A scalable online machine learning approach for Stock Recommendation
Dieses Papier präsentiert ein skalierbares, fehlertolerantes Online-Deep-Learning-Aktienempfehlungssystem, das auf einer verteilten Microservices-Architektur basiert, ein hybrides Leader-Follower-Modell für kontinuierliches Training und latenzarme Bereitstellung nutzt und dabei einen hohen Durchsatz erzielt, während Herausforderungen wie Concept Drift und veraltete API-Daten adressiert werden.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie gehen durch einen riesigen, chaotischen Marktplatz, auf dem sich der Preis jedes einzelnen Artikels jede Sekunde ändert. Einige Artikel sind Aktien, und Menschen kaufen, verkaufen und ändern ständig ihre Meinung darüber, was sie wollen. In der Welt der Informatik ist dies das Reich des maschinellen Lernens, speziell eines Zweigs namens Online-Learning. Im Gegensatz zu herkömmlichen Computern, die einmal ein riesiges Lehrbuch studieren und dann aufhören, ist Online-Learning wie ein Student, der jeden Morgen die Zeitung liest und sein Wissen sofort aktualisiert, während sich die Welt verändert. Dies ist entscheidend für Dinge wie die Aktienmärkte, da sich die „Regeln“ des Spiels (was eine Aktie gut oder schlecht macht) ständig verschieben. Wenn ein Computermodell zu lange wartet, um zu lernen, ist das so, als würde man versuchen, Fußball mit einer Landkarte aus dem letzten Jahr zu spielen; das wird einfach nicht funktionieren. Die große Herausforderung für Wissenschaftler besteht darin, ein System zu bauen, das schnell genug lernt, um mit diesen Veränderungen Schritt zu halten, und gleichzeitig in der Lage ist, mit Tausenden von Menschen gleichzeitig zu kommunizieren, ohne abzustürzen.
Dieses Papier von Harsh Nagarkar präsentiert eine clevere Lösung für dieses Problem: ein skalierbares Online-Aktienempfehlungssystem. Stellen Sie sich das System wie ein hochtechnologisches, verteiltes Team von Aktienberatern vor, die in einem riesigen Bürogebäude arbeiten. Das Team ist in zwei Rollen unterteilt: ein „Anführer“ (Leader) und viele „Folger“ (Follower). Der Anführer ist der Einzige, der das schwere Lernen übernehmen darf. Er beobachtet den Datenstrom des Marktes – wie ein Habicht, der einen neuen Trend entdeckt – und aktualisiert ständig sein Gehirn (das mathematische Modell) mit neuen Informationen. Sobald der Anführer eine neue Strategie entwickelt hat, schreibt er diese neuen Anweisungen schnell in ein gemeinsames Cloud-Notizbuch. Die Folger hingegen sind diejenigen, die tatsächlich mit den Nutzern kommunizieren. Sie lernen nichts; sie greifen lediglich die neuesten Anweisungen aus dem Cloud-Notizbuch ab und sagen dem Nutzer sofort: „Hey, basierend auf dem, was du magst, solltest du diese Aktie kaufen.“
Das Papier stellt fest, dass dieser „Anführer-Folger“-Aufbau überraschend gut funktioniert. Das System kann ein enormes Verkehrsaufkommen bewältigen und verarbeitet bis zu 300 Anfragen zur Hinzufügung eines Portfolios pro Sekunde für jeden Folger. Wenn ein Nutzer eine Empfehlung anfordert, liefert das System diese in nur 2–3 Sekunden. Das Modell selbst ist überraschend einfach und benötigt nur fünf Informationen, um eine Vermutung anzustellen: den Namen der Aktie, ihren aktuellen Preis, das Ergebnis je Aktie (EPS) sowie zwei technische Indikatoren namens MACD-K und MACD-S. Durch den Einsatz einer Technik namens „Transfer Learning“ kann sich das System an den wechselnden Geschmack eines Nutzers anpassen (zum Beispiel, wenn er plötzlich risikoaverser wird), ohne dass es komplett neu aufgebaut werden muss.
Das Papier weist jedoch vorsichtig darauf hin, dass dies keine magische Geldmaschine ist. Das System hat reale Grenzen. Da die Daten von einem spezifischen API-Dienst stammen, sind die Informationen nicht immer frisch; die Daten können bis zu 150 Minuten alt sein, bevor sie aktualisiert werden. Das bedeutet, dass die „Marktkarte“, die das System verwendet, etwas veraltet sein könnte. Außerdem fehlen dem System derzeit einige fortgeschrittene Sicherheitsebenen, wie etwa ein „Service Mesh“, das wie ein Sicherheitswächter für die internen Gespräche zwischen den Computerservern fungieren würde. Die Autoren schlagen vor, dass diese Architektur zwar ein solider, funktionierender Prototyp ist, der Geschwindigkeit und Lernen ausbalanciert, zukünftige Versionen jedoch den Datenfeed beschleunigen und mehr Sicherheit hinzufügen müssen, um bereit für die reale Welt zu sein. Letztendlich legt das Papier nahe, dass die Trennung des „Lernens“ vom „Kommunizieren“ ein kluger Weg ist, um Systeme zu bauen, die wachsen und sich anpassen können, ohne zu brechen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.