یادگیری ماشین و برخی کاربردهای آن در حوزه مالی

یادگیری ماشین  حوزه مالی یکی از کاربردهای یادگیری ماشینی هست.

در سال 1959 عبارت یادگیری ماشین (Machine Learning) برای نخستین بار از سوی آرتور لی ساموئل (Arthur Lee Samuel) مطرح شد . به عنوان یکی از شاخه‌های وسیع و پرکاربرد هوش مصنوعی، یادگیری ماشین به تنظیم و اکتشاف شیوه‌ها و الگوریتم‌هایی می‌پردازد که بر اساس آن‌ها رایانه‌ها و سامانه‌ها توانایی فراگیری پیدا می‌کنند.
چندین بار در روز شما احتمالاً از یادگیری ماشین استفاده می‌کنید، حتی بدون آنکه بدانید.

هر بار که شما یک جستجوی اینترنتی در گوگل یا بینگ انجام می‌دهید، در واقع یادگیری ماشینی انجام می‌شود زیرا نرم‌افزار یادگیری ماشینی آن‌ها الگوی رتبه‌بندی صفحات وب (Webpage Ranking ) را درک کرده‌است.

هنگامی که برنامه عکس اپل دوستان و تصاویر شما را می‌شناسد، این نیز یادگیری ماشین است.

هر بار که ایمیل خود را چک می‌کنید و فیلتر هرزنامه (Spam) شما را از داشتن مجدد هزاران هرزنامه خلاص می‌کند نیز به همین دلیل است که کامپیوتر شما یادگرفته که هرزنامه‌ها را از ایمیل غیراِسپم تشخیص دهد.

این همان یادگیری ماشین است. این علمی است که باعث می‌شود کامپیوترها بدون نیاز به یک برنامه صریح (Explicit Program) در مورد یک موضوع خاص یاد بگیرند.

انواع الگوریتم های یادگیری ماشین

در یک دسته بندی کلی الگوریتمهای یادگیری ماشین را میتوان به سه دسته کلی الف: یادگیری نظارت شده (Supervised Learning)، ب: یادگیری غیرنظارت شده (Unsupervised Learning) و پ: یادگیری تقویتی(Reinforcement Learning) تقسیم کرد.
یادگیری نظارت شده چیست؟
این نوع یادگیری زمانی رخ می دهند که شما مقادیر ورودی ماشین را به خوبی برچسبگذاری کرده (Labelled) باشید یعنی پاسخهای درست متناظر با آنها را از قبل مشخص کرده باشید.

بعنوان مثال شما یک مجموعه ورودی های عددی ( مثلأ اعداد طبیعی ) و یک مجموعه جواب متناظر ( مثلأ ریشه سوم متناظر با تک تک آن اعداد طبیعی ) را به ماشین میدهید سپس با آموزش ماشین، آن یاد می گیرد که هر کدام از جواب ها ریشهی سوم ورودی ها است.

حال شما اگر یک ورودی کاملأ جدید به ماشین بدهید، بر اساس تجربه یادگیر قبلی، او با احتمالی از صحت (Accuracy) میتواند جواب متناظر را تشخصی دهد.

این نکته روشن است که هر چه قدر که داده های آموزش شما به ماشین بیشتر باشد ، ان با احتمال صحت بیشتری نمیتواند جواب های ورودیهای جدید را مشخص کند.

از اساسی ترین کارکردهای این نوع یادگیری در حوزه مالی می توان به میتوان به پیش بینی قیمت (Price Forecasting)، پیشبینی عرضه و تقاضا (Supply/Demand Forecasting)، پیشبینی بازار (Market Forecasting)، نگهداری مشتری (Customer Retention)، تشخصیص کلاهبرداری بیمه‌ایی (Insurance Fraud Detection) و غیره اشاره کرد.

یادگیری نظارت نشده

فرض کنید که شما به طور مرتب در معرض اطلاعاتی قرار میگیرید ( مثلأ واژههای یک زبان خارجی) که هیچ دانش قبلی از آنها ندارید و کسی هم نیست که به شما درخصوص انها چیزی یاد دهد.

شما در روزهای اول شاید هیچ چیز را متوجه ( تشخیص ندهید) ولی به مرور زمان مغز شما شروع به یادگیری میکند به طوری که اگر یک واژه را ببینید می توان صوت متناسب با آن را حدس بزنید.

این دقیقأ چیزی است که در یادگیری بدون نظارت اتفاق میافتد.

بنابراین می توان گفت که این نوع یادگیری زمانی رخ میدهد که داده های ورودی شما برچسب‌گذاری نشده اند یعنی شما جواب متناظر با انها برای ماشین تعریف نکرده اید و ماشین فقط از طریق تحلیل ورودی ها و یافتن الگوهای در بین آنها می تواند آنها را تحلیل کند.

