深度學(xué)習(xí)在金融風(fēng)險管理領(lǐng)域的應(yīng)用

席悅欣 盧萬青

[提要] 隨著科學(xué)技術(shù)的發(fā)展以及金融市場數(shù)據(jù)愈加復(fù)雜化的特性，深度學(xué)習(xí)模型更為適合金融市場上數(shù)據(jù)規(guī)模大、高維度以及流數(shù)據(jù)特性的數(shù)據(jù)特征，其應(yīng)用不但在金融風(fēng)險管理領(lǐng)域中的預(yù)測分析方法進行了提升，而且促使實證研究范式從線性向非線性轉(zhuǎn)變、從關(guān)注參數(shù)顯著性向關(guān)注模型結(jié)構(gòu)和動態(tài)特征轉(zhuǎn)變，同時能夠更好地捕捉尾部風(fēng)險，在實證領(lǐng)域的成果在一定程度上助推相關(guān)金融風(fēng)險管理理論的成長與完善。但深度學(xué)習(xí)的應(yīng)用也面臨著程序錯誤、主觀判斷誤差、金融監(jiān)管不足等方面的挑戰(zhàn)。為此，在金融風(fēng)險管理領(lǐng)域中需要合理運用深度學(xué)習(xí)模型。

關(guān)鍵詞：深度學(xué)習(xí)；金融風(fēng)險管理；卷積神經(jīng)網(wǎng)絡(luò)；深度置信網(wǎng)絡(luò)；堆棧自編碼網(wǎng)絡(luò)

中圖分類號：F83 文獻標(biāo)識碼：A

一、引言

金融市場上的主體都面臨著收益和損失的不確定性，金融產(chǎn)品和工具的多樣化趨勢，都體現(xiàn)著風(fēng)險管理的重要性。全球市場在過去的幾十年間發(fā)生了數(shù)次規(guī)模巨大的金融危機事件，例如影響全球股市的1987年的黑色星期一事件、1997年的亞洲金融危機、2008年的美國次貸危機以及全球金融危機。各家公司也都面臨著各種風(fēng)險。無處不在的風(fēng)險日益成為懸在金融市場主體上的一把“達摩克利斯之劍”。與此同時，計算機技術(shù)發(fā)展迅速，數(shù)據(jù)信息的多樣性以及數(shù)據(jù)分析技術(shù)的應(yīng)用，給具有大數(shù)據(jù)特征的金融風(fēng)險管理分析帶來了機遇和挑戰(zhàn)，人工智能開始逐步應(yīng)用于金融風(fēng)險管理領(lǐng)域，引導(dǎo)著行業(yè)的變革。而在演進的發(fā)展過程中，深度學(xué)習(xí)是解決人工智能應(yīng)用能夠發(fā)展的關(guān)鍵。金融市場是一個嘈雜的、具有非參數(shù)特點的動態(tài)系統(tǒng)，對金融數(shù)據(jù)進行分析與預(yù)測是一項極具挑戰(zhàn)性的工作。但是，傳統(tǒng)的計量方程模型或者是帶有參數(shù)的模型已經(jīng)不具備對復(fù)雜、高維度、帶有噪音的金融市場數(shù)據(jù)序列進行分析建模的能力，而且傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)方法也無法準(zhǔn)確分析建模如此復(fù)雜序列的數(shù)據(jù)，同時傳統(tǒng)的機器學(xué)習(xí)的方法又十分依賴建模者的主觀設(shè)計，很容易導(dǎo)致模型風(fēng)險。這些方法在應(yīng)用過程中存在著過擬合、收斂慢等問題。而深度學(xué)習(xí)方法為金融數(shù)據(jù)分析提供了一個新的思路。

