По -големите модели на AI по -добри ли са набор от запаси? Може би, но вероятно не

през декември 2021 година Брайън Кели, началник на машинното образование в Quant House AQR Capital Management, сложи името си на академична книга, която провокира много оживление.

добродетелта на сложността в прогнозата за завръщане-съавторство от Кели с семеон Маламуд и Кангинг, Zhou-намериха, че комплицираните машинни сумони са по-добри, в сравнение с елементарни, с цел да предсказват цените на запасите и да се здания, че комплицираните пристанища на машини.

Констатацията беше огромна работа, защото опонира на един от водещите правила на машинното образование, компромисът на пристрастието-вариант, който споделя, че прогнозната мощ на моделите отслабва, когато те нарастват отвън някакво оптимално равнище. Като се има поради прекалено много параметри, с които да се играе, бот ще има наклонност да превъплъщава изхода си към инцидентен звук в данните за образование.

Но Кели и неговите съавтори стигнаха до заключението, че изненадващо повече променливи постоянно усъвършенстват възвръщаемостта. Наличната изчислителна мощ е единственият предел. Ето видео на Кели, обясняващ на учебното заведение Wharton през 2023 година, че същите правила, които се отнасят за многомилиардните модели на параметри, захранващи Chatgpt и Claude AI, също се отнасят за точността във финансовите прогнози.

Много учени мразеха този документ. Той разчита на научен разбор „ толкоз стеснен, че е съвсем ненужен за финансовите икономисти “, споделя Джонатан Берк от Станфорд Бизнес учебно заведение. Изпълнението зависи от санирани данни, които не биха били налични в действителния свят, съгласно някои откриватели от университета в Оксфорд. Даниел Бънк, от Стокхолмското бизнес учебно заведение, споделя, че по -големите модели, тествани от Кели и други Превъзхождат единствено, тъй като те избират ограничения, които неподходящи по -малки модели.

Тази седмица Стефан Нагел от Чикагския университет се причисли към купчината. Документът му - на пръв взор добродетелна трудност в прогнозата за подмяна - твърди, че „ зашеметяващият “ резултат, показан от Kelly et al, е. . . 

. . . Ефективно претеглена междинна стойност на предходната възвръщаемост, с тегло най -високи за интервали, чиито вектори на прогноза са най -подобни на сегашната.

Nagel провокира централното умозаключение на вестника, че доста комплицираното поле може да направи положителни прогнози въз основа единствено на година на данни за продуктивността на запасите.

Намирането се корени в AI идея, известна като двойно втурване, в което се споделя, че дълбоките логаритми за образование вършат по -малко неточности, когато имат по -променливи параметри, в сравнение с обучителните данни. Наличието на модел с голям брой параметри значи, че той може да се побере съвършено към данните за образование.

Според Kelly et al, този всеобхватна метода на Blob за съвпадане на модели е в положение да избере прогнозните сигнали в доста шумни данни, като една година от търговията с акции в Съединени американски щати. ;

Най -важното е, че логаритъмът не поучава тактика за инерция, тъй като е усетил, че ще бъде печеливш. Той просто има пристрастия за самопризнание. ; Той „ не се учи от данните за образование дали са налице инерция или динамичност на обръщане; тя механично постанова конструкция, сходна на подтик, без значение от главния развой на връщане. “

Превъзходство, показано от изследването от 2021 година, „ по този метод отразява съвпастния исторически триумф на волатилността, която е натрапчила, а не предсказваща информация, извлечена от образованието на данните за образованието “.

Пропускаме доста детайлности. Всеки четец, който желае да знае за механиката на мащабирането на ядрото посредством инцидентни функционалности на Фурие, би бил по -добре обслужван от създател, който знае защо приказват. Основният ни интерес е в AQR, Quant с 136 милиарда Долара, който носи своите университетски корени с горделивост.

Кели работи като фронтмен на AQR за по -добри вложения посредством машинно образование: документът му „ добродетел на сложността “ е на уеб страницата на AQR, дружно с някои по -внимателни мнения от неговия началник Клиф Асс върху цената на генерираните от машината сигнали.

Спестяването на Кели и други - в това число от професор от Чикагския университет, както неговата, по този начин и на Алма Матер - не е страховит тип. Но защото тактиките за директна инерция в исторически проект са били измежду нещата, които AQR прави най -добре, може би тази демистификация на университетския AI свръх не е неприятно за вложителите.