深度學習在金融市場上應用的相關研究綜述

朱文強

摘要：技術創(chuàng)新在金融行業(yè)扮演著越來越重要的地位，尤其是機器學習算法與深度學習算法的創(chuàng)新，相較于傳統(tǒng)計量經濟模型對于金融市場風險、收益波動的預測效果，憑借互聯(lián)網(wǎng)大數(shù)據(jù)，更多機構或個人通過機器學習來擬合金融市場，加強投資策略。這種具備大數(shù)據(jù)、互聯(lián)網(wǎng)以及量化投資特征的研究將會成為金融行業(yè)的一大研究熱點，而本文則依據(jù)國內外學者對金融領域與深度學習的交叉研究開展綜述。

關鍵詞：深度學習;量化投資;文獻綜述

1. 深度學習的發(fā)展前景

隨著科技發(fā)展，智能算法逐漸成為各個研究領域較為火熱的研究方法，尤其是針對于深度學習技術的優(yōu)勢，其在計算機視覺領域和自然語言處理領域的飛速發(fā)展。深度學習是在基于神經網(wǎng)絡基礎上更加強大的一種智能算法，神經網(wǎng)絡是一種非常強大的非參數(shù)化工具，被廣泛應用于信號處理、模式識別等諸多領域，可以有效處理模型參數(shù)之間的非線性關系。與其他計量經濟學方法相比，它不需定義模型的方程形式，也無需假設變量之間的函數(shù)關系。因此，與傳統(tǒng)的諸如ARIMA、GARCH、OLS、VAR模型等參數(shù)計量經濟模型相比，其具有（1）對非線性數(shù)據(jù)的擬合能力強于線性擬合;（2）由于沒有標準的函數(shù)方程約束，其更加適應動態(tài)變化的金融市場，即對于金融時間序列數(shù)據(jù)的預測也存在顯著效果;（3）其是一種以數(shù)據(jù)驅動的而非參數(shù)驅動的弱計量模型，從而相對于傳統(tǒng)的計量經濟模型來說，更容易避免模型設定產生的誤差?？偟膩碚f，以神經網(wǎng)絡為基礎的模型在理論上依然產生了處理金融時間序列數(shù)據(jù)方面更加強大的優(yōu)勢。而在實際應用方面，Hill et al.（1996）探究了神經網(wǎng)絡與Box-Jenkins ARIMA模型、季節(jié)性指數(shù)平滑等六種統(tǒng)計模型對時間序列數(shù)據(jù)的預測效果，實證結果發(fā)現(xiàn)神經網(wǎng)絡的預測效果優(yōu)于傳統(tǒng)的統(tǒng)計模型，且證實神經網(wǎng)絡特別適用于不連續(xù)時間序列數(shù)據(jù)的預測。繼而在兩年之后，Zhang和Hu（1998）也獲得了相同的結論。

而深度學習作為以神經網(wǎng)絡為基礎的一種更加強大的智能算法，相對于神經網(wǎng)絡這樣淺層的機器學習算法，其具有能夠處理復雜高維數(shù)據(jù)的能力，從而避免了維度災難和大數(shù)據(jù)等問題。深度學習實際上是多層神經網(wǎng)絡所構成的高層次神經網(wǎng)絡模型，通過疊加多個神經網(wǎng)絡，將輸入數(shù)據(jù)通過每一個神經層的抽象表達，產生相應的“學習”機能來學習輸入數(shù)據(jù)內部隱含的特征，借此提取有效信息來提高數(shù)據(jù)預測能力。因此深度學習就是通過高特征提取和高表征輸出兩大優(yōu)勢，提高了樣本內數(shù)據(jù)預測精度以及緩和過擬合問題，從而相對其他模型擁有更加強大的泛化能力。深度學習因其在金融時間序列過程中具有優(yōu)良的表現(xiàn)而得到越來越多學者的重視。在廣大研究者使用的多種研究方法中，深度學習具有完全圖靈測試機理，縝密的思維推導過程，其由數(shù)據(jù)驅動并且不基于任何假設的特點，因此被認為非常適合于處理這類數(shù)據(jù)。

