深度学习是金融交易的秘密武器吗？

目前以深度学习为代表的人工智能技术受到了各界的热捧，顶尖的科技公司也纷纷布局AI以作为自己在不断创新的标志之一，而几乎所有行业也在讨论自身与深度学习结合的前景，内容从提升产业效率直至颠覆整个行业结构，而一贯走在前沿的金融界也越来越关注深度学习在金融交易中的应用。今天，就让我们一起来走进深度学习，看看它是否是金融交易的秘密武器。

什么是深度学习？

深度神经网络，又称深度学习，是一种机器学习的方法，其灵感来源于人类大脑的工作方式。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

研究发现，当大脑试图解释视觉数据时，第一步要做的是通过大脑中数以十亿计的神经元来辨识图像的一个部分是明还是暗，以此来建立所有的线性边界。一旦标定了边界，大脑就能通过连接这些边界从而形成形状，然后下一层的神经元会检查这些形状是眼睛、鼻子还是脸等等。经过这样的步骤和模式，幼儿就可以慢慢辨识出妈妈的脸。

深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。

同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分。不同的学习框架下建立的学习模型很是不同。例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。

深度学习与金融交易的结合

很长一段时间，机构投资者更倾向于使用金融计量模型来分析金融数据和研究市场特性，计量模型分析的结果也往往更具有解释性。但随着金融交易数据量的急剧增大，数据的形式越来越多样化（既包括了交易行情的结构化数据，同时也包括了财经新闻等非结构化数据），对于交易中的很多复杂情况，使得完全采用数学方程进行建模变得越来越难。而深度学习的方法提供了一个全新的研究思路，即从大数据中寻找规律，让深度学习模型自主的挖掘隐藏在数据背后的统计性规律，从而指导金融交易的过程。

深度学习可以在多种频率的交易下使用，从低频的选股模型一直到高频的算法交易模型。无论在投资决策层面还是交易执行层面，深度学习都已经有成功的业界案例。例如，09年成立的对冲基金Cerebellum旗下管理着资产为900亿美元，一直使用AI进行辅助交易预测，并且自2009年以来每年均是盈利。全球最大对冲基金之一的英仕曼投资（Man Group）早在5年前就尝试应用人工智能(AI)，初时只能用于执行被动投资，发展至今，由AI管理的资产已能稳定地获利。高盛和摩根大通等华尔街投行也都相继投入相关的人工智能（AI）选股模型，他们认为机器透过“深度学习”后可望能更准确地预测结果，进而减少一些不必要的交易风险。深度学习在金融交易中的应用我们总结为以下三个方面：

预测金融市场的运行

金融资产波动性、价格的预测一直是金融投资者非常热衷的方向，事实上传统的机器学习方法也早已应用到这一领域之中，而如今很多学者已经开始使用深度学习模型来提高传统金融模型对未来预测的准确性，并且在一些研究中呈现出很好的效果，尤其是在对价格未来变动方向和变动趋势的预测上。比如利用深度神经网络分析日间交易数据的选股策略。另一方面，通过分析日内短期交易数据来估测市场，可以估测金融资产未来的最优的买入或者卖出区间，在日内择时以及算法交易中发挥重要作用。

基于自然语言处理的辅助投资决策

传统的投资尽调工作全部由人工来完成，每个尽调人员通过阅读大量的资料信息，沉淀并过滤出相应的关键信息形成投资调研报告。而应用人工智能的技术可以利用网络爬虫抓取信息、利用自然语言分析引擎进行分词、数据降维(合并同类项)&提取词之间的相关性、构建知识图谱、提取出有价值的信息、分析判断文章正向/负向、进行趋势分析、提供分析报告，提高尽调工作的效率与准确性。

第二个则是针对文本信息的处理，并利用文本信息考察事件对市场运行可能产生的影响，从大量碎片化的文本消息中提取出抽象的信息，来对股票市场的未来走向做出预测和判断。一个典型的应用就是事件套利策略，即通过挖掘热点事件发生后的因果关系，进而提取事件信号来分析事件对股票价格的短期影响和长期影响，第一时间做出相应的投资决策。文本挖掘其实是金融信息分析中非常重要的环节，当下随着互联网技术的普及，信息的传输和共享速度已经达到了一个非常高的水平。并且大多数市场信息是以网页新闻和公告的文本形式展现，海量的数据给深度学习的应用提供了土壤。

帮助投资者改进交易策略

投资模型的同质化实际上是现代投资风险管理所面临的一个重要问题，这对主动投资的收益率会有本质的影响。而对宏观市场而言则会在危机时刻加剧市场流动性的缺失，因此各方面其实都对差异化的交易策略有着巨大需求，而深度学习方法则提供了一个差异化的途径。基于深度学习的识别和预测方法，为交易策略的改进奠定了基础，因为信号提取的差异性自然会引发不同的资产组合方法和交易时机选择。除了市场的预测以外，基于深度学习的资产组合优化也是一个热点研究方向，利用大量的历史交易数据实时产生预期最优的股票组合配置。

深度学习是金融交易的秘密武器吗？

深度学习对于金融交易的创新，主要体现在深度学习方法可以通过多层级网络的构建来更好地处理复杂的金融大数据，通过数据训练来构建更加复杂和接近实际的模型，优化我们在预测和分析市场时的精确性。当然，深度学习方法的有效性并不代表使用深度学习方法一定会带来积极的结果，深度学习与金融的结合仅仅是优化金融交易的一条值得探索的路径。

与此同时，我们也看到应用深度学习从事金融交易的风险与不足。一个是现有模型的稳健型差异很大，往往由于模型、训练数据、训练方法的差异性，导致着模型的输出有着非常大的区别。第二个是深度学习模型可解释性较弱，同时也难以用合适的经济学理论进行解释，这对方法的可复制性与可信性都会产生影响。尽管如此，深度学习应用于金融交易依然是一个充满光明前景的方向。

恒生在金融交易上的深度学习探索

目前将深度学习应用于金融交易的探索方面，恒生主要做的其中一个是算法交易。一般而言我们希望交易过程不要对市场产生太大的冲击，同时也不希望交易拖太久导致市场价格向不利于我们的方向变动。但是这是一个两难：市场冲击是交易速度的增函数、等待风险则是交易速度的减函数。当交易执行速度较快时，等待风险很小，冲击成本很大；交易执行慢时，冲击成本很小，等待风险很大。算法交易的核心问题是在冲击成本与等待风险之间进行平衡。我们研究的智能算法交易，设计的目标就是要在减少冲击成本的基础上，尽量降低市场的不确定性风险。从而既能完成当日既定的目标交易量，又能获得超越基准的平均成交价。

第二个是智能投资策略的研究。基于深度学习的预测模型，在分析海量交易行情数据的基础上，给出未来证券价格走势的判断，在满足一定的置信度的情况下形成具体的交易信号。在进一步优化证券组合后，基于深度学习预测的策略模型有望获得超越基准的收益率回报。

未来，我们还会进行进一步的探索。相信深度学习，将会为金融行业带来新的生命力。