В Hive Project мы пользуемся преимуществами искусственного интеллекта. Одной из ключевых возможностей для наших пользователей является использование статистических данных и вероятностного моделирования. Каждая инвестиционная возможность также является риском, и для количественной оценки этого риска мы используем несколько методов расчета.
Итак, аспекты, которые будут использоваться, связаны с анализом данных о торгах пула данных, доступных в сети HVN, например:
- Знаем ли мы заемщика, какова история с заемщиком, анализ связей в социальных сетях и т. Д.
- Каковы текущие рыночные условия, анализ текущих рыночных показателей
- Сумма аска и история сети HVN
Для расчета прогнозируемого поведенческого кредита мы будем использовать дискриминативные модели: логистическую регрессию. Линейная регрессия - это линейный классификатор, калибровка оценок вероятности которого является неотъемлемой частью алгоритма обучения.
Логистическая регрессия входит в категорию вероятностных алгоритмов обучения с учителем.
На следующем рисунке представлены шансы и исходные данные модели:
Тогда мы имеем отношение шансов:
отношение шансов = (P (1)) / (1-P (1)) = w_0 + w_1 x_1 + ⋯ + w_n x_n
где w_0, w_1 и т. д. представляют собой коэффициенты или веса модели. Переменные и т. Д. Являются входными данными для модели.
Искусственная нейронная сеть - это модель, имитирующая поведение нейрона. Когда нейронные сети используются в прогнозном анализе, существует определенная сеть, которая называется многослойным восприятием. В многослойном восприятии нейроны организованы слоями в полностью связанную сеть с прямой связью. Каждый нейрон - это просто линейное уравнение. Итак, давайте посмотрим, как это делается. Исходя из уравнения логической регрессии:
отношение шансов = w_0 + w_1 x_1 + w_2 x_2 +… + w_n x_n
и связанная диаграмма с f: X → Y
Функция расчета нейрона представлена как отдельный нейрон:
а расчет многослойного восприятия представлен как набор нейронов на нескольких уровнях:
Чтобы обучить нашу модель, мы собираемся получить соответствующий набор данных для каждого рынка и обучить модель. Эта модель является итеративным обучающимся, что означает, что модель обучается посредством итераций, а не за один шаг обработки. Процесс обучения похож на то, как люди учатся, через несколько итераций.
Более подробное описание Hive Project вы можете найти в нашей Белой книге.