Tecniche Jedi di Wall Street per data scientist

Il machine learning sta rapidamente diventando un campo mercificato. Con la ricca quantità di dati con pipeline, modelli open source e piattaforme aziendali, il lavoro di un data scientist si sta spostando maggiormente verso la comprensione e la pulizia dei dati insieme alla generazione di features. Sembra che la modellazione sofisticata sia lasciata solo alla ricerca accademica. Uno dei motivi è il valore relativamente basso di un errore: alcune raccomandazioni così sbagliate o previsioni di errore dannono tanto il business. Tuttavia, nel settore della finanza quantitativa, un singolo imprevisto può portare a perdite superiori, la chiusura del fondo, e anche azioni legali. In questo discorso, esamineremo le migliori pratiche dell'arsenale dei quanti che possono (e dovrebbero) essere riapplicati nelle pipeline ML standard per garantire robustezza e gestire i rischi.