近年來，深度學(xué)習(xí)被廣泛應(yīng)用到人工智能任務(wù)中（如AlphaGo），并在圖像處理、人臉識別、語音識別、文本處理等方面取得一系列成果。因此，隨著金融數(shù)據(jù)復(fù)雜程度的提高，帶來了對其分析需求的提升，因而深度學(xué)習(xí)的應(yīng)用已經(jīng)成為了金融風(fēng)險管理領(lǐng)域的研究前沿，也必將在金融風(fēng)險管理領(lǐng)域產(chǎn)生顛覆性的變革。

二、深度學(xué)習(xí)在金融風(fēng)險管理領(lǐng)域主要應(yīng)用研究

深度學(xué)習(xí)是通過人工神經(jīng)網(wǎng)絡(luò)發(fā)展而衍生的，包含復(fù)雜多層次的學(xué)習(xí)結(jié)構(gòu)，其建立是基于模仿人類大腦的學(xué)習(xí)機制。深度學(xué)習(xí)模型通過對每一數(shù)據(jù)特征的學(xué)習(xí)，繼而將新的特征輸入到下一層中，在這個過程中新的特征是通過對學(xué)習(xí)到的數(shù)據(jù)特征進行特定的特征變換得到的，提升了模型的預(yù)測效果。

堆棧自動編碼器和深度置信網(wǎng)絡(luò)模型是由自動編碼器和受限玻爾茲曼機串聯(lián)而組成的（Najafabadi et al.，2015），在針對大量數(shù)據(jù)時，這類結(jié)構(gòu)具備對其進行無監(jiān)督學(xué)習(xí)（Hinton and Salakhutdinov，2006）；在運用深度置信網(wǎng)絡(luò)時，其算法主要包括馬爾科夫鏈蒙特卡羅算法、Gibbs采樣算法、受限玻爾茲曼機評估算法、重構(gòu)誤差、退火式重要性抽樣等。卷積神經(jīng)網(wǎng)絡(luò)最早被用于圖像識別領(lǐng)域，使其技術(shù)上在特征提取技術(shù)方面邁了一大步，應(yīng)用原理為通過應(yīng)用卷積核于局部特征提取得到新的模糊圖像。在深度學(xué)習(xí)模型中，存在傳統(tǒng)反向傳播算法和梯度下降法計算成本較高的問題，為了進一步更好地應(yīng)用深度學(xué)習(xí)模型，解決這些問題，Hinton et al.（2006）提出了貪心逐層算法，大大地減少了訓(xùn)練學(xué)習(xí)過程所需的時間。Raiko et al.（2012）發(fā)展了一種非線性變換方法，極大地提升了學(xué)習(xí)算法的速度，從而有利于尋找泛化性更好的分類器。Collobert（2011）發(fā)展了一種快速并且可以擴展的判別算法，使其用于自然語言解析，僅僅使用很少的基本文本特征便能得到性能，并且與現(xiàn)有的性能相差不大，而且大大提高了速度。學(xué)習(xí)率自適應(yīng)方法如自適應(yīng)梯度方法（Duchi et al.，2011），可以提升深度結(jié)構(gòu)中訓(xùn)練的收斂性并且除去超參數(shù)中存在的學(xué)習(xí)率參數(shù)；Le Roux et al.（2008，2011）提出了在學(xué)習(xí)場景中能提升訓(xùn)練過程速度的算法。這一系列算法改進，極大地改善了模型的預(yù)測效果，為深度學(xué)習(xí)在金融領(lǐng)域的發(fā)展奠定了基礎(chǔ)。

