使用符号AI进行关联建模
在危机时刻，每个人都争先恐后地寻求最新消息，以寻求变化的信号并制定降低风险的决策。一般人使用常识来推断相关性。例如，随着冠状病毒危机的发展，许多人决定对浴室的薄纸进行包装。尽管对于许多人来说这是常识，但它根本没有道理。但是，当根据汇总常识对其进行评估时，我们可以消除许多此类信号。
在财务建模中，分析师依靠已知变量对结果进行建模。例如，债券收益率，美元实力，价值与增长，风险，流动性等。
当生活正常且财务上的消化不良的原因是执行中的错误时，这种建模效果很好。在供需相互交织的互联世界中，这些模型变得更加复杂。当变量与现实世界不匹配或这些变量的行为受到未知的其他依赖项的影响时，这些模型的结果可能会与现实世界相去甚远。
例如，我们观察到许多专家来到现场，将当前的经济动荡与先前的低迷进行比较，并很快发现它们是错误的。实际上，当前的危机并非由金融消化不良或故障引起，而是自然力量造成的结果–这种流行病尚无明显的治愈方法。
因此，我们转向使用符号逻辑的相关性建模。在相关性建模中，我们使用Symbolic AI侦听文本通信中的信号，然后针对来自人群的常识应用聚合的上下文判别式来确定这些信号的相关性。然后将在给定时间具有最高相关性的几个信号用作预测临界质量的行为和反应的基础。
相关因子是一个复合向量。它存在于具有这些标量属性的3-D空间中-挑战，动量，在进行中。使用微积分，我们可以在不同行业特定的表面上投影相关性，以获得与特定行业（例如旅行，航空航天，医疗）有关的斜率或变化率，从而确定投资者对某个行业的反应。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！