Cira PERNA | Progetti

TECNICHE DI DEEP-LEARNING E LORO APPLICAZIONI IN FINANZA

Obiettivo del progetto è lo studio di approcci deep-learning per la costruzione di modelli statistici per la previsione in ambito finanziario. Questo tipo di problemi, spesso coinvolgono dati ad alta dimesionalità con interazioni complesse che non risulta agevole specificare con I tradizionali modelli economici ed econometrici di tipo parametrico. L’applicazione di tecniche di deep-learning può potenzialmente produrre risultati più utili ed accurati di quelli che si possono ottenere con tecniche tradizionali. In particolare il deep learning può individuare e catturare interazioni e relazioni nei dati che, almeno al momento, risultano non individuabili con gli attuali modelli economico-finanziari. Particolarmente utile appare la prospettiva di costruire modelli per dati ad alta dimensionalità, in cui non sia necessaria alcuna restrizione ad hoc dello spazio parametrico. In particolare il progetto intende focalizzare l'attività di ricerca sulle tecniche di selezione del modello e dell'architettura della rete andando a individuare procedure innovative per l'individuazione dei molteplici parametri di tuning del processo di apprendimento, che influenzano fortemente le prestazione del modello, sia in termini di qualità dell'apprendimento sia in termini di accuratezza della previsione. Naturalmente gli aspetti computazionale, che di solito costituiscono un aspetto critico di tutte le procedure di apprendimento di deep-learning, riceveranno una particolare attenzione nel corso del progetto. Verranno in particolare studiate le performance di algoritmi di calcolo parallelo e di calcolo su unità GPU (con un elevato numero di core come le schede nvidia con architettura Pascal) al fine di ottenere procedure di apprendimento più accurate e più efficienti in termini di risorse utilizzate.