（一）深度卷積神經(jīng)網(wǎng)絡(luò)在金融風(fēng)險管理中的應(yīng)用。在金融風(fēng)險管理領(lǐng)域，深度卷積神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于預(yù)測及評估風(fēng)險。不同于傳統(tǒng)方法，深度學(xué)習(xí)模型不需要對收益率的分布進行假設(shè)和方差的估算。李卓（2017）提出了深度學(xué)習(xí)VaR測算方法，基于損失序列本身構(gòu)建深度學(xué)習(xí)模型，研究發(fā)現(xiàn)此方法相較于ARCH族模型下的VaR計算更為精確?；诖?，韓正一（2016）拓寬了銀行風(fēng)險監(jiān)測和管理的方法和思路，應(yīng)用最新的人工智能技術(shù)，即深度神經(jīng)網(wǎng)絡(luò)方法，于信貸風(fēng)險監(jiān)測領(lǐng)域，優(yōu)化模型的訓(xùn)練方法，經(jīng)過測試發(fā)現(xiàn)效果顯著。Sirignano（2016）以深度神經(jīng)網(wǎng)絡(luò)為基本結(jié)構(gòu)，基于真實事件的發(fā)生概率建立了深度學(xué)習(xí)模型，通過模擬價格的深層信息的D維數(shù)據(jù)空間局部特征生成一個低維的價格空間，從而對價格進行預(yù)測。該模型不僅能夠應(yīng)用與分析樣本外時間的最優(yōu)賣出價格和最優(yōu)買入價格的聯(lián)合分布，也能夠?qū)ο迌r指令簿的其他行為進行建模分析，適用于對任一D維空間數(shù)據(jù)進行分析建模。他進一步指出，因為深度神經(jīng)網(wǎng)絡(luò)可以較好地提取限價指令簿的深層信息，故在應(yīng)用于風(fēng)險管理中，能較好地處理尾部風(fēng)險，其研究具有特別的意義。

（二）深度置信網(wǎng)絡(luò)在金融風(fēng)險管理中的應(yīng)用。深度置信網(wǎng)絡(luò)在金融風(fēng)險管理中的應(yīng)用主要是對風(fēng)險進行度量和預(yù)警。為了解決有監(jiān)督學(xué)習(xí)問題，使受限波爾茲曼機能夠較大程度地提取數(shù)據(jù)的行為特征，盧慕超（2017）提出了基于分類分區(qū)受限波爾茲曼機的深度置信網(wǎng)絡(luò)，利用單戶企業(yè)財務(wù)數(shù)據(jù)，建立了財務(wù)危機預(yù)警模型，相較于其他方法預(yù)測更為準(zhǔn)確。丁衛(wèi)星（2015）基于深度置信網(wǎng)絡(luò)模型，訓(xùn)練生成了一個五層的深度學(xué)習(xí)交易欺詐偵測系統(tǒng)，經(jīng)過對數(shù)據(jù)的一系列處理，檢驗了模型的交易欺詐識別效果。

（三）堆棧自編碼網(wǎng)絡(luò)在金融風(fēng)險管理中的應(yīng)用。楊杰群（2015）認為深度學(xué)習(xí)是處理股指期貨的有效方法，將深度學(xué)習(xí)網(wǎng)絡(luò)用于股指期貨的預(yù)測中進行研究，基于自動編碼器等算法建立深度學(xué)習(xí)網(wǎng)絡(luò)模型，并進行對比分析，最終根據(jù)交易抉擇設(shè)計了用于交易的網(wǎng)絡(luò)預(yù)測系統(tǒng)。另外，對金融產(chǎn)品與工具的有效管理，能夠有效地避免一些金融市場上的非系統(tǒng)性風(fēng)險。Fehrer and Feuerriegel（2015）基于遞歸自動編碼器預(yù)測模型，利用2004年1月至2011年6月期間的股票數(shù)據(jù)，測試對已披露財務(wù)信息的反應(yīng)。他們重點研究了特殊的新聞文本信息和異常收益率之間的相關(guān)關(guān)系，基于此模型對其進行預(yù)測。還有部分文獻中，重點研究分析財務(wù)文本與風(fēng)險信息的相關(guān)關(guān)系，對其進行風(fēng)險預(yù)測。從銀行、國家、歐洲三個層面，基于銀行破產(chǎn)事件、政府干預(yù)行為等來研究分析文本信息中隱藏的銀行危機信息，基于深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來挖掘其中的關(guān)系。