بعنوان نمونه فرض کنید  یک مجموعه‌ای از داده‌های ورودی را به مدل داده اید که شامل هزاران شکل هندسی است.

در این حالت ماشین میتواند یادبگیرد که از لحظ شکل چه اشکالی را میتوان در یک خوشه مشخص قرار داد. حال شما یک شکل هندسی جدید به ماشین بدهید حال ماشین میتواند یا یک احتمال صحت مشخص بگوید این شکل به کدام خوشه متعلق است.

از اساسی ترین کارکردهای این نوع یادگیری در حوزه مالی میتوان به بخش بندی مشتری (Customer Segmentation)، تحلیل رفتار مصرف‌کننده (Consumer Behavior Analysis)، خوشه‌بندی شاخص‌های اساسی عملکرد مالی (FKPI Clustering) و غیره. اشاره کرد

مرتبط: ۱۰ نمونه از قابلیتهای بی نظیر یادگیری عمیق

 

یادگیری تقویتی

شاید علم بیش از هر چیزی توسط توسط یادگیری تقویتی توسعه پیدا کرده است.

مثلأ یک مهندس را در نظر بگیرید که می خواهد یک موتوری را طراحی کند که دور موتور آن در دقیقه (RPM) به مقداری از دامنه مشخصی مثلا 100 تا 150 برسد.

ان مهندس با آزمودن روشهای مختلف به مرور میفهمد که چه اقدامات ( و طراحی هایی) را نباید انجام دهد و چه چه اقدامات ( و طراحی هایی) را باید انجام دهد تا به خواست مورد نظرش برساند.

این چیری است که در روح یادگیری تقویتی نهفته است.
در بسیاری از حیوانات، یادگیری تقویتی، تنها شیوه‌ی یادگیری است.

همچنین یادگیری تقویتی، بخشی اساسی از رفتار انسان‌ها را تشکیل می‌دهد.

هنگامی که دست ما در مواجهه با حرارت می‌سوزد، ما به سرعت یاد می‌گیریم که این کار را بار دیگر تکرار نکنیم.

لذت و درد مثالهای خوبی از پاداش‌ها هستند که الگوهای رفتاری ما و بسیاری از حیوانات را تشکیل می‌دهند.

در یادگیری تقویتی، هدف اصلی از یادگیری، انجام دادن کاری و یا رسیدن به هدفی است، بدون آنکه عامل یادگیرنده، با اطلاعات مستقیم بیرونی تغذیه شود.

در یادگیری تقویتی وقتی عامل کاری را انجام میدهد که او را به هدفش نزدیکتر میسازد، پاداش می گیرد و هدف او این است که اقداماتی را انجام دهد تا در دراز مدت پاداش او را حداکثر سازند.

اگرچه هم یادگیری نظارت شده و هم یادگیری تقویتی از نگاشت بین ورودی و خروجی استفاده می‌کنند، اما در یادگیری بر خلاف یادگیری نظارت شده از پاداش‌ها و تنبیه‌ها به عنوان سیگنال‌هایی برای بهبود عملکرد نهایی سیستم استفاده می شود.

ضمن اینکه تفاوت اصلی میان یادگیری تقویتی با روش های نظارتی یادگیری ماشین، در این است که در یادگیری تقویتی، هیچ گاه به عامل گفته نمی‌شود که کار درست در هر وضعیت کدام است ( یعنی داده ها برچسب گذاری نمی شوند) و فقط به وسیله‌ی معیاری، به عامل فهمانده می شود که یک عمل به چه میزان خوب و یا به چه میزان بد است.

این وظیفه‌ عامل یادگیرنده است که با در دست داشتن این اطلاعات، یاد بگیرد که بهترین عمل در هر وضعیت کدام است. این موضوع، بخشی از نقاط قوت خاص یادگیری تقویتی است.

از این طریق، مسائل پیچیده‌ی تصمیم‌گیری در اغلب اوقات می‌توانند با فراهم کردن کمترین میزان اطلاعات مورد نیاز برای حل مسأله، حل شوند. شاید اساسی ترین کارکرد این نوع یادگیریدر زمینه مالی، بازیسازی دادوستد مالی (Trading Gamification) اشاره کرد

منابع :
Mohri, M., Rostamizadeh, A., & Talwalkar, A. (2018). Foundations of machine learning. MIT press.
Lin, W. Y., Hu, Y. H., & Tsai, C. F. (2012). Machine learning in financial crisis prediction: a survey. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 42(4), 421-436..
http://iran-machinelearning.ir