机器学习算法和训练方法：决策流程图

[ad_1]

机器学习将改变投资管理。然而，许多投资专业人士仍在建立对机器学习如何工作以及如何应用它的理解。考虑到这一点，接下来是机器学习训练方法的入门和机器学习决策流程图，带有解释性脚注，可以帮助确定根据最终目标应用哪种方法。

机器学习训练方法

1. 集成学习

无论选择得多么仔细，每个机器学习算法都会有一定的错误率，并且容易出现嘈杂的预测。集成学习通过结合各种算法的预测并对结果进行平均来解决这些缺陷。这减少了噪声，从而产生了比最好的单一模型更准确和稳定的预测。事实上，集成学习解决方案多年来赢得了许多著名的机器学习竞赛。

集成学习聚合了异质或同质的学习者。异构学习器是与投票分类器相结合的不同类型的算法。相比之下，同质学习器是相同算法的组合，这些算法使用基于引导聚合或装袋技术的不同训练数据。

2. 强化学习

随着虚拟现实应用程序变得类似于现实世界环境，试错法机器学习方法可能会应用于金融市场。强化学习算法通过相互交互以及从同一算法生成的数据中提取见解。他们还在深度学习 (DL) 中采用有监督或无监督的深度神经网络 (DNN)。

2017 年，当 DeepMind 的 AlphaGo 程序在古老的围棋比赛中击败卫冕世界冠军时，强化学习成为头条新闻。AlphaGo 算法具有一个代理，旨在执行随着时间的推移最大化奖励的动作，同时考虑到其环境的限制。

无监督学习的强化学习既没有每个观察的直接标记数据，也没有瞬时反馈。相反，算法必须观察它的环境，通过测试新的动作来学习——其中一些可能不是立即最优的——并重新应用它以前的经验。学习是通过反复试验发生的。

学者和从业者正在将强化学习应用于投资策略：代理可以是虚拟交易者，在特定市场（环境）中遵循某些交易规则（行为）以最大化其利润（奖励）。尽管如此，强化学习是否能够驾驭金融市场的复杂性仍然是一个悬而未决的问题。

机器学习决策流程图

脚注

1. 主成分分析 (PCA) 代表预测模型的复杂性，有助于减少特征或维度的数量。如果数据有很多高度相关 X_一世 特征或输入，然后 PCA 可以对数据执行基础更改，以便仅选择对特征方差具有最高解释能力的主成分。一套 n 线性独立和正交向量——其中 n 是自然数或非负整数——称为基。输入是机器学习中的特征，而输入在线性回归和其他传统统计方法中称为解释变量或自变量。同样，一个目标是机器学习中的（输出）是统计方法中的解释变量或因变量。

2. 自然语言处理（NLP）包括但不限于文本数据的情感分析。它通常有几个监督和非监督学习步骤，并且通常被认为是自我监督的，因为它同时具有监督和非监督属性。

3.没有正则化（惩罚）的简单或多元线性回归通常被归类为传统的统计技术，而不是机器学习方法。

4. Lasso 回归（或 L1 正则化）和岭回归（或 L2 正则化）是借助惩罚来防止过度拟合的正则化技术。简单来说，lasso 是用来减少特征的数量，或者说是特征选择，而 ridge 则保持特征的数量。 Lasso 倾向于简化目标预测模型，而 ridge 可以更复杂并处理特征中的多重共线性。这两种正则化技术不仅可以应用于统计方法，包括线性回归，还可以应用于机器学习，例如深度学习，以处理目标和特征之间的非线性关系。

5. 使用深度神经网络 (DNN) 的机器学习应用程序通常称为深度学习。目标值是连续的数值数据。深度学习具有超参数（例如，时期数和正则化的学习率），这些超参数是由人类而不是深度学习算法给出和优化的。

6. 分类和回归树 (CART) 和随机森林具有离散或分类数据的目标值。

7.簇数 ķ ——其中一个超参数——是人类提供的输入。

8. 层次聚类是一种将相似的输入数据分组为聚类的算法。聚类的数量由算法决定，而不是由直接的人工输入决定。

9. K-最近邻（KNN）算法也可以用于回归。 KNN 算法需要人类提供的许多邻居（分类）作为超参数。 KNN 算法也可用于回归，但为简单起见省略。

10. 支持向量机 (SVM) 是应用于线性分类但也使用非线性分类和回归的监督学习方法集。

11. 朴素贝叶斯分类器是概率性的，并且应用贝叶斯定理和特征之间的强（朴素）独立假设。

参考

Kathleen DeRose，CFA，Matthew Dixon，PhD，FRM 和 Christophe Le Lannou。 2021.“机器学习”。 CFA学院 复习阅读. 2022 CFA 课程二级，阅读 4。

Robert Kissell 博士和 Barbara J. Mack。 2019.“投资管理中的金融科技”。 CFA学院 复习阅读2022 CFA Program Level I, Reading 55.

如果你喜欢这篇文章，别忘了订阅 进取的投资者.

所有帖子都是作者的意见。因此，它们不应被解释为投资建议，所表达的观点也不一定反映 CFA 协会或作者雇主的观点。

CFA协会会员的专业学习

CFA 协会成员有权自行决定和报告所获得的专业学习 (PL) 学分，包括关于 进取的投资者. 会员可以使用他们的在线 PL 跟踪器轻松记录学分。

佐藤芳政，CFA

Yoshimasa Satoh，CFA，是纳斯达克的董事。他还是日本 CFA 协会的董事会成员，并且是悉尼 CFA 协会的正式会员。在他的整个职业生涯中，他一直负责多资产投资组合管理、交易、技术和数据科学的研发。此前，他曾在高盛资产管理公司和其他公司担任量化投资策略的投资组合经理。他在野村综合研究所开始了他的职业生涯，在那里他领导了野村证券的股票交易技术团队。他获得了 CFA 协会 ESG 投资证书，并拥有筑波大学工学学士和硕士学位。