三、深度學(xué)習(xí)在金融風(fēng)險管理領(lǐng)域中的應(yīng)用貢獻及挑戰(zhàn)

（一）深度學(xué)習(xí)在金融風(fēng)險管理領(lǐng)域中的應(yīng)用貢獻。傳統(tǒng)方法在應(yīng)用于具有復(fù)雜數(shù)據(jù)特征的金融風(fēng)險管理領(lǐng)域容易出現(xiàn)以下問題：第一，傳統(tǒng)建模方法往往難以挖掘復(fù)雜的數(shù)據(jù)特征，傳統(tǒng)方法無法準(zhǔn)確地反映金融市場特征，容易忽略很多外因，如政策變化、經(jīng)濟發(fā)展水平、行為人預(yù)期及心理變化等與市場相關(guān)的因素，這些因素增加了發(fā)現(xiàn)金融風(fēng)險隱藏的經(jīng)濟理論邏輯的困難（尚玉皇和鄭挺國，2016）；第二，傳統(tǒng)模型由于過度依靠研究者的主觀設(shè)計，包含了主觀因素，導(dǎo)致設(shè)計具有不完整性的特征。另外，傳統(tǒng)的線性方法需要強烈的“線性”假設(shè)，而傳統(tǒng)的機器學(xué)習(xí)方法無法較好地處理噪音信號。這些問題制約了對金融市場中數(shù)據(jù)的準(zhǔn)確預(yù)測與分析。

通過梳理已有相關(guān)國內(nèi)外研究文獻，在金融風(fēng)險管理領(lǐng)域中，深度學(xué)習(xí)的貢獻主要分為兩個方面：一是深度學(xué)習(xí)具備強大的挖掘?qū)W習(xí)能力，能夠更為準(zhǔn)確地挖掘隱藏于數(shù)據(jù)深層的規(guī)律，更適用于具備規(guī)模大、維度高以及流數(shù)據(jù)的數(shù)據(jù)特征的金融市場，深度學(xué)習(xí)的應(yīng)用不但推動了該領(lǐng)域中的預(yù)測方法的改進，還優(yōu)化了適用于深度網(wǎng)絡(luò)、解決無效訓(xùn)練問題的算法，帶來了傳統(tǒng)實證應(yīng)用研究方法的進步；二是深度學(xué)習(xí)在金融風(fēng)險管理領(lǐng)域數(shù)據(jù)分析方法的成果也推動了相關(guān)經(jīng)濟理論的發(fā)展與完善。

（二）深度學(xué)習(xí)在金融風(fēng)險管理領(lǐng)域中的應(yīng)用挑戰(zhàn)。金融科技的不斷發(fā)展給金融風(fēng)險管理領(lǐng)域帶來了機遇，同時深度學(xué)習(xí)在金融風(fēng)險管理領(lǐng)域也面臨著諸多挑戰(zhàn)。第一，深度學(xué)習(xí)的應(yīng)用面臨著程序出錯的風(fēng)險，如果發(fā)生，那么基于此的數(shù)據(jù)分析就容易得到有誤的結(jié)論。在金融風(fēng)險管理過程中，基于對大量數(shù)據(jù)分析的結(jié)果，進而對風(fēng)險進行預(yù)測和評估分析。如果程序發(fā)生了錯誤，研究者就無法做出正確的風(fēng)險管理決策，進而遭受損失；第二，深度學(xué)習(xí)模型的正確運用需要研究者對深度學(xué)習(xí)模型具備深刻的理解，并且能夠結(jié)合在金融風(fēng)險管理領(lǐng)域的專業(yè)理論知識。由于模型的構(gòu)建與優(yōu)化較為復(fù)雜，研究者對金融市場及風(fēng)險管理理論的準(zhǔn)確認識極為重要，不了解相關(guān)理論知識，而單純應(yīng)用深度學(xué)習(xí)無法發(fā)揮模型的作用；第三，深度學(xué)習(xí)模型的發(fā)展及推廣應(yīng)用使得許多金融傳統(tǒng)業(yè)務(wù)的運作模式發(fā)生了改變，使金融監(jiān)管面臨著新的挑戰(zhàn)?，F(xiàn)有的金融監(jiān)管體系下難以界定由于金融科技故障進而導(dǎo)致的風(fēng)險事件責(zé)任。這些都使得深度學(xué)習(xí)模型的應(yīng)用存在一些問題。

