在本单元中，我们将了解
    数据驱动模型的发展及其在贸易和金融中的应用。首先，我们看三个主要方面
    基于数据和行为的金融市场建模方法。然后我们将探讨
    机器学习和交易投融资。然后我们将重点放在应用程序上
    最有可能从应用程序中获益的公司

    机器学习和人工智能。我们还将讨论

    创建可解释的ML模型。模型指导大多数交易和投资决策

    相对性能预测。它们是通过训练创造出来的

    一种训练数据集的算法及其应用

    到测试数据集。模型的区别在于

    使用的算法类型。金融市场的传统模式

    使用纯粹的统计算法，如回归进行预测。为了提高模型的预测能力，

    机器学习与强化学习

    采用了算法。早期的车型认为市场

    纯数据生成过程类似于该方法

    从事计量经济学。他们将统计算法应用于市场数据，以揭示本质

    然后对这个过程的本质做出推断和预测

    指导交易和投资决策。这些模型相对来说

    易于解释，但可能做出不准确的预测。市场的本质是

    假设模型是相对静态的，可能会对模型进行调整，但永远不会

    彻底检修，除非它突然失效。机器学习模型视图

    市场是一个不断变化的行为集合。教师和负荷需要更新

    不断地为最大化模型的预测能力服务。用ML算法创建的模型

    更复杂，因此很难从统计学上解释。这种解释性的丧失被抵消了

    他们做出更好的预测和更快地适应结构的潜力

    市场行为的变化。用强化学习创建模型

    算法试图创建一个自主的智能代理来学习

    经历新的市场状态，采取行动，获利或受苦

    这些行动造成的损失。特工被赋予记忆

    调整战略以实现利润最大化。强化学习模型看起来很简单，

    但由于其复杂的反馈回路，它们缺乏可解释性

    长短时记忆网络。机器学习算法

    已成功用于创建财务应用程序一段时间。考虑到音量很大，

    准确的历史记录和金融世界的数量性质，

    很少有行业更适合人工智能

    尤其是机器学习。有更多的机器使用案例

    学习和金融比以往任何时候都更容易获得

    计算机电源和更易使用的机器学习工具，如

    我们将探讨机器学习的使用

    技术和算法交易，投资组合管理，

    信用决策和欺诈检测。机器学习是一种强大的技术，可以帮助分析成千上万的人

    数据点在数秒内。它可以识别新兴的价格模式

    很快，将它们与历史经验进行比较，并在

    成功的几率是有利的。一种人工智能，它结合了

    市场情绪、新闻标题和社交媒体评论

    来自多个来源的数据能够预测方向和

    变动幅度和资产价格。ML也有助于

    在不需要人为干预的情况下进行每毫秒的交易，或者

    甚至在物理上也可能。这种起源可以追溯到20世纪80年代，

    algo交易涉及使用复杂的人工智能系统

    极快的交易决策。Algo系统通常

    一天有数千次交易，因此称之为高频交易。对冲基金和其他交易公司不公开

    披露他们的人工智能交易方式。但有明显迹象表明

    机器学习和深度学习正在发挥越来越重要的作用

    实时校准决策。机器学习算法可以分析

    同时有数百个数据源

    不可能实现。他们帮助人类商人榨取

    优于市场平均水平。考虑到高

    交易量大，那小小的优势就可以转化

    利润丰厚。机器人顾问这个词本质上是

    六年前闻所未闻，但现在已经是一个既定的功能

    金融科技的前景。像Wealthfront和Betterment这样的机器人顾问是为

    根据目标和

    特定投资者的风险承受能力。投资者创建的配置文件包含

    例如，他们的目标是在40岁时退休，带着一百万美元和他们的年龄

    收入和流动金融资产。顾问，或者更准确地说

    分配器，然后分摊投资