江苏龙网

  1. 首页 > 人文 > >

12个场景应用，百余种算法，AI是如何攻占经济学的？( 四 )


[102]提出了一种新的学习遗传算法 ， 该算法利用R-NN模型来模拟人类的行为 。 具体采用了复杂的深度学习结构 ， 包括：强化学习用于快速决策 ， 深度学习用于构建股票身份 ， 聚类用于整体决策目的 ， 遗传用于转移目的 。
[103]通过超参数的多样化选择使模型更加准确 。 实验结果表明 ， 该模型可以在误差较小的情况下对期权进行定价 。
8、深度学习和零售
零售用的最多的是增强现实（AR） ， 此项技术能够改善客户的购买体验 。 最新研究成果如下所示：
12个场景应用，百余种算法，AI是如何攻占经济学的？
本文插图
[104]在一项研究中将深度学习技术和增强现实方法相结合 ， 以便为客户提供丰富的信息 。 他们还提出了一个移动应用程序 ， 使其能够通过深度学习中的图像分类技术来定位客户 。
[105]设计了一种新的DNN来准确预测未来的销售 ， 该模型使用了一组完全不同的变量 ， 如产品的物理规格和专家的想法 。
[106]等人用CNN回归模型来解决评估商店可用人数和检测关键点的计数这两个问题 。
[107]同时采用k-均值算法和k-近邻算法 ， 将计算出的质心合并到CNN中 ， 以实现有效的分离和自适应 。 该模型主要用于验证食品生产日期等相关信息 。
9、深度学习下的商业智能

12个场景应用，百余种算法，AI是如何攻占经济学的？
本文插图
[108]发展了一项涉及元塑性概念（ the concept of meta plasticity）的工作 ， 它具有提高学习机制灵活性的能力 ， 能够从数据中发现更深层次的有用信息并进行学习 。 研究的重点是MLP ， 在利用客户数据的同时 ， 输出在BI（商业智能）中的应用 。
[109]提出的MLS和SAE相结合的方法可以用来对序列现象中的时间维进行建模 ， 对于异常情况非常有用 ， 也即业务日志中的异常检测能力较高 。
[31]设计了一种新的多层特征选择 ， 它与堆叠式自动编码器(SAE)交互作用 ， 只检测数据的关键表示 。
[110]使用递归神经网络结构以业务流程的方式进行预测 ， 其中RNN的输入是通过嵌入空间来建立的 ， 在论文中还给出了精度验证结果和该方法的可行性验证结果 。
3 强化学习在高维经济学问题中的应用
前面介绍的是深度学习在经济学领域的应用 。 对比传统的深度学习 ， 深度强化学习能够有效处理高维问题 。 所以 ， 在一些包含高维动态数据的经济学问题上 ， 深度强化学习表现更加优秀 。
1、深度强化学习下的股票交易
由于缺乏处理高维问题的能力 ， 传统强化学习方法不足以找到最佳策略 。 下面是深度强化学习的最新研究 。
12个场景应用，百余种算法，AI是如何攻占经济学的？
本文插图
[114]使用深度确定性政策梯度(DDPG)算法作为一种替代方案来探索动态股票市场中的最优策略 。 算法处理较大的动作状态空间 ， 兼顾了稳定性 ， 消除了样本相关性 ， 提高了数据利用率 。
[115]等人设计了一种新的自适应深度确定性强化学习框架(Adaptive DDPG) ， 用于在动态复杂的股票市场中发现最优策略 。 该模型结合了乐观和悲观的Deep RL（optimistic and pessimistic Deep RL） ， 既依赖于负的预测误差 ， 也依赖于正的预测误差 。
[116]为了分析股票决策机制的多种算法 ， 在深度RL中进行了调查研究 。 他们基于DQN、Double DQN和Dueling DQN三个经典模型的实验结果表明 ， 其中DQN模型可以获得更好的投资策略 。 另外 ， 这项研究还应用实证数据对模型进行了验证 。
[117]专注于使用深度强化学习实现证券交易中的自动振荡 ， 其中他们使用递归卷积神经网络(RCNN)方法从经济新闻中预测股票价值 。
2、深度强化学习下的投资组合管理


推荐阅读


上一篇：5G时代，解锁机器视觉与千行百业的“完美关系”

下一篇：科技锋暴对于手机硬件，我们需要了解哪些？（屏幕篇）