金融领域的深度学习

源 | medium     译 | 朱敏

在新加坡的修订深度学习峰会上，我做了同名演讲（链接可点击阅读原文找到，需翻墙）。在这个演讲中，我详细描述了为什么金融模型会失败以及深度学习如何弥合差别的原因。更进一步的，我在这里展示了深度学习在金融的3个使用案例以及这些模型优于其它的证据。

尽管金融是密集型计算相当高的领域，然而金融领域中被广泛使用的模型——监督和非监督模型，基于状态的模型，计量经济学模型，甚至随机模型，由于金融领域过于复杂以及相当多的因素互相影响导致的非线性的原因，都存在过拟合、样本结果的探索性以及井喷的问题。

为了解决这些，我们可以来看看深度学习在诸如图像识别，语音识别以及情感分析等已被证实的领域中的研究发现，这些模型都能从大规模、未标签的数据中学习到非线性的关系，并构建递归，同时通过简单的调整就能避免过拟合。

如果这些模型能够应用到金融领域中，应用的范围是很广泛的，例如定价、资产组合构架、风险管理、高频率交易。接下来我们就讨论如何解决这些问题。

返回预测结果

以预测每日金价为例，我们先来看看传统的方法。

ARIMA

使用自回归积分滑动平均模型，按照保留了季节性分量的平稳时间序列来预测，我们将得到以下结果：

VAR

在自回归模型中加上相关的预测变量，转换成向量自回归模型，就会得到如下的结果：

深度回归

如果用数据拟合一个简单的深度回归模型，同样的输入将得到更好的结果：

卷积神经网络

使用卷积神经网络的结果是：

这个结果已经有大幅度的提升了，但是最好的结果来自下面这个模型。

长短期记忆（LSTM）

LSTM是递归神经网络的一个变体，用该模型所得的结果如下：

综上可知，均方误差是衡量模型好坏的一个标准。

资产组合构架

我们要使用深度学习解决的第二个金融问题是资产组合构架。深度学习在这个问题上的应用非常优雅。深度投资组合这篇论文对我的学习很有启发。

该论文的作者尝试构建一些把时间序列映射到它自己身上的自编码器。使用这些自编码器产生的预测误差变成与市场相关联的代理证券β，而自编码器就是市场的模型。

基于以上提到的自编码器误差，选择一组多样化的股票，我们可以使用另一个深度神经网络来构建一个深度索引，而结果表现很好。

此处的深度神经网络俨然是一种索引的架构方式，它可以使用股票复制索引。

然而，这仅仅是一个开始！如果我们采用智能索引，即将索引中急速下降的区间移除掉后，在智能索引上训练索引映射的深度神经网络，最后的结果将会有显著的提升。

这项技术在资产组合构架领域会有很大的潜能。

结论

金融工业界如今的流行趋势是引入更复杂、更合理的模型。随着大量的数据科学家进入这个领域，所有的银行都承受着来自科技的巨大压力。 诸如RelTec、Worldquant等对冲基金已经在交易中使用这项科技了。考虑到这些复杂模型在其它领域的优越表现，以及金融模型领域的庞大，这将是一次激动人心的变革。

金融领域和交易中关键问题的更好解决方案将提高效率，带来更多的透明度，更严格的风险管理以及新的变革。

PS： 以上分析所使用的代码都放在我的github上。（链接可点击阅读原文找到，需翻墙）

-END-

译者 | 朱敏

纽约大学计算机专业硕士，iOS程序员一枚。业余爱好机器学习和数据挖掘。

后台回复 “志愿者”

了解如何加入我们