A scalable online machine learning approach for Stock Recommendation
Dit artikel presenteert een schaalbaar, fouttolerant online deep learning aandelenaanbevelingssysteem gebouwd op een gedistribueerde microservicesarchitectuur dat gebruikmaakt van een hybride leader-follower-model voor continue training en lage latentie bij het serveren, waarbij een hoge doorvoer wordt bereikt terwijl uitdagingen zoals concept drift en API-datestalheid worden aangepakt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je door een enorme, chaotische markt loopt waar de prijs van elk item elke seconde verandert. Sommige items zijn aandelen, en mensen zijn constant aan het kopen, verkopen en van mening aan het veranderen over wat ze willen hebben. In de wereld van de informatica is dit het domein van machine learning, specifiek een tak genaamd online learning. In tegen tegenstelling tot traditionele computers die één keer een enorm tekstboek bestuderen en dan stoppen, is online learning als een student die elke ochtend de krant blijft lezen en hun kennis direct bijwerkt terwijl de wereld verandert. Dit is cruciaal voor zaken als de aandelenmarkten, omdat de "regels" van het spel (wat een aandeel goed of slecht maakt) voortdurend verschuiven. Als een computermodel te lang wacht met leren, is dat alsof je probeert te voetballen met een kaart van vorig jaar; dat werkt gewoon niet. De grote uitdaging voor wetenschappers is het bouwen van een systeem dat snel genoeg leert om de veranderingen bij te houden, terwijl het ook tegelijkertijd met duizenden mensen kan communiceren zonder vast te lopen.
Dit artikel van Harsh Nagarkar presenteert een slimme oplossing voor dat probleem: een schaalbaar online aandelenaanbevelingssysteem. Denk aan het systeem als een hoogtechnologisch, gedistribueerd team van beleggingsadviseurs die werken in een enorm kantoorgebouw. Het team is verdeeld in twee rollen: een "Leider" en vele "Volgers". De Leider is de enige die het zware werk van het leren mag doen. Deze houdt de binnenkomende marktgegevens in de gaten — zoals een havik die een nieuwe trend spot — en werkt voortdurend het brein (het wiskundige model) bij met nieuwe informatie. Zodra de Leider een nieuwe strategie heeft bedacht, schrijft deze de nieuwe instructies snel naar een gedeeld cloud-notitieboek. De Volgers daarentegen zijn degenen die daadwerkelijk met de gebruikers communiceren. Zij doen zelf geen leerwerk; ze pakken simpelweg de nieuwste instructies uit het cloud-notitieboek en vertellen de gebruiker direct: "Hé, op basis van wat jij leuk vindt, zou je dit aandeel moeten kopen."
Het artikel stelt vast dat deze "Leider-Volger"-opstelling verrassend goed werkt. Het systeem kan een enorme hoeveelheid verkeer aan en verwerkt tot wel 300 verzoeken om een portfolio toe te voegen per seconde voor elke volger. Wanneer een gebruiker om een aanbeveling vraat, levert het systeem deze in slechts 2–3 seconden. Het model zelf is verrassend eenvoudig en heeft slechts vijf stukjes informatie nodig om een gok te wagen: de naam van het aandeel, de huidige prijs, de winst per aandeel (EPS) en twee technische indicatoren genaamd MACD-K en MACD-S. Door een techniek genaamd "transfer learning" te gebruiken, kan het systeem zich aanpassen aan de veranderende smaak van een gebruiker (zoals wanneer iemand plotseling risicomijdender wordt) zonder dat het volledig vanaf nul moet worden opgebouwd.
Het artikel waarschuwt echter voorzichtig dat dit geen magische geldmachine is. Het systeem heeft enkele reële beperkingen. Omdat de gegevens afkomstig zijn van een specifieke API-service, is de informatie niet altijd vers; de gegevens kunnen tot wel 150 minuten oud zijn voordat ze worden bijgewerkt. Dit betekent dat de "marktkart" die het systeem gebruikt, een beetje verouderd kan zijn. Bovendien mist het systeem momenteel enkele geavanceerde beveiligingslagen, zoals een "service mesh", wat zou fungeren als een beveiligde bewaker voor de interne gesprekken tussen de computerservers. De auteurs suggereren dat hoewel deze architectuur een solide, werkend prototype is dat snelheid en leren in evenwicht brengt, toekomstige versies de datastroom moeten upgraden naar een snellere versie en meer beveiliging moeten toevoegen om klaar te zijn voor de echte wereld. Uiteindelijk suggereert het artikel dat het scheiden van het "leren"-gedeelte en het "praten"-gedeelte een slimme manier is om systemen te bouwen die kunnen groeien en zich kunnen aanpassen zonder kapot te gaan.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.