刚刚今天看了一篇自监督学习在视觉领域的领域:[用前后不同的随机视频帧进行自监督学习],很巧的是刚刚又看到了一篇文章在量化金融方面的应用,感觉想法很新颖,就写点笔记记录下:
文章来自韩国首尔大学和Oxford. 我觉得最重要的思想就是用LSTM模型进行模型参数的随时间变化的预测,而自监督学习负责学习股票的特征的表征(当然也是时间尺度上的),通过俩者的结合来解决诸如data drift的问题。
PS: 只做核心的思想总结,具体细节可以在文章里面去看
基本的架构如下:
首先看下最右下角的module, 起其实这个Module 就是依据时间从过去到未来的顺序进行预测下个时间节点的模型 f的参数(也就是我么的feature map). 具体解释如下:
也就是说,我的理解是LSTM 就是根据domain f 的过去的参数变化,来进行学习从而可以预测未来f的参数变化的(这个说实话我第一次遇见有人这么做,之前很多人用meta learning 去做data drift的问题, 这里用这种方法不知道work 不 work)。
OK, 那么自监督怎么做的呢?
作者选用依然从原始的时间序列数据当中去做数据处理(例如move average等),也加了一些公司诸如财报信息特征,综合起来进行short-term feature和long-term feature综合处理。总之一切数据预处理做好后会经过一层Feature Tokenizer module 最终得到每只股票的token representation:
当我们得到上述的 之后就进行正负样本的学习,基本的逻辑就是随机打乱token的顺序,打乱的幅度比较大的是负样本,打乱的幅度比较小的是正样本。然后通过下面公式进行正负样本对比学习的训练:
loss 函数如下:
总体而言,想法就是结合对比学习和LSTM进行预测 f函数的未来参数从而来解决concept drift的问题(没有试过,不确定这种方法work 不 work)。但是我觉得这种对比学习进行股票token representation学习的方法还是值得大家参考的!
实验结果如下(仅选取portfolio management 的例子):
作者在做资产配比的实验,依然根据解MVO 优化方程进行,但是方法就是correlation matrix 用这里学出来的 SimStock matrix 代替:
我们发现在S&P 500 以及日本股市上面,用simstock学出来的stock representation进行建立的correlation matrix 结合MVO 优化函数进行接触对应的weight权重跟之前的方法进行比较,在不同volatility的情况下都有很有优势的return.
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。