کتاب Probabilistic Machine Learning for Finance and Investing

کتاب Probabilistic Machine Learning for Finance and Investing: A Primer to Generative AI with Python (یادگیری ماشین احتمالی برای امور مالی و سرمایه‌گذاری: آغازگر هوش مصنوعی مولد با پایتون) مفاهیم هوش مصنوعی و هوش مصنوعی مولد را برای امور مالی با استفاده از زبان برنامه‌نویسی پایتون شرح خواهد داد.

در ادامه مقدمه‌ای از کتاب Probabilistic Machine Learning for Finance and Investing را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Probabilistic Machine Learning for Finance and Investing:

هوش مصنوعی مولد، و به طور خاص Chat GPT-4، این روزها در همه جا پرطرفدار است. یادگیری ماشین احتمالی (ML) نوعی از هوش مصنوعی مولد است که برای امور مالی و سرمایه گذاری ایده آل است. برخلاف شبکه‌های عصبی عمیق که ChatGPT بر اساس آن‌ها است، مدل‌های احتمالی ML جعبه سیاه نیستند. این مدل‌ها همچنین شما را قادر می‌سازند تا علل را از اثرات به شیوه‌ای نسبتاً شفاف استنتاج کنید. این در صنایعی که به شدت تنظیم شده اند، مانند امور مالی و مراقبت‌های بهداشتی، که در آن شما باید اساس تصمیمات خود را برای بسیاری از سهامداران توضیح دهید، مهم است.

ML احتمالی همچنین شما را قادر می سازد تا دانش شخصی، تجربی و نهادی را به طور صریح و منظم در مدل‌های ML رمزگذاری کنید تا مزیت‌های رقابتی سازمان خود را حفظ کنید. چیزی که واقعاً ML احتمالی را از همتایان معمولی خود متمایز می‌کند، توانایی آن در شبیه‌سازی یکپارچه داده‌های جدید و دانش خلاف واقع مشروط به داده‌های مشاهده شده و مفروضات مدلی است که بر اساس آن آموزش داده شده و آزمایش شده است، صرف نظر از اندازه مجموعه داده یا ترتیب داده‌ها.

مدل‌های احتمالی، مدل‌های مولد هستند که محدودیت‌های خود را می‌دانند و صادقانه ناآگاهی خود را با گسترش دامنه استنتاج‌ها و پیش‌بینی‌های خود بیان می‌کنند. از توهمات مطمئن ChatGPT، که بیشتر به عنوان فیب و دروغ شناخته می‌شود، چنین تردیدهای کمی دریافت نخواهید کرد.

همه مدل‌های ML بر این فرض ساخته شده‌اند که الگوهای کشف‌شده در داده‌های آموزشی یا درون نمونه در آزمایش یا داده‌های خارج از نمونه باقی می‌مانند. با این حال، زمانی که مدل‌های غیراحتمالی ML با الگوهایی در داده‌هایی مواجه می‌شوند که هرگز روی آن‌ها آموزش یا آزمایش نشده‌اند، به دلیل نقص‌های بنیادی ذاتی مدل‌های آماری خود، استنباط‌ها و پیش‌بینی‌های فاحشی انجام می‌دهند. علاوه بر این، این مدل‌های ML این کار را با اطمینان کامل و بدون هشدار به تصمیم گیرندگان در مورد عدم قطعیت خود انجام می‌دهند.

پذیرش فزاینده مدل‌های غیراحتمالی ML برای تصمیم‌گیری در امور مالی و سرمایه‌گذاری می‌تواند منجر به عواقب فاجعه‌باری برای افراد و جامعه در کل، از جمله ورشکستگی و رکود اقتصادی شود. ضروری است که همه مدل‌های ML عدم قطعیت استنباط‌ها و پیش‌بینی‌های خود را بر روی داده‌های نامرئی تعیین کنند تا از تصمیم‌گیری صحیح در دنیایی پیچیده با عدم قطعیت‌های سه‌بعدی پشتیبانی کنند.

شرکت‌های پیشرو به وضوح محدودیت‌های فناوری‌های هوش مصنوعی استاندارد را درک می‌کنند و در حال توسعه نسخه‌های احتمالی آن‌ها برای گسترش کاربرد آن‌ها برای مشکلات پیچیده‌تر هستند. گوگل اخیراً TensorFlow Probability را برای گسترش سکوی TensorFlow معرفی کرده است.

