关于基于 AI 的金融时间序列预测系统良好实践的假设：迈向领域驱动的 XAI 方法
综合金融
2023-11-14 v1 机器学习
摘要
机器学习与深度学习在金融预测与预报任务中日益普及，带来提升客户体验、使金融服务民主化、改善消费者保护及加强风险管理等优势。然而，这些复杂模型常缺乏透明性与可解释性，使其在金融等敏感领域难以使用。这催生了可解释人工智能（XAI）方法，旨在创建易被人类理解的模型。经典 XAI 方法如 LIME 与 SHAP 已开发用于为复杂模型提供解释。尽管这些方法贡献显著，仍存在局限性，包括计算复杂度、固有模型偏差、对数据采样的敏感性及处理特征依赖的困难。在此背景下，本文探讨在基于 AI 的金融系统中部署可解释性的良好实践，强调数据质量、面向受众的方法、数据属性考量及解释稳定性的重要性。这些实践旨在应对金融行业的独特挑战与需求，并指导有效 XAI 工具的开发。
引用
@article{arxiv.2311.07513,
title = {A Hypothesis on Good Practices for AI-based Systems for Financial Time Series Forecasting: Towards Domain-Driven XAI Methods},
author = {Branka Hadji Misheva and Joerg Osterrieder},
journal= {arXiv preprint arXiv:2311.07513},
year = {2023}
}
备注
11 pages, 1 figure