A scalable online machine learning approach for Stock Recommendation
本文提出了一种基于分布式微服务架构的可扩展、容错性在线深度学习股票推荐系统，该系统利用混合主从模型进行持续训练与低延迟推理，在实现高吞吐量的同时，解决了概念漂移和 API 数据陈旧性等挑战。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正走在一个巨大且混乱的市场中，那里每一件商品的的价格每秒钟都在变化。有些商品是股票，人们不断地买入、卖出并改变对想要什么的想法。在计算机科学领域，这就是机器学习的范畴，特别是被称为**在线学习（online learning）**的一个分支。与那些只读过一遍巨型教科书就停止学习的传统计算机不同，在线学习就像是一个每天早上都要阅读报纸、随着世界的变化即时更新知识的学生。这对于像股票市场这样的领域至关重要，因为游戏的“规则”（什么让一只股票变好或变坏）在不断变化。如果一台计算机模型等待太久才去学习，那就好比试图用去年的地图来踢足球；这根本行不通。科学家们面临的巨大挑战是，如何构建一个既能学得足够快以跟上这些变化，又能同时与成千上万的人进行交流而不崩溃的系统。
Harsh Nagarkar 的这篇论文提出了解决这一问题的一个巧妙方案：一个可扩展的在线股票推荐系统。你可以把这个系统想象成一支在大型办公楼里工作的、高科技的分布式股票顾问团队。这个团队分为两个角色：“领导者（Leader）”和许多“跟随者（Followers）”。只有“领导者”被允许进行繁重的学习工作。它注视着流入的市场数据流——就像老鹰发现新趋势一样——并不断利用新信息来更新自己的大脑（数学模型）。一旦“领导者”摸索出一种新策略，它就会迅速将这些新指令写入一个共享的云端笔记本。而“跟随者”们则是实际与用户沟通的人。他们不进行任何学习；他们只是从云端笔记本中获取最新的指令，然后立即告诉用户：“嘿，根据你的喜好，你应该买入这只股票。”
论文发现这种“领导者-跟随者”的设置效果出奇地好。该系统可以处理巨大的流量，每个“跟随者”每秒可以处理多达 300 个投资组合添加请求。当用户请求推荐时，系统只需 2-3 秒即可交付结果。该模型本身非常简单，只需要五项信息就能做出预测：股票名称、当前价格、每股收益（EPS）以及两个名为 MACD-K 和 MACD-S 的技术指标。通过使用一种称为“迁移学习（transfer learning）”的技术，系统可以适应用户不断变化的口味（例如，如果他们突然变得更加规避风险），而无需从头开始重建。
然而，论文谨慎地指出，这并不是一台点石成金的印钞机。该系统存在一些现实世界的局限性。由于数据来自特定的 API 服务，信息并不总是新鲜的；数据在更新之前可能长达 150 分钟之久。这意味着系统使用的“市场地图”可能有点过时。此外，该系统目前缺乏一些高级安全层，比如“服务网格（service mesh）”，它本可以作为计算机服务器之间内部对话的安全卫士。作者建议，虽然这种架构是一个平衡了速度与学习能力的稳健且可运行的原型，但未来的版本需要升级数据馈送以提高速度，并增加更多安全性，以应对现实世界。最终，这篇论文表明，将“学习”部分与“沟通”部分分离，是构建能够成长并适应而不崩溃的系统的聪明做法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。