Kunstmatige intelligentie en Machine-learningtechnologieën zijn het afgelopen decennium sterk geëvolueerd en zijn nuttig geweest voor veel mensen en bedrijven, vooral op het gebied van financiën, bankwezen, investeringen en handel.
In deze industrieën zijn er veel activiteiten die machines beter en sneller kunnen uitvoeren dan mensen, zoals berekeningen en financiële rapportages, zolang de machines maar de volledige gegevens krijgen.
De AI-tools die tegenwoordig door mensen worden gebouwd, worden steeds robuuster in hun vermogen om trends te voorspellen, complexe analyses uit te voeren en automatiseringen sneller en goedkoper uit te voeren dan mensen. Er is echter nog geen AI-aangedreven machine gebouwd die op zichzelf kan handelen.
Er zijn veel activiteiten die machines beter en sneller kunnen uitvoeren dan mensen, zoals berekeningen en financiële rapportages, zolang de machines maar de volledige gegevens krijgen.
Zelfs als het mogelijk zou zijn om een dergelijk systeem te trainen dat het menselijk oordeel zou kunnen vervangen, zou er nog steeds een foutmarge zijn, evenals enkele dingen die alleen door mensen kunnen worden begrepen. De mens is nog steeds de eindverantwoordelijke voor het ontwerp van op AI gebaseerde voorspellingsmachines, en vooruitgang kan alleen plaatsvinden met hun input.
Gegevens vormen de ruggengraat van elke voorspellingsmachine
Het bouwen van een op AI gebaseerde voorspellingsmachine vereist in eerste instantie inzicht in het probleem dat wordt opgelost en de vereisten van de gebruiker. Daarna is het belangrijk om de machine-learningtechniek te selecteren die zal worden geïmplementeerd, op basis van wat de machine zal doen.
Er zijn drie technieken: leren onder toezicht (leren van voorbeelden), leren zonder toezicht (leren om gemeenschappelijke patronen te herkennen) en leren met bekrachtiging (leren gebaseerd op het concept van gamification).
Nadat de techniek is geïdentificeerd, is het tijd om een machine-leermodel te implementeren. Voor "time series forecasting" - waarbij voorspellingen over de toekomst worden gedaan - kunnen modellen voor het lange-termijngeheugen (LSTM) met sequentie-naar-sequentie (Seq2Seq) -modellen worden gebruikt.
LSTM-netwerken zijn vooral geschikt om voorspellingen te doen op basis van een reeks datapunten die op tijd zijn geïndexeerd. Zelfs eenvoudige convolutionele neurale netwerken, toepasbaar op beeld- en videoherkenning, of terugkerende neurale netwerken, toepasbaar op handschrift- en spraakherkenning, kunnen worden gebruikt.
Bron: https://techcrunch.com/2021/02/18/creating-a-prediction-machine-for-the-financial-markets/
