Topics in optimization via deep neural networks

Derin öğrenme ve optimizasyonun kesiştiği, Derin Portföy Optimizasyonu ve Alt Küme Tabanlı Hata Önleme çalışmalarına odaklanıyoruz. Finansta derin modellerin ortaya çıkmasıyla birlikte portföy optimizasyon literatürü, klasikleşmiş model temelli yaklaşımlardan, veriye dayalı modellere doğru kaymıştır. Bununla birlikte, derin portföy modelleri genellikle verilerin durağan olmayan yapısı nedeniyle sorun yaşamaktadır ve elde edilen sonuçlar her zaman istikrarlı değildir. Tekrarlayan Sinir Ağları teknolojisine kıyasla elde edilen sonuçları iyileştirmek ve modellerin kararlılığını artırmak için verideki grafiksel bilgiden yararlanmamıza izin veren Grafik Sinir Ağlarını kullanmayı öneriyoruz. Ek olarak, tamamen veriye dayalı modellerde risk algısı hakkında fikir vermek adına derin portföy optimizasyon modelleri arasında algoritmik risk-getiri dengesini analiz ediyoruz. İkinci olarak, Aşırı Öğrenme Makinesi (AÖM) yapısını kullanan bir gürültü giderme yöntemi öneriyoruz. Ayrıca, önerilen yöntemin, iki katmanlı bir gürbüz AÖM'ye eşdeğer olduğunu gösteriyoruz. Literatürdeki mevcut gürbüz AÖM yöntemleri, iyi bilinen L1, L2 düzenleştirme tekniklerinin yanı sıra Huber Kaybı gibi gürbüz kayıp fonksiyonlarının kullanımını içerir. Böylece AÖM'nin kullanımını, Makine Öğrenme algoritmasından bağımsız olarak genel bir veri temizleme yöntemi haline getiriyoruz. Sunduğumuz yöntemler, gözlemlerin yoğun gürültünün etkisinden muzdarip olduğu senaryolarda kullanışlıdır. Gürültü giderme ve düzenleştirilmiş AÖM yöntemleri için yapılan testleri hem sentetik hem de gerçek veriler üzerinde gerçekleştiriyoruz. Metodumuz, senaryoların çoğunda rakiplerinden daha iyi performans gösterir ve gürültünün çoğunu başarıyla ortadan kaldırır.