به طور مشابه، فیس بوک و اوبر Pyro را برای گسترش سیستم عامل PyTorch خود معرفی کرده‌اند. در حال حاضر، محبوب ترین فناوری‌های منبع باز احتمالی ML PyMC و Stan هستند. PyMC با پایتون و Stan به زبان C++ نوشته شده است. این کتاب از اکوسیستم گسترده کتابخانه‌های کاربرپسند پایتون استفاده می‌کند.

بیشتر بخوانید: کتاب Python Data Analytics

چه کسی باید کتاب Probabilistic Machine Learning for Finance and Investing را بخواند؟

مخاطب اصلی این کتاب، متخصصان متفکر در رشته مالی و سرمایه‌گذاری هستند. یک متخصص متفکر کسی است که صرفاً نمی‌خواهد دستورالعمل‌های یک کتابچه راهنما یا کتاب آشپزی را دنبال کند.

آن‌ها می‌خواهند مفاهیم زیربنایی را درک کنند که چرا باید یک فرآیند، مدل یا فناوری را اتخاذ کنند. به طور کلی، آن‌ها از نظر فکری کنجکاو هستند و از یادگیری به خاطر خود لذت می برند. در عین حال، آن‌ها به دنبال اثبات‌های ریاضی طاقت فرسا یا موضوعات آکادمیک خسته کننده نیستند. من منابع علمی بسیاری را در هر فصل برای خوانندگانی که به دنبال جزئیات ریاضی و فنی زیربنای مفاهیم و استدلال ارائه شده در کتاب Probabilistic Machine Learning for Finance and Investing هستند، ارائه کرده ام.

یک متخصص متفکر می تواند یک سرمایه گذار، تحلیلگر، توسعه دهنده، مدیر، مدیر پروژه، دانشمند داده، محقق، مدیر پورتفولیو یا معامله گر کمی باشد. این متخصصان متفکر می‌دانند که برای پیشرفت شغلی و کسب‌وکار خود نیاز به یادگیری مفاهیم و فناوری‌های جدید دارند. عمق درک عملی به آن‌ها اعتماد به نفس می دهد تا از آنچه یاد می گیرند برای توسعه راه حل‌های خلاقانه برای چالش‌های منحصر به فرد خود استفاده کنند. همچنین به آن‌ها چارچوبی می‌دهد تا فناوری‌ها و مفاهیم مرتبط را راحت‌تر کشف و یاد بگیرند.

در کتاب Probabilistic Machine Learning for Finance and Investing، من فرض می‌کنم که خوانندگان آشنایی اولیه با امور مالی، آمار، یادگیری ماشین و پایتون دارند. من فرض نمی‌کنم که آن‌ها کتاب خاصی خوانده باشند یا مهارت خاصی داشته باشند. من فقط فرض می کنم که آن‌ها تمایل به یادگیری دارند، به خصوص زمانی که ChatGPT، Bard، و Bing AI می توانند به راحتی هر کد یا فرمولی را در این کتاب توضیح دهند.

چرا کتاب Probabilistic Machine Learning for Finance and Investing را نوشتم؟

تعداد کمی از کتاب‌های احتمالی ML وجود دارد و هیچ کدام به طور کامل به مشکلات مالی و سرمایه‌گذاری اختصاص داده نشده است. به دلیل پیچیدگی‌های خاص این حوزه‌ها، هر کاربرد ساده‌ای از ML به طور کلی و ML احتمالی به طور خاص محکوم به شکست است. درک عمیق از مبانی این حوزه‌ها برای داشتن هر گونه شانس موفقیت بسیار مهم است. این کتاب آغازی است که می‌کوشد با استفاده از ریاضیات ساده و کد پایتون، زمینه‌ای محکم در مفاهیم بنیادی ML احتمالی و نحوه اعمال آن در مسائل مالی و سرمایه‌گذاری به متخصص متفکر بدهد.

دلیل دیگری برای نوشتن کتاب Probabilistic Machine Learning for Finance and Investing وجود دارد. تا به امروز، کتاب هنوز رسانه ای برای گفتمان جدی است. من می‌خواستم به خوانندگان درباره نقص‌های جدی تئوری مالی مدرن و روش‌شناسی استنتاج آماری متعارف یادآوری کنم.

