論文の概要: Quant 4.0: Engineering Quantitative Investment with Automated, Explainable and Knowledge-driven Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2301.04020v1
• Date: Tue, 13 Dec 2022 11:53:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-15 23:27:31.683310
• Title: Quant 4.0: Engineering Quantitative Investment with Automated, Explainable and Knowledge-driven Artificial Intelligence
• Title（参考訳）: quant 4.0: 自動化、説明可能、知識駆動の人工知能による工学的定量的投資
• Authors: Jian Guo, Saizhuo Wang, Lionel M. Ni, Heung-Yeung Shum
• Abstract要約: 我々はQuant 4.0を導入し、次世代Quantumの工学的展望を提供する。 自動化AIは、従来の手作業モデリングから最先端の自動モデリングへと、量子パイプラインを変更します。 第二に、説明可能なAIは、機械学習ブラックボックスによる投資決定をよりよく理解し解釈するための新しい技術を開発する。 第三に、知識駆動型AIはデータ駆動型AIの補足であり、事前知識をモデリングに組み込んで投資決定を改善する。
• 参考スコア（独自算出の注目度）: 9.026263077693077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantitative investment (``quant'') is an interdisciplinary field combining financial engineering, computer science, mathematics, statistics, etc. Quant has become one of the mainstream investment methodologies over the past decades, and has experienced three generations: Quant 1.0, trading by mathematical modeling to discover mis-priced assets in markets; Quant 2.0, shifting quant research pipeline from small ``strategy workshops'' to large ``alpha factories''; Quant 3.0, applying deep learning techniques to discover complex nonlinear pricing rules. Despite its advantage in prediction, deep learning relies on extremely large data volume and labor-intensive tuning of ``black-box'' neural network models. To address these limitations, in this paper, we introduce Quant 4.0 and provide an engineering perspective for next-generation quant. Quant 4.0 has three key differentiating components. First, automated AI changes quant pipeline from traditional hand-craft modeling to the state-of-the-art automated modeling, practicing the philosophy of ``algorithm produces algorithm, model builds model, and eventually AI creates AI''. Second, explainable AI develops new techniques to better understand and interpret investment decisions made by machine learning black-boxes, and explains complicated and hidden risk exposures. Third, knowledge-driven AI is a supplement to data-driven AI such as deep learning and it incorporates prior knowledge into modeling to improve investment decision, in particular for quantitative value investing. Moreover, we discuss how to build a system that practices the Quant 4.0 concept. Finally, we propose ten challenging research problems for quant technology, and discuss potential solutions, research directions, and future trends.
• Abstract（参考訳）: 量的投資 (quantal investment) とは、金融工学、計算機科学、数学、統計学などを組み合わせた学際分野である。 Quant 1.0、市場における間違った価格の資産を発見するための数学的モデリングによるトレーディング Quant 2.0、小さな‘ストラテジーワークショップ’から大規模な‘アルファ工場’への移行 Quant 3.0、複雑な非線形価格ルールを発見するためのディープラーニング技術の適用 Quant 3.0。 予測の優位性にもかかわらず、ディープラーニングは極めて大きなデータボリュームと‘black-box’’ニューラルネットワークモデルの労働集約的なチューニングに依存している。 本稿では,これらの制約に対処するため,Quant 4.0を導入し,次世代量子の工学的視点を提供する。 quant 4.0 には3つのキー差別化要素がある。 まず、自動化されたaiは、量子パイプラインを従来の手作業によるモデリングから最先端の自動モデリングに変更し、‘algorithm produce algorithm, model build model, and eventually ai creating ai’という哲学を実践する。 第二に、説明可能なAIは、機械学習ブラックボックスによる投資決定をよりよく理解し、解釈するための新しい技術を開発し、複雑で隠れたリスク露光を説明する。 第三に、知識駆動aiはディープラーニングのようなデータ駆動aiの補足であり、事前知識をモデリングに組み込んで投資決定、特に量的価値投資を改善する。 さらに, quant 4.0 の概念を実践するシステムの構築方法について述べる。 最後に,量子化技術に対する10の挑戦的な研究課題を提案し,潜在的な解決策,研究の方向性,今後のトレンドについて論じる。

関連論文リスト

• The Future of Fundamental Science Led by Generative Closed-Loop Artificial Intelligence [67.70415658080121]
  機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。 AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。 ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
  論文  参考訳（メタデータ） (2023-07-09T21:16:56Z)
• AI Maintenance: A Robustness Perspective [91.28724422822003]
  我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。 本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。 我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
  論文  参考訳（メタデータ） (2023-01-08T15:02:38Z)
• A Time Series Approach to Explainability for Neural Nets with Applications to Risk-Management and Fraud Detection [0.0]
  技術に対する信頼は、予測の背後にある根拠を理解することによって実現される。 横断的なデータの場合、古典的なXAIアプローチはモデルの内部動作に関する貴重な洞察をもたらす可能性がある。 本稿では、データの自然時間順序を保存・活用する深層学習のための新しいXAI手法を提案する。
  論文  参考訳（メタデータ） (2022-12-06T12:04:01Z)
• Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
  AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。 データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
  論文  参考訳（メタデータ） (2022-11-27T13:07:14Z)
• Analyzing Machine Learning Models for Credit Scoring with Explainable AI and Optimizing Investment Decisions [0.0]
  本稿では、説明可能なAI(XAI)の実践に関連する2つの異なる質問について検討する。 この研究では、単一分類器(論理回帰、決定木、LDA、QDA)、異種アンサンブル(AdaBoost、ランダムフォレスト)、シーケンシャルニューラルネットワークなど、さまざまな機械学習モデルを比較した。 LIMEとSHAPの2つの高度なポストホックモデル説明可能性技術を用いて、MLベースのクレジットスコアリングモデルを評価する。
  論文  参考訳（メタデータ） (2022-09-19T21:44:42Z)
• Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
  モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。 特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
  論文  参考訳（メタデータ） (2022-03-06T10:12:56Z)
• Artificial Intelligence Technology analysis using Artificial Intelligence patent through Deep Learning model and vector space model [0.1933681537640272]
  本稿では,人工知能技術分析のための人工知能特許データセットを用いた要素内キーワード分析手法を提案する。 実世界の問題に対して,提案モデルをどのように適用できるかを示すために,人工知能特許データの収集と解析を行った。
  論文  参考訳（メタデータ） (2021-11-08T00:10:49Z)
• Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
  機械学習の研究は転換点にある。 研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。 このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
  論文  参考訳（メタデータ） (2020-12-21T15:07:19Z)
• Qlib: An AI-oriented Quantitative Investment Platform [86.8580406876954]
  AI技術は、量的投資システムに新たな課題を提起した。 Qlibは、その可能性の実現、研究の強化、定量的投資におけるAIテクノロジの価値の創造を目的とする。
  論文  参考訳（メタデータ） (2020-09-22T12:57:10Z)
• Enterprise AI Canvas -- Integrating Artificial Intelligence into Business [0.0]
  Enterprise AIキャンバスは、データサイエンティストとビジネスエキスパートをまとめて、関連するすべての側面を議論し、定義するように設計されている。 第1部はビジネスビューと組織的な側面にフォーカスするが、第2部は基盤となる機械学習モデルとそれが使用するデータにフォーカスする。
  論文  参考訳（メタデータ） (2020-09-18T07:30:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。