posted by wap, platform: Chrome
我是学精算和统计的，但手艺其实是传统概率，纸笔打天下，所以本地模型还蛮适合我做的事情；
我主要用来跑我自己的小模型，一般用R来做前期的事情，包括最初的模拟和公式验证之类的。
然后敲代码，小范围跑一下，甚至也会有训练。
最后考虑上服务器或者云，一些算法其实我也不是那么熟，这个时候让算法工程师来接剩下的会顺利一些。

posted by wap, platform: iPhone

引用:

原帖由 @爱猫咪的薛定谔  于 9-1-2025 09:17 发表
请问传统概率为啥用到ai？

用处很多，比如我做一个概率式，然后要做simulation，那么无论机器学习还是ai，都对我有用。
还有比如我最近有一个涉及到用martingale做一个投资策略最优化的事情，里面有一块需要用到递归证明，因为整个的展开式非常恐怖，用ai可以辅助我做一些证明工作。
真的还蛮好的

posted by wap, platform: Chrome

引用:

原帖由 @yfl2  于 14-1-2025 18:48 发表
我是问，做这些建模应该用传统软件比如matlab之类，会用到深度学习？

深度学习是一个很大的概念，你不能说一个数据量小的项目就不用深度学习了。
我们不纠结AI、机器学习和深度学习之间的包含被包含关系了，很多人其实都在R和matlab跑一些深度学习的东西，比如我这类不懂代码的人。
再比如MCMC是我这类干金融的基本生存算法，这里面R和matlab都可以进行深度学习啊。

posted by wap, platform: Chrome

引用:

原帖由 @yfl2  于 15-1-2025 10:59 发表
不懂，你跑模型是传统的计算，为什么算深度学习

这是一个非常好的问题，可能我没有说的那么细，那么我们探讨深度学习本身算不算一种概率模型呢？并且Bayesian deep learning在今天也是一个很普遍的概念。
对我来讲，随便举几个例子会用到机器学习和深度学习
1、因为在商用领域，其实无论是内部还是外部，给不了特别长的时间，所以虽然我更擅长是用传统计算解决问题，比如在特定ruin probability下做最优投资策略算法。
但即使我在这事上是世界上干的最好的几个人之一，但由于内部和项目上他们的各种假设条件，或一些特定因素是无法直接套用我的模型的，那么就要改，比如考虑到一些long claim或long tail的情况，还有比如无法短时间得出风险释放分布函数的时候，这个时候，直接的办法就是numerical method，无论是为了simulation或approximation，那么机器学习综合来讲是很好的办法。
2、同样的，在做很多riks models无论是概率模型或相关算法时，在有数据的情况下可以用深度学习先挖一下风险因子，这对我来讲很重要，一些假设和建模就会方便很多，当然我的天赋有限，很多时候也是通过这种办法节省时间，知道哪些路是走不通的。
3、然后我把机器学习和深度学习会用在我的一些证明上，避免我的自嗨，这个就有点复杂了。