این ظالمانه است که این روش‌های شبه علمی با وجود نقص‌های عمیق و عملکرد رقت‌انگیزشان هنوز در دانشگاه تدریس می‌شوند و در صنعت اجرا می‌شوند. آن‌ها همچنان به هدر دادن میلیاردها دلار تحقیقاتی برای تولید مطالعات ناخواسته، خدشه دار کردن شهرت شرکت علمی، و کمک قابل توجهی به بلایای اقتصادی و بدبختی بشری ادامه می دهند.

ما در یک دوراهی در تکامل فناوری‌های هوش مصنوعی قرار داریم و اکثر کارشناسان رشد تصاعدی در استفاده از آن را پیش‌بینی می‌کنند که اساساً نحوه زندگی، کار و تعامل ما با یکدیگر را متحول می‌کند.

خطری که سیستم‌های هوش مصنوعی به‌زودی بر بشریت تسخیر می‌کنند، یک داستان علمی تخیلی احمقانه است، زیرا حتی پیشرفته‌ترین سیستم‌های هوش مصنوعی نیز فاقد حس مشترک یک کودک نوپا هستند. خطر واقعی و واقعی این است که احمق‌ها ممکن است در نهایت این دانشمندان قدرتمند را بر اساس مدل‌های جعلی مالی و آماری متعارف توسعه و مدیریت کنند. این به احتمال زیاد منجر به فجایع سریعتر و بزرگتر از آنچه قبلاً تجربه کرده ایم خواهد شد.

انتقادات من توسط ریاضیات ساده، عقل سلیم، داده‌ها، و آثار علمی که در قرن گذشته منتشر شده است پشتیبانی می شود. شاید یکی از ارزش‌های افزوده این کتاب بازیابی بسیاری از آن نشریات دانشگاهی فراموش شده از آرشیوهای غبارآلود تاریخ و آگاه ساختن خوانندگان از بینش آن‌ها به زبانی ساده و صریح با استفاده از منطق، ریاضیات ساده یا کدهایی باشد که هر کسی که مدرک دبیرستانی دارد می تواند.

فهمیدن. بدیهی است که شیوه متعارف بیان این انتقادات به هیچ وجه جواب نداده است. خطرات برای افراد، جامعه، و شرکت‌های علمی بسیار زیاد است که ما نمی‌توانیم به این موضوع اهمیت دهیم که آیا حقایق ریاضی و علمی آشکار ممکن است کسی را آزار دهد یا اعتباری را که بر اساس نگارش یا حمایت از نظریه‌های جعلی ساخته شده است لکه دار کند.

پیمایش در کتاب Probabilistic Machine Learning for Finance and Investing

محتویات این کتاب را می توان به دو بخش منطقی تقسیم کرد که به طور ناموزون در هر فصل کتاب Probabilistic Machine Learning for Finance and Investing در هم تنیده شده اند. یک بخش بی فایده بودن وحشتناک مدل‌های اقتصادی، آماری و یادگیری ماشینی را برای حوزه های مالی و سرمایه گذاری بررسی می‌کند.

بخش دیگر بررسی می‌کند که چرا یادگیری ماشین احتمالی مدلی کمتر اشتباه و مفیدتر برای این حوزه‌های مشکل است. تمرکز منحصر به فرد این آغازگر بر درک مبانی این رشته پیچیده و چند رشته ای است. فقط مفاهیم محوری و برنامه‌های کاربردی پوشش داده شده است. گاهی اوقات کمتر در واقع بیشتر است. این کتاب به شرح زیر سازماندهی شده است، با هر فصل حداقل یکی از مفاهیم اصلی در امور مالی و سرمایه گذاری که در تمرین کد پایتون به کار رفته است:

فصل 1 کتاب Probabilistic Machine Learning for Finance and Investing، «نیاز به یادگیری ماشین احتمالی» برخی از نارسایی‌های غم‌انگیز مالی نظری را بررسی می‌کند، اینکه چگونه همه مدل‌های مالی دچار سه‌گانه خطا می‌شوند، و چرا ما به روشی نظام‌مند برای تعیین کمیت عدم قطعیت استنباط‌ها و پیش‌بینی‌های خود نیاز داریم. این فصل توضیح می دهد که چرا ML احتمالی یک چارچوب مفید برای امور مالی و سرمایه گذاری فراهم می‌کند.

