深度學習在金融風險管理領域的應用

席悅欣 盧萬青

[提要] 隨著科學技術的發展以及金融市場數據愈加復雜化的特性，深度學習模型更為適合金融市場上數據規模大、高維度以及流數據特性的數據特征，其應用不但在金融風險管理領域中的預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變、從關注參數顯著性向關注模型結構和動態特征轉變，同時能夠更好地捕捉尾部風險，在實證領域的成果在一定程度上助推相關金融風險管理理論的成長與完善。但深度學習的應用也面臨著程序錯誤、主觀判斷誤差、金融監管不足等方面的挑戰。為此，在金融風險管理領域中需要合理運用深度學習模型。

關鍵詞：深度學習；金融風險管理；卷積神經網絡；深度置信網絡；堆棧自編碼網絡

中圖分類號：F83 文獻標識碼：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，金融產品和工具的多樣化趨勢，都體現著風險管理的重要性。全球市場在過去的幾十年間發生了數次規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險。無處不在的風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，計算機技術發展迅速，數據信息的多樣性以及數據分析技術的應用，給具有大數據特征的金融風險管理分析帶來了機遇和挑戰，人工智能開始逐步應用于金融風險管理領域，引導著行業的變革。而在演進的發展過程中，深度學習是解決人工智能應用能夠發展的關鍵。金融市場是一個嘈雜的、具有非參數特點的動態系統，對金融數據進行分析與預測是一項極具挑戰性的工作。但是，傳統的計量方程模型或者是帶有參數的模型已經不具備對復雜、高維度、帶有噪音的金融市場數據序列進行分析建模的能力，而且傳統的人工神經網絡方法也無法準確分析建模如此復雜序列的數據，同時傳統的機器學習的方法又十分依賴建模者的主觀設計，很容易導致模型風險。這些方法在應用過程中存在著過擬合、收斂慢等問題。而深度學習方法為金融數據分析提供了一個新的思路。

近年來，深度學習被廣泛應用到人工智能任務中（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，隨著金融數據復雜程度的提高，帶來了對其分析需求的提升，因而深度學習的應用已經成為了金融風險管理領域的研究前沿，也必將在金融風險管理領域產生顛覆性的變革。

二、深度學習在金融風險管理領域主要應用研究

深度學習是通過人工神經網絡發展而衍生的，包含復雜多層次的學習結構，其建立是基于模仿人類大腦的學習機制。深度學習模型通過對每一數據特征的學習，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習到的數據特征進行特定的特征變換得到的，提升了模型的預測效果。

堆棧自動編碼器和深度置信網絡模型是由自動編碼器和受限玻爾茲曼機串聯而組成的（Najafabadi et al.，2015），在針對大量數據時，這類結構具備對其進行無監督學習（Hinton and Salakhutdinov，2006）；在運用深度置信網絡時，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、重構誤差、退火式重要性抽樣等。卷積神經網絡最早被用于圖像識別領域，使其技術上在特征提取技術方面邁了一大步，應用原理為通過應用卷積核于局部特征提取得到新的模糊圖像。在深度學習模型中，存在傳統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用深度學習模型，解決這些問題，Hinton et al.（2006）提出了貪心逐層算法，大大地減少了訓練學習過程所需的時間。Raiko et al.（2012）發展了一種非線性變換方法，極大地提升了學習算法的速度，從而有利于尋找泛化性更好的分類器。Collobert（2011）發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，并且與現有的性能相差不大，而且大大提高了速度。學習率自適應方法如自適應梯度方法（Duchi et al.，2011），可以提升深度結構中訓練的收斂性并且除去超參數中存在的學習率參數；Le Roux et al.（2008，2011）提出了在學習場景中能提升訓練過程速度的算法。這一系列算法改進，極大地改善了模型的預測效果，為深度學習在金融領域的發展奠定了基礎。

（一）深度卷積神經網絡在金融風險管理中的應用。在金融風險管理領域，深度卷積神經網絡主要應用于預測及評估風險。不同于傳統方法，深度學習模型不需要對收益率的分布進行假設和方差的估算。李卓（2017）提出了深度學習VaR測算方法，基于損失序列本身構建深度學習模型，研究發現此方法相較于ARCH族模型下的VaR計算更為精確。基于此，韓正一（2016）拓寬了銀行風險監測和管理的方法和思路，應用最新的人工智能技術，即深度神經網絡方法，于信貸風險監測領域，優化模型的訓練方法，經過測試發現效果顯著。Sirignano（2016）以深度神經網絡為基本結構，基于真實事件的發生概率建立了深度學習模型，通過模擬價格的深層信息的D維數據空間局部特征生成一個低維的價格空間，從而對價格進行預測。該模型不僅能夠應用與分析樣本外時間的最優賣出價格和最優買入價格的聯合分布，也能夠對限價指令簿的其他行為進行建模分析，適用于對任一D維空間數據進行分析建模。他進一步指出，因為深度神經網絡可以較好地提取限價指令簿的深層信息，故在應用于風險管理中，能較好地處理尾部風險，其研究具有特別的意義。

（二）深度置信網絡在金融風險管理中的應用。深度置信網絡在金融風險管理中的應用主要是對風險進行度量和預警。為了解決有監督學習問題，使受限波爾茲曼機能夠較大程度地提取數據的行為特征，盧慕超（2017）提出了基于分類分區受限波爾茲曼機的深度置信網絡，利用單戶企業財務數據，建立了財務危機預警模型，相較于其他方法預測更為準確。丁衛星（2015）基于深度置信網絡模型，訓練生成了一個五層的深度學習交易欺詐偵測系統，經過對數據的一系列處理，檢驗了模型的交易欺詐識別效果。

