A scalable online machine learning approach for Stock Recommendation
Questo articolo presenta un sistema di raccomandazione azionaria online di deep learning scalabile e fault-tolerant, costruito su un'architettura a microservizi distribuiti che utilizza un modello ibrido leader-follower per l'addestramento continuo e il serving a bassa latenza, raggiungendo un elevato throughput pur affrontando sfide quali il concept drift e la obsolescenza dei dati API.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immagina di camminare attraverso un mercato gigante e caotico dove il prezzo di ogni singolo articolo cambia ogni secondo. Alcuni articoli sono azioni, e le persone comprano, vendono e cambiano idea costantemente su ciò che desiderano. Nel mondo dell'informatica, questo è il regno del apprendimento automatico, specificamente un ramo chiamato apprendimento online (online learning). A differenza dei computer tradizionali che studiano un enorme libro di testo una volta sola per poi fermarsi, l'apprendimento online è come uno studente che continua a leggere il giornale ogni mattina, aggiornando la propria conoscenza istantaneamente mentre il mondo cambia. Questo è fondamentale per cose come i mercati azionari perché le "regole" del gioco (ciò che rende un'azione buona o cattiva) cambiano costantemente. Se un modello informatico aspetta troppo tempo per imparare, è come cercare di giocare a calcio con una mappa dell'anno scorso; semplicemente non funzionerà. La grande sfida per gli scienziati è costruire un sistema che impari abbastanza velocemente da stare al passo con questi cambiamenti, pur essendo in grado di parlare con migliaene di persone contemporaneamente senza andare in crash.
Questo articolo di Harsh Nagarkar presenta una soluzione intelligente a quel problema: un sistema di raccomandazione azionaria online scalabile. Pensa al sistema come a un team distribuito di consulenti azionari ad alta tecnologia che lavorano in un enorme ufficio. Il team è diviso in due ruoli: un "Leader" e molti "Follower". Il Leader è l'unico autorizzato a svolgere il lavoro pesante dell'apprendimento. Osserva il flusso di dati di mercato in arrivo — come un falco che avvista una nuova tendenza — e aggiorna costantemente il proprio cervello (il modello matematico) con nuove informazioni. Una volta che il Leader ha elaborato una nuova strategia, scrive rapidamente quelle nuove istruzioni in un quaderno condiviso sul cloud. I Follower, d'altra parte, sono quelli che parlano effettivamente con gli utenti. Lanno non fanno alcun apprendimento; prendono solo le ultime istruzioni dal quaderno sul cloud e dicono istantaneamente all'utente: "Ehi, basandosi su ciò che ti piace, dovresti comprare questa azione".
L'articolo rileva che questa configurazione "Leader-Follower" funziona sorprendentemente bene. Il sistema può gestire un traffico enorme, elaborando fino a 300 richieste di aggiunta al portafoglio al secondo per ogni follower. Quando un utente chiede un consiglio, il sistema lo fornisce in soli 2–3 secondi. Il modello stesso è sorprendentemente semplice, necessitando di solo cinque informazioni per fare una previsione: il nome dell'azione, il suo prezzo attuale, il suo Utile per Azione (EPS) e due indicatori tecnici chiamati MACD-K e MACD-S. Utilizzando una tecnica chiamata "transfer learning", il sistema può adattarsi al gusto mutevole di un utente (come se diventasse improvvisamente più avverso al rischio) senza dover essere completamente ricostruito da zero.
Tuttavia, l'articolo è attento a sottolineare che questa non è una macchina magica per fare soldi. Il sistema ha dei limiti reali nel mondo vero. Poiché i dati provengono da un servizio API specifico, le informazioni non sono sempre fresche; i dati possono avere anche 150 minuti di ritardo prima di essere aggiornati. Ciò significa che la "mappa del mercato" che il sistema sta usando potrebbe essere un po' obsoleta. Inoltre, il sistema attualmente manca di alcuni livelli di sicurezza avanzati, come un "service mesh", che agirebbe come una guardia sicura per le conversazioni interne tra i server informatici. Gli autori suggeriscono che, sebbene questa architettura sia un prototipo solido e funzionante che bilancia velocità e apprendimento, le versioni future devono aggiornare il feed dei dati per renderlo più veloce e aggiungere più sicurezza per essere pronte per il mondo reale. In definitiva, l'articolo suggerisce che separare la parte di "apprendimento" da quella del "parlare" è un modo intelligente per costruire sistemi che possano crescere e adattarsi senza rompersi.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.