فصل 2 کتاب Probabilistic Machine Learning for Finance and Investing، «تجزیه و تحلیل و کمی کردن عدم قطعیت» از مسئله مونتی‌هال برای مرور قوانین اساسی نظریه احتمال، بررسی معانی احتمال، و کشف سه گانه عدم قطعیت‌هایی که جهان ما را فرا گرفته است، استفاده می‌کند. این فصل از کتاب Probabilistic Machine Learning for Finance and Investing همچنین به بررسی مشکل استقرا و بیان مجدد الگوریتمی آن، قضایای بدون ناهار رایگان (NFL) و چگونگی حمایت مالی، سرمایه‌گذاری و ML احتمالی می‌پردازد.

فصل 3 کتاب Probabilistic Machine Learning for Finance and Investing، “کمی کردن عدم قطعیت خروجی با شبیه‌سازی مونت کارلو” مفاهیم آماری مهمی را بررسی می‌کند تا توضیح دهد که چرا شبیه‌سازی مونت کارلو (MCS)، یکی از مهم‌ترین تکنیک‌های عددی، با تولید راه حل‌های احتمالی تقریبی برای مسائل حل نشدنی تحلیلی کار می‌کند.

فصل 4 کتاب Probabilistic Machine Learning for Finance and Investing، «خطرات روش‌های آماری متعارف»، جمجمه‌شناسی روش‌های استنتاج آماری مرسوم را که معمولاً در تحقیقات و صنعت مورد استفاده قرار می‌گیرد، آشکار می‌کند و توضیح می‌دهد که چرا آن‌ها علت اصلی یافته‌های پژوهشی نادرست هستند که علوم اجتماعی و اقتصادی را آزار می‌دهند.

فصل 5 کتاب Probabilistic Machine Learning for Finance and Investing، “چارچوب یادگیری ماشین احتمالی” چارچوب ماشین احتمالی را بررسی می‌کند و نشان می دهد که چگونه استنتاج از داده‌ها و شبیه سازی داده‌های جدید به طور منطقی و یکپارچه در این نوع مدل مولد یکپارچه می شود.

فصل 6 کتاب Probabilistic Machine Learning for Finance and Investing، «خطرات سیستم‌های هوش مصنوعی متعارف» خطرات سیستم‌های هوش مصنوعی متعارف، به‌ویژه فقدان عقل سلیم اولیه و ناآگاهی آن‌ها از محدودیت‌های خود را نشان می‌دهد، که خطرات عظیمی را برای همه ذینفعان و جامعه در کل ایجاد می‌کند. شبیه‌سازی‌های زنجیره‌ای مارکوف مونت کارلو به عنوان یک روش نمونه گیری وابسته برای حل مسائل پیچیده در امور مالی و سرمایه‌گذاری معرفی شده‌اند.

فصل 7 کتاب Probabilistic Machine Learning for Finance and Investing، «یادگیری ماشین احتمالی با مجموعه‌های مولد» توضیح می‌دهد که چگونه یادگیری ماشین احتمالی اساساً شکلی از یادگیری ماشین گروهی است. به خوانندگان نشان می‌دهد که چگونه یک نمونه اولیه از یک مجموعه خطی مولد برای مشکلات رگرسیون در امور مالی و سرمایه گذاری با استفاده از کتابخانه‌های PyMC، Xarray و ArviZ Python ایجاد کنند.

فصل 8 کتاب Probabilistic Machine Learning for Finance and Investing، “تصمیم گیری احتمالی با گروه‌های مولد” نشان می‌دهد که چگونه می‌توان مجموعه‌های مولد را در مدیریت ریسک و تصمیمات تخصیص سرمایه در امور مالی و سرمایه گذاری به کار برد. مفاهیم ارگودیسیته و مشکلات استفاده از میانگین‌های گروهی برای تصمیم‌گیری مالی بررسی می‌شوند. نقاط قوت و ضعف الگوریتم‌های تخصیص سرمایه از جمله معیار کلی بررسی می‌شود.

سرفصل‌های کتاب Probabilistic Machine Learning for Finance and Investing:

• Preface
• 1. The Need for Probabilistic Machine Learning
• 2. Analyzing and Quantifying Uncertainty
• 3. Quantifying Output Uncertainty with Monte Carlo Simulation
• 4. The Dangers of Conventional Statistical Methodologies
• 5. The Probabilistic Machine Learning Framework
• 6. The Dangers of Conventional AI Systems
• 7. Probabilistic Machine Learning with Generative Ensembles
• 8. Making Probabilistic Decisions with Generative Ensembles
• Index
• About the Author

جهت دانلود کتاب Probabilistic Machine Learning for Finance and Investing می‌توانید پس از پرداخت، دریافت کنید.