Makine öğrenmesinde açıklanabilirlik kavramına derin pekiştirmeli öğrenme ve sembolik regresyon ile hibrit yaklaşım: Algoritmik ticaret örneği

Abstract

Verinin enformasyona enformasyonun bilgiye bilginin ise bilgeliğe dönüştürülme süreci günümüzde üretilen veri miktarları göz önüne alındığında baş edilmesi güç bir sürece evrilmiştir. Yüksek boyutlu veri trafiği ile ve bu verilerin işlenerek karar vermede kullanılabilmesi amacıyla geliştirilen yüksek işlem gücüne sahip bilgisayarlar ve gelişen algoritmalar verinin artış hızına yetişmekte zorlanmakla birlikte daha genelleştirilebilir yaklaşımların ve algoritmaların elde edilmesine olan ihtiyacı gün yüzüne çıkarmıştır. Bu çalışmada genelleştirilebilir ve yorumlanabilir denklemlerin elde edilmesi amacıyla pekiştirmeli öğrenme, derin öğrenme ve sembolik regresyon bağlamında hibrit bir yaklaşım ve algoritma önerilmiştir. Algoritma, finansal alanda karar verme kavramı altında yer alan algoritmik ticaret bağlamında ve bitcoin özelinde incelenmiştir. Çalışma, yapay öğrenme ile eğitilen bir modelin genelleştirilebilir ve yorumlanabilir bir formunun elde edilip edilemeyeceği kavramı etrafındaki hipotez ve araştırma sorularını incelemektedir. Çalışma sonunda, derin pekiştirmeli öğrenme ile elde edilen eğitilmiş modelin sembolik regresyon ile yorumlanabilir bir formu elde edilmiş ve elde edilen denklemlerin derin pekiştirmeli öğrenme modeline ilişkin performansı %88 oranında karşılayabildiği belirlenmiştir.The process of transforming data into information, information into knowledge and knowledge into wisdom has evolved to a process that is difficult cope with considering the amount of data produced today. Algorithms and computers with high processing power developed to handle high-dimensional data traffic and to process this data and use it in decision making have difficulty keeping up with the rate of increase in data. As a result, the need to obtain more generalizable approaches and algorithms has come to light. In this study, a hybrid approach and algorithm are proposed in the context of reinforcement learning, deep learning, and symbolic regression to obtain generalisable and interpretable equations. The algorithm is evaluated in the context of algorithmic trading under the concept of decision making in the financial field and its specific case is bitcoin. The study examines hypotheses and research questions around the concept of whether a generalisable and interpretable form of a model trained by machine learning can be obtained. At the end of the study a form interpretable trained model by symbolic regression was obtained by machine learning and it was determined that the resulting equations met the performance of the deep reinforcement learning model at a rate of 88%.