（三）堆棧自編碼網絡在金融風險管理中的應用。楊杰群（2015）認為深度學習是處理股指期貨的有效方法，將深度學習網絡用于股指期貨的預測中進行研究，基于自動編碼器等算法建立深度學習網絡模型，并進行對比分析，最終根據交易抉擇設計了用于交易的網絡預測系統。另外，對金融產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性風險。Fehrer and Feuerriegel（2015）基于遞歸自動編碼器預測模型，利用2004年1月至2011年6月期間的股票數據，測試對已披露財務信息的反應。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關系，基于此模型對其進行預測。還有部分文獻中，重點研究分析財務文本與風險信息的相關關系，對其進行風險預測。從銀行、國家、歐洲三個層面，基于銀行破產事件、政府干預行為等來研究分析文本信息中隱藏的銀行危機信息，基于深度神經網絡結構來挖掘其中的關系。

三、深度學習在金融風險管理領域中的應用貢獻及挑戰

（一）深度學習在金融風險管理領域中的應用貢獻。傳統方法在應用于具有復雜數據特征的金融風險管理領域容易出現以下問題：第一，傳統建模方法往往難以挖掘復雜的數據特征，傳統方法無法準確地反映金融市場特征，容易忽略很多外因，如政策變化、經濟發展水平、行為人預期及心理變化等與市場相關的因素，這些因素增加了發現金融風險隱藏的經濟理論邏輯的困難（尚玉皇和鄭挺國，2016）；第二，傳統模型由于過度依靠研究者的主觀設計，包含了主觀因素，導致設計具有不完整性的特征。另外，傳統的線性方法需要強烈的“線性”假設，而傳統的機器學習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據的準確預測與分析。

通過梳理已有相關國內外研究文獻，在金融風險管理領域中，深度學習的貢獻主要分為兩個方面：一是深度學習具備強大的挖掘學習能力，能夠更為準確地挖掘隱藏于數據深層的規律，更適用于具備規模大、維度高以及流數據的數據特征的金融市場，深度學習的應用不但推動了該領域中的預測方法的改進，還優化了適用于深度網絡、解決無效訓練問題的算法，帶來了傳統實證應用研究方法的進步；二是深度學習在金融風險管理領域數據分析方法的成果也推動了相關經濟理論的發展與完善。

（二）深度學習在金融風險管理領域中的應用挑戰。金融科技的不斷發展給金融風險管理領域帶來了機遇，同時深度學習在金融風險管理領域也面臨著諸多挑戰。第一，深度學習的應用面臨著程序出錯的風險，如果發生，那么基于此的數據分析就容易得到有誤的結論。在金融風險管理過程中，基于對大量數據分析的結果，進而對風險進行預測和評估分析。如果程序發生了錯誤，研究者就無法做出正確的風險管理決策，進而遭受損失；第二，深度學習模型的正確運用需要研究者對深度學習模型具備深刻的理解，并且能夠結合在金融風險管理領域的專業理論知識。由于模型的構建與優化較為復雜，研究者對金融市場及風險管理理論的準確認識極為重要，不了解相關理論知識，而單純應用深度學習無法發揮模型的作用；第三，深度學習模型的發展及推廣應用使得許多金融傳統業務的運作模式發生了改變，使金融監管面臨著新的挑戰。現有的金融監管體系下難以界定由于金融科技故障進而導致的風險事件責任。這些都使得深度學習模型的應用存在一些問題。

四、在金融風險管理領域中合理運用深度學習的對策建議

在金融風險管理領域正確地運用深度學習模型有利于提升金融數據的處理速度、極大減少人力成本，進而推動金融風險管理過程的改進。同時，其應用也會存在著挑戰。為此，探討如何合理運用深度學習模型的問題具有深刻的意義。首先，需要正確認識金融系統中的深度學習運用，完善模型程序設計的原則及流程，盡量降低程序出現錯誤的概率；其次，完善深度學習的應用體系，制定相關的維護技術措施、人力措施，引進及培養相應領域的人才，加快轉型；最后，完善深度學習在金融風險管理領域應用的監督措施，確保出現由于人工智能應用導致的重大問題或隱患時，具備相應的準則來界定風險處置責任。深度學習模型的應用在相關領域的完善也必將推動金融風險管理領域的快速發展。

主要參考文獻：

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

[2]蘇治，盧曼，李德軒.深度學習的金融實證應用：動態、貢獻與展望[J].金融研究，2017（5）.

[3]于振，丁冰冰，劉永健.深度學習在農村金融行業風險管理中的應用研究[J].科技資訊，2017.15（15）.

[4]劉建偉，劉媛，羅雄麟.深度學習研究進展[J].計算機應用研究，2014.31（7）.

[5]盧慕超.基于深度置信網絡的商業銀行信用風險預測實證研究[D].太原理工大學，2017.

[6]李卓.基于深度學習的VaR測算研究[D].蘭州財經大學，2017.

[7]韓正一.基于深度神經網絡的銀行信貸風險監測模型研究及實驗[D].鄭州大學，2016.

[8]楊杰群.基于深度學習之股指期貨交易[D].中國科學技術大學，2015.

[9]尚玉皇，鄭挺國.短期利率波動測度與預測：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）.