Was für eine großartige erste Präsentation beim Forschungstreffen von einem der Teilnehmer über Regelungstheorie. Er leitete eine quantitativen Firma voller Mathematiker, daher musste er die Bonusstruktur genau bestimmen, basierend auf dem Gewinn, den die Händler erzielt haben. Es war sehr technisch, sodass vieles davon über meinen Kopf hinwegging, aber einige wichtige Punkte habe ich verstanden: 1. Wir sollten globale Probleme (wie viel hat diese Person zum Unternehmen beigetragen) in lokale Probleme umwandeln (wer war für diesen $100-Handel verantwortlich und wie viel). 2. Wir trennen die Schätzung oder das Herausfinden von Gewichten von der Kontrolle oder der Bestimmung von Auszahlungen basierend auf den erhaltenen Parametern. 3. Für Kontrollfragen wechseln wir von einer Graphstruktur zu einer Matrix, wodurch das gesamte Verteilungsproblem handhabbarer wird. Vieles von dem, was wir besprochen haben, war sehr relevant für Deep Funding. Meine 2 wichtigsten Erkenntnisse waren: - Wenn Teile der Matrix nicht ausgefüllt sind, können wir dann destilliertes menschliches Urteilsvermögen nutzen, um ihre Antworten dennoch zu schätzen? - Wenn Deep Funding weniger eine Baumstruktur und mehr ein gerichteter azyklischer Graph ist, können dann Empfehlungsalgorithmen angewendet werden, um Gewichte zwischen Repos zu erhalten?