2. 深度學習的發(fā)展及其應用研究

深度學習主要包含了循環(huán)神經網(wǎng)絡（RNN）、長短記憶神經網(wǎng)絡（LSTM）、卷積神經網(wǎng)絡（CNN）等。其中RNN是一種納入了序列相關性的神經網(wǎng)絡從而能夠處理金融時間序列數(shù)據(jù)。Rather et al.（2015）通過RNN與GARCH、AMRIA模型對比股票收益率的預測效果分析，實證結果表明RNN的預測效果更優(yōu)。然而，RNN結構因為存在梯度消失和梯度爆炸這兩個問題，從而對于處理具有長期關系的序列數(shù)據(jù)則相形見絀。而LSTM則在一定程度上緩和了序列數(shù)據(jù)的長期依賴關系，LSTM最成功的應用領域就是機器翻譯。文本翻譯與金融數(shù)據(jù)除了結構上的不同，實際上都是時間序列數(shù)據(jù)，因此有許多學者將LSTM應用到股票價格波動率預測預測上來，進而相似地得出了LSTM的預測能力和穩(wěn)定性要明顯強于其他模型的結論。盡管LSTM在一定程度上能夠處理時序相關問題，但是其并不能完全消除梯度爆炸和梯度消失問題。而為了更好提取時序數(shù)據(jù)特征，避免長期信息丟失問題，許多學者做了在LSTM上做了一些改進?；贕oogle Deep Mind 團隊在2014年提出將注意力機制用在圖像分類任務中，驗證了注意力機制（Attention）在圖像處理領域的有效性，同時也使結合注意力機制的神經網(wǎng)絡成為研究的熱點。隨后，Bahdanau et al.（2014）將注意力機制和RNN結合解決機器翻譯任務，使注意力機制成功融入自然語言處理領域?？紤]到Attention機制能夠更好地捕捉圖像、文本數(shù)據(jù)中的有效信息，則將其與LSTM相結合構建了A-LSTM來處理金融時序數(shù)據(jù)將是一個十分明顯的創(chuàng)新。此外，時間序列數(shù)據(jù)可以通過RNN、LSTM等方式捕捉有效時序信息，但是其空間局部相關性則被忽視，而CNN則可以通過限制隱藏單元的局部感知來提取局部特征。CNN結構廣泛被用于人臉識別技術，圖像處理領域。而近年來，CNN結構也在金融鄰域大放光彩。例如，趙紅蕊和薛雷（2020）在股票價格預測研究中將Attention機制引入LSTM和CNN模型中，驗證了在LSTM與CNN結合的網(wǎng)絡模型中加入Attention模塊的預測有效性和可行性。明顯可以看出，CNN結構的優(yōu)越性激發(fā)了許多學者在其鄰域的運用，例如熱電聯(lián)產供熱和貸款逾期等。

3.結束語

綜上所述，深度學習在各行業(yè)鄰域都有所滲透，尤其對于考慮到序列數(shù)據(jù)的要求，金融領域也就成了深度學習最理想的應用場所。RNN、LSTM、CNN等深度學習算法在各個方面都有其優(yōu)勢，甚至相互融合能夠產生更加卓越的效果。然而如何將基準算法相互混合能夠在金融市場產生更加優(yōu)異的效果以及如何創(chuàng)新地提出更加優(yōu)異的深度學習算法來更好地擬合金融數(shù)據(jù)的需求，即基于不同深度學習方法對金融市場進行擇時選股分析。

參考文獻：

[1]Hill T.，O'Connor M.，& Remus W. Neural network models for time series forecasts[J]. Management science，1996，42（7）：1082-1092.

[2]Zhang G. & Hu M. Y. Neural network forecasting of the British pound/US dollar exchange rate[J]. Omega，1998，26（4）：495-506.

[3]Rather A. M.，Agarwal A. & Sastry V. N. Recurrent neural network and a hybrid model for prediction of stock returns[J]. Expert Systems with Applications，2015，42（6）：3234-3241.

[4]Bahdanau D，Cho K，Bengio Y. Neural machine translation by jointly learning to align and translate[J]. arXiv preprint arXiv：1409.0473，2014.

[5]趙紅蕊，薛雷.基于LSTM-CNN-CBAM模型的股票預測研究[J].計算機工程與應用，2021，57（03）：203-207.