رفع مشکل بیش برازش مدل‌های یادگیری عمیق
تصور کنید یک تیم تحلیل مالی دارید که تمام تصمیماتش وابسته به یک کارشناس است. اگر آن شخص مرخصی برود یا اشتباه کند، کل تیم فلج می‌شود. اما اگر به‌طور تصادفی هر روز یکی از اعضای تیم از جلسات حذف شود بقیه مجبور می‌شوند یاد بگیرند و مستقل تصمیم بگیرند. در یادگیری عمیق، به این تکنیک «Dropout» می‌گویند. دراپ‌اوت با غیرفعال کردن تصادفی برخی از نرون‌ها در طول آموزش مدل، مانع از وابستگی شدید شبکه به چند مسیر خاص شده و آن را وادار می‌سازد تا الگوهای کلی‌تر و مستقل‌تری را یاد بگیرد.
بزرگ‌ترین مشکل توسعه‌دهندگان الگوریتم‌های معاملاتی، بیش‌برازش (Overfitting) یا همان حفظ کردن رفتارهای گذشته است. وقتی الگوریتمی گذشته بازار را حفظ کند، با اولین تغییر رفتار در بازار واقعی شکست سختی می‌خورد. استفاده از Dropout در مدل‌های پیش‌بینی قیمت یا مدیریت ریسک، مانند یک شبیه‌ساز بحران عمل می‌کند؛ با حذف بخش‌هایی از شبکه در فاز آموزش، مدل یاد می‌گیرد که به متغیرهای محدود وابسته نباشد و به جای حفظ کردن گذشته، قدرت تعمیم‌دهی خود را در برابر نوسانات ناگهانی بازار واقعی بالا ببرد.

🆔 @python4finance