afaceri.
De ce poate apărea degradarea modelului:
Schimbarea dinamicii seriilor temporale: Seriile temporale financiare și alte serii temporale sunt influențate de diverși factori, inclusiv condițiile economice, evenimentele geopolitice, progresele tehnologice și sentimentul investitorilor. Pe măsură ce acești factori se schimbă, relațiile și modelele din datele pe care modelul a fost antrenat ar putea să nu mai fie valabile, ceea ce duce la scăderea acurateței predictive.
Calitatea și disponibilitatea datelor: modelele predictive se bazează pe date pentru a face prognoze precise. Dacă calitatea datelor utilizate se deteriorează sau dacă devin disponibile noi date pe care modelul nu a fost instruit, aceasta poate afecta performanța modelului.
Deriva parametrilor: Unele modele au parametri reglabili care trebuie optimizați în timpul antrenamentului. Dacă acești parametri nu sunt actualizați sau ajustați în mod regulat pentru a ține seama de schimbarea condițiilor pieței, eficacitatea modelului poate scădea.
Deriva de concept: Deriva de concept se referă la situația în care relațiile de bază dintre variabilele din date se schimbă în timp. Acest lucru este obișnuit pe piețele financiare din cauza schimbărilor în comportamentul investitorilor, politicile economice sau structura pieței.
Detectarea și abordarea degradării modelului este crucială pentru menținerea performanței strategiilor de investiții cantitative. Atunci când eficacitatea unui model scade, poate duce la decizii de investiții suboptime și la pierderi financiare potențiale. Prin urmare, monitorizarea continuă a modelelor este esențială pentru a identifica când este necesară recalificarea sau actualizarea modelului.
Evaluarea performanței generalizării:
Generalizarea este înțeleasă ca capacitatea unui model de a prezice cu exactitate valorile rezultatelor pentru date nevăzute anterior.[1] Modelele predictive sunt antrenate în timpul unei perioade de antrenament și apoi, după antrenament, performanța lor este verificată în timpul unei perioade de testare. Deși testarea modelului pe o singură perioadă separată este o practică dominantă, aceasta nu poate măsura în mod fiabil capacitatea modelului de a se generaliza pe perioade diferite, deoarece acestea pot diferi în tendințe, sezonalitate și modele.
Determinarea generalizării modelelor predictive este, de asemenea, o caracteristică inovatoare cheie a serviciilor îmbunătățite ale InbestMe și AI Investments, precum și ale Holisun, deoarece va permite selectarea doar a acelor modele predictive care vor avea o capacitate ridicată de performanță bună pe perioadele viitoare (și nu doar arată rezultate bune pe perioade istorice). Acest proiect va cerceta și dezvolta metode și algoritmi care vor ajuta la determinarea capacității modelului de a se generaliza la perioade cu diferite caracteristici. Ne va permite să estimăm probabilitatea de a obține rezultate favorabile, indiferent de rularea viitoare a seriilor de timp. Vom cerceta metode bazate pe algoritmi generativi de învățare automată avansați.
Aceasta va fi o funcționalitate unică a serviciilor îmbunătățite ale AI Investments, inbestMe și Holisun, niciuna dintre soluțiile concurente analizate nu are această funcționalitate.
Încorporând aceste caracteristici, vom oferi servicii de ultimă oră de neegalat, revoluționând investițiile cantitative. Acest lucru va optimiza mai bine strategiile, va minimiza degradarea modelului și va selecta modele predictive cu performanțe superioare
Finanțat de către: EUROSTARS 3 Call 5
Durata proiectului:
36 luni (01/02/2024 - 31/01/2027)
Buget:
- Bugetul total: 2.2M€
- Bugetul Holisun: 600k€
Parteneri:
