广义神经加性模型丛林：在金融领域追求透明且准确的机器学习模型
机器学习
2024-07-30 v2 人工智能
计算金融
摘要
尽管机器学习方法相比传统方法显著提升了模型性能，但其黑盒结构使研究者难以解释结果。对于高度监管的金融行业，模型透明度与准确性同等重要。若不理解模型如何运作，即便高度准确的机器学习方法也不太可能被接受。我们通过引入一类称为广义神经加性模型丛林的新型透明机器学习模型来解决此问题。广义神经加性模型丛林将特征分为三类：线性特征、个体非线性特征以及交互非线性特征。此外，最后一类中的交互仅为局部的。逐步选择算法区分线性与非线性分量，并通过应用加性分离准则仔细验证交互组。通过金融中的一些实证例子，我们证明了广义神经加性模型丛林在 predominantly 为线性项且仅含稀疏非线性项的情况下展现出高准确性与高透明度。
引用
@article{arxiv.2209.10082,
title = {Generalized Groves of Neural Additive Models: Pursuing transparent and accurate machine learning models in finance},
author = {Dangxing Chen and Weicheng Ye},
journal= {arXiv preprint arXiv:2209.10082},
year = {2024}
}