Соавтор, доктор Тристан Флетчер, академик в UCL и основатель количественной винной фирмы по управлению активами Invinio, сказал: «Люди вкладывали капитал в вино в течение сотен лет, и это только совсем недавно, который изменил способ, которым они делают его. Винные инвестиции становятся более доступными и являются все время растущим рынком, прежде всего поддержанным в Лондоне: мировой центр торговли вином.
Мы показали, что ценовые алгоритмы предсказания, сродни обычно используемым другими рынками, могут быть применены к винам».Исследование, опубликованное в Журнале Винной Экономики с руководством от Invinio, нашло, что более сложные методы машинного обучения выиграли у других более простых процессов, обычно используемых для финансовых предсказаний.
Когда относится 100 из большинства популярных марочных вин от Liv-исключая 100 винных индексов, новый подход предсказал цены с большей точностью, чем другие более традиционные методы, учась, какая информация была важна среди данных.Соавтор, профессор Джон Шейв-Тейлор, соруководитель Центра UCL Вычислительной Статистики & Машинного обучения и Главы Информатики UCL, сказал: «Машинное обучение включает развивающиеся алгоритмы, которые автоматически извлекают уроки из новых данных без человеческого вмешательства.
Мы создали интеллектуальное программное обеспечение, которое ищет данные полезную информацию, которая тогда извлекается и используется, в этом случае предсказание ценностей вин. Так как мы сначала начали работать над машинным обучением в UCL, наши методы использовались в большом разнообразии отраслей промышленности, особенно медицинских и финансовых, но это – первый раз, когда мы вошли в мир марочного вина».Для этого исследования команда проверила две формы машинного обучения включая ‘Гауссовский регресс процесса’, и более сложные ‘работают в многозадачном режиме изучение особенности’, которое было сначала изобретено учеными UCL в 2006, но недавно имело значительные улучшения. Эти методы в состоянии извлечь наиболее релевантную информацию из множества источников, в противоположность их более типичным коллегам, которые, как правило, предполагают, что каждая точка данных представляет интерес, поддельный или иначе.
Анализ показывает, что методы машинного обучения на основе Гауссовского регресса процесса могут быть применены ко всем винам в Liv-исключая 100 с улучшением средней прогнозирующей точности 15% относительно самого эффективного из традиционных методов. Методы машинного обучения на основе работают в многозадачном режиме, особенность, учась только работала на половину вин, проанализированных, поскольку она потребовала более сильных отношений между ценами с одного дня к следующему. Однако, где работают в многозадачном режиме, особенность, учащаяся, была применена, точность предсказаний увеличилась на 98% относительно более стандартных оценок.Основной автор и выпускник магистра наук UCL, Мишель Йео, сказали: «Другие области финансов уже используют автоматизированные процессы для идентификации значащих тенденций, но они не были проверены на рынке марочного вина до сих пор.
Мы рады, мы смогли разработать модели, применимые к марочным винам, и мы надеемся, что наши результаты вселяют промышленную веру, чтобы начать принимать методы машинного обучения как инструмент для инвестиционных решений».Инвинио планирует продолжить его сотрудничество с UCL, чтобы усовершенствовать алгоритмы и улучшить инструменты, он предусматривает существующих и потенциальных винных инвесторов через свое место. При этом команды заявляют, что они должны установить равновесие между сложностью разрабатываемых алгоритмов и фактическими улучшениями, которые они предлагают с точки зрения работы.
Они рассматривают применение этих методов к миру классических автомобилей затем.