milan米兰体育app下载 机器学习时代的意义、相关性和可解释性：计量经济学和金融数据科学的视角

引用

Hoepner AGF、McMillan D、Vivian A 和 Wese Simen C (2021) 机器学习时代的意义、相关性和可解释性：计量经济学和金融数据科学的视角。欧洲金融杂志，27 (1-2)，第 1-7 页。 https://doi.org/10.1080/1351847X.2020.1847725

摘要
虽然机器学习经常与神经网络联系在一起，但它还包括计量经济学回归方法和其他统计技术，其准确性随着观察的增加而提高。然而，什么构成了高质量的机器学习尚不清楚。深度学习（即神经网络）的支持者更看重计算效率而不是人类的可解释性，并容忍其算法的“黑盒”吸引力，而可解释人工智能（xai）的支持者则采用可追踪的“白盒”方法（例如回归）来增强对人类决策者的可解释性。我们扩展了 Brooks 等人的[2019]。 “金融数据科学：补充计量经济学的新金融研究范式的诞生？”欧洲金融杂志 25 (17): 1627–36.] 研究计量经济学和金融数据科学中评估标准的重要性和相关性，为这场辩论做出贡献。具体来说，我们将可解释性视为神经网络等经典机器学习方法的致命弱点，这些方法不可完全复制，缺乏透明度和可追溯性，因此不允许任何建立因果推理的尝试。最后，我们提出了未来研究的路线，以推进“白盒”算法的设计和效率。

关键字
可解释性；可解释的人工智能（xai）；神经网络；关联;回归；意义

期刊
欧洲金融杂志：第 27 卷，第 1-2 期

• 已发布版本