Наука

Прогнозы фондового рынка: новый взгляд на интерпретируемое машинное обучение

от

Прогнозируемая доходность акций значительно возрастает при использовании обучения на основе консенсуса, достигая пика при значениях $λ$ от 0.3 до 0.4, и оставаясь выше базового уровня даже при $λ = 1.0$, в то время как точность аппроксимации консенсуса аналитиков монотонно увеличивается с ростом значения $λ$.

Исследователи предлагают инновационный подход к прогнозированию доходности акций, основанный на объединении данных консенсус-прогнозов аналитиков и методов интерпретируемого машинного обучения.

Бег на месте: Почему нейросети не побеждают в высокочастотной торговле

от

Несмотря на отображение положительной прибыли на индивидуальных панелях управления агентов, иллюзия «зеленой прибыли и убытков» раскрывает, что микро-прибыли являются валовой прибылью, и после вычета комиссии за транзакцию в 0.08%, реальная экономическая ценность оказывается отрицательной, как демонстрирует вклад агента Кимберли в размере +$3.56.

Новое исследование показывает, что даже самые сложные алгоритмы машинного обучения сталкиваются с непреодолимыми ограничениями в условиях высокочастотной торговли, увязая в шуме и транзакционных издержках.

Спекуляции в сети: Как ИИ выявляет манипуляции на фондовом рынке

от

Анализ выявил, что традиционные методы обнаружения рыночных аномалий эффективно распознают крупные, очевидные колебания, но оказываются неспособны к выявлению более тонких манипуляций, в то время как интегрированный подход, учитывающий социальную координацию, активность ботов и рыночные сигналы, демонстрирует устойчивую способность к разделению и обобщению, превосходя подходы, основанные исключительно на рыночных данных.

Новая система, использующая искусственный интеллект, анализирует активность в социальных сетях и данные о торгах для обнаружения скоординированных попыток искусственного завышения или понижения стоимости акций.

Охота на баги: Искусственный интеллект находит уязвимости в нейросетях

от

RepGen демонстрирует превосходство над моделью DeepSeek-R1, что указывает на возможность повышения эффективности генерации кода за счет оптимизации архитектуры и методов обучения.

Новый подход, основанный на интеллектуальном агенте, значительно упрощает процесс воспроизведения ошибок в моделях глубокого обучения, решая проблему невоспроизводимости и сложных зависимостей.

Урожай и предсказания: Где заканчивается надежность машинного обучения?

от

Оценка важности признаков, выполненная с использованием значений SHAP для моделей машинного обучения - эффективных, деградирующих и неэффективных - выявила ключевые факторы, определяющие точность прогнозирования урожайности, разрыва в урожайности, соотношения разрыва в урожайности и аномалий урожайности, при использовании различных моделей Random Forest и XGBoost.

Новое исследование показывает, что высокая точность моделей машинного обучения в прогнозировании урожайности не гарантирует их стабильную работу в меняющихся условиях и достоверность интерпретации факторов влияния.