什麼是黑匣子模型?
在科學,計算和工程學中,黑匣子是一種設備,系統或對象,它可以生成有用的信息,而無需揭示有關其內部工作的任何信息。其結論的解釋仍然不透明或“黑色”。
財務分析師,對沖基金經理和投資者可以使用基於黑框模型的軟件,以將數據轉換為有用的投資策略。
計算能力的進步,人工智慧,機器學習能力在許多專業中引起了黑匣子模型的擴散,並增加了周圍的神秘感。
在許多專業中,潛在用戶謹慎地註視著黑匣子模型。正如一位醫師在一篇關於他們在心髒病學中使用的論文所寫的:“黑匣子是足夠複雜的模型的速記,以至於他們對人類不可直接解釋。”
關鍵要點
- 黑匣子模型會收到輸入並產生輸出,但其可行性是不可知的。
- 黑匣子模型越來越多地用於推動金融市場的決策。
- 技術的進步,尤其是在機器學習能力中,使人思想不可能確切地分析或確切地理解黑匣子模型如何產生結論。
- 黑匣子的相反是一個白盒。它的結果是透明的,可以由用戶分析。
- 黑匣子模型一詞很容易被濫用,並且可能僅反映了保護專有軟件或避免明確解釋的願望的需求。
了解黑匣子模型
許多東西可以描述為黑匣子:晶體管,算法,甚至人類大腦。
黑匣子的對立面是一個由可用於檢查的內部工作組成的系統。儘管有時被稱為透明盒子或玻璃盒子,但通常稱為白盒子。
財務中的黑匣子模型
在金融市場中,黑匣子方法的越來越多提出了許多擔憂。
黑匣子模型並不是天生的風險,但確實提出了一些治理和道德問題。
使用黑匣子方法的投資顧問可以掩蓋他們以保護為幌子推薦的資產的真正風險專有技術。這使投資者和監管機構都無法準確評估所承擔的風險。
黑匣子方法的好處是否抵消了缺點?意見不同。
誰使用黑匣子財務模型
多年來,使用黑匣子模型來分析投資的風格已經過時,通常取決於金融市場是上升還是下降。
在金融市場的動盪貼片中,黑匣子策略因其潛在的破壞性性質而被挑出。在極端損失揭示出來之前,要實現的風險水平可能不會顯而易見。
計算能力,大數據應用程序的進步,人工智慧,機器學習能力正在增加使用和使用複雜定量方法的黑匣子模型的使用和增加。
對沖基金和世界上一些最大的投資經理現在通常使用黑匣子模型來管理其投資策略。
快速事實
在心理學中,黑匣子模型的使用可以追溯到行為主義學校的父親BF Skinner。斯金納認為,心理學家應該研究大腦的反應,而不是其過程。
黑匣子爆炸
有幾個值得注意的實例,其中包括專門針對黑匣子策略的投資組合中的極端損失。黑匣子策略不應為這些事件歸咎於責備。但是,依賴這些策略的投資者,許多其他在暴風雨中抓獲的投資者也是如此。
這些事件包括:
- 黑色星期一,1987年10月19日。當時,道瓊斯工業平均水平在一天之內下降了約22%。
- 對沖基金的崩潰,長期資本管理,在1998年。該基金利用套利策略獲得了巨額利潤來購買債券,直到俄羅斯政府的債券違約使其崩潰,幾乎將全球金融體繫帶入了它。
- 這 ”Flash崩潰“ 2015年8月24日。現在定期發生的閃光崩潰涉及資產價值的短暫下降,然後立即恢復其價格。計算機訂單的增加通常被責備。實際上,2015年實際上發生了兩次閃存崩潰。八月的活動涉及S&P 500 Index,另一個涉及的交易,在3月18日在US Dollars中銷售。
計算中的黑匣子模型
有助於黑匣子模型的增長和復雜性的機器學習技術密切相關,尤其與機器學習有關。
實際上,有人認為,由算法創建的黑匣子預測模型的運作可能會變得如此復雜,以至於沒有人可以通過做出預測的所有變量來工作。
工程中的黑匣子模型
黑匣子模型用於工程中,以構建計算機代碼而不是物理形式中存在的預測模型。
然後,可以觀察,分析,測試和修改這些變量,而不會在現實世界中實際建立它們的昂貴且耗時的過程。
什麼是金融中的黑匣子模型?
旨在在金融市場中使用的黑匣子模型是一項軟件程序,可分析市場數據,並根據該分析產生購買和銷售的策略。
黑匣子的用戶可以理解結果,但看不到它們背後的邏輯。當模型的構造中使用機器學習技術時,這些輸入實際上太複雜了,無法解釋人的大腦。
消費者行為的黑匣子模型是什麼?
消費者行為的黑匣子模型來自行為心理學的學術領域。
行為心理學家將人腦視為黑匣子。人類的思想對刺激做出了反應。為了改變行為,必須改變刺激,而不是對刺激反應的思想。
營銷人員已經採用了這一理論來分析消費者決策過程。該分析試圖通過觀察消費者對某些刺激的反應來理解和影響購買決策。
什麼是黑匣子模型與白框型號?
在人工智能領域,黑匣子模型使用機器學習算法進行預測而對該預測的解釋仍然是不可知和不可追踪的。
白框模型試圖合併使機器學習過程更透明的限制因素。
透明度或“解釋性”可能是醫療保健,銀行或保險和其他行業中使用的模型中的道德和法律目標。
底線
黑匣子模型越來越多地用於創建用於投資世界中的應用程序,而且用於用於醫療保健,銀行,工程和其他領域的軟件。
黑匣子模型正在與機器學習能力一起發展,並且它們的過程的複雜性都在增加。
實際上,它們變得越來越不透明。也就是說,我們依靠他們的結果而不了解如何產生這些結果。