四、在金融風(fēng)險管理領(lǐng)域中合理運用深度學(xué)習(xí)的對策建議

在金融風(fēng)險管理領(lǐng)域正確地運用深度學(xué)習(xí)模型有利于提升金融數(shù)據(jù)的處理速度、極大減少人力成本，進而推動金融風(fēng)險管理過程的改進。同時，其應(yīng)用也會存在著挑戰(zhàn)。為此，探討如何合理運用深度學(xué)習(xí)模型的問題具有深刻的意義。首先，需要正確認識金融系統(tǒng)中的深度學(xué)習(xí)運用，完善模型程序設(shè)計的原則及流程，盡量降低程序出現(xiàn)錯誤的概率；其次，完善深度學(xué)習(xí)的應(yīng)用體系，制定相關(guān)的維護技術(shù)措施、人力措施，引進及培養(yǎng)相應(yīng)領(lǐng)域的人才，加快轉(zhuǎn)型；最后，完善深度學(xué)習(xí)在金融風(fēng)險管理領(lǐng)域應(yīng)用的監(jiān)督措施，確保出現(xiàn)由于人工智能應(yīng)用導(dǎo)致的重大問題或隱患時，具備相應(yīng)的準(zhǔn)則來界定風(fēng)險處置責(zé)任。深度學(xué)習(xí)模型的應(yīng)用在相關(guān)領(lǐng)域的完善也必將推動金融風(fēng)險管理領(lǐng)域的快速發(fā)展。

主要參考文獻：

[1]于孝建，彭永喻.人工智能在金融風(fēng)險管理領(lǐng)域的應(yīng)用及挑戰(zhàn)[J].南方金融，2017（9）.

[2]蘇治，盧曼，李德軒.深度學(xué)習(xí)的金融實證應(yīng)用：動態(tài)、貢獻與展望[J].金融研究，2017（5）.

[3]于振，丁冰冰，劉永健.深度學(xué)習(xí)在農(nóng)村金融行業(yè)風(fēng)險管理中的應(yīng)用研究[J].科技資訊，2017.15（15）.

[4]劉建偉，劉媛，羅雄麟.深度學(xué)習(xí)研究進展[J].計算機應(yīng)用研究，2014.31（7）.

[5]盧慕超.基于深度置信網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險預(yù)測實證研究[D].太原理工大學(xué)，2017.

[6]李卓.基于深度學(xué)習(xí)的VaR測算研究[D].蘭州財經(jīng)大學(xué)，2017.

[7]韓正一.基于深度神經(jīng)網(wǎng)絡(luò)的銀行信貸風(fēng)險監(jiān)測模型研究及實驗[D].鄭州大學(xué)，2016.

[8]楊杰群.基于深度學(xué)習(xí)之股指期貨交易[D].中國科學(xué)技術(shù)大學(xué)，2015.

[9]尚玉皇，鄭挺國.短期利率波動測度與預(yù)測：基于混頻宏觀-短期利率模型[J].金融研究，2016（11）.

[10]Najafabadi M.M.，Villanustre F.，Khoshgoftaar T.M.，et al.Deep Learning Applications and Challenges in Big Data Analytics[J].Journal of Big Data，2015.2（1）.

[11]Hinton G.E.，Salakhutdinov R..Reducing the Dimensionality of Data with Neural Networks[J].Science，2006.313（5786）.