深度學習技術在金融時序分析中的應用探析

黃子意 朱寧

摘要：本文總結了傳統金融時序分析中存在的問題，并結合基于多層神經網絡的深度學習技術的特點，提出深度學習技術在金融時序分析中的可行性以及實施路徑。

關鍵詞：金融時序分析;深度學習

1 引言

隨著深度學習技術在各行各業中的應用變得越來越普遍，深度學習技術在金融時序分析中的應用也得到了越來越多的關注。

2 傳統的金融時序分析理論

金融時序分析是利用統計學的方法對某個時間序列的變量（如股票收盤價格、投資品收益率等）的過去數據進行分析，并在此基礎上對該變量在未來的某個時間段的變化進行判斷和預測。

傳統的金融時序分析是基于時間序列特征分析的基礎上進行的。通常一個金融時間序列可能包含四個特征：趨勢、季節性、序列相關性（也稱自相關性）和隨機噪聲。其中，由于時間序列的不確定性，隨機噪聲是總是存在的，因此金融時序分析就是要找到序列中排除隨機噪聲干擾后的潛在的趨勢、季節性和序列相關性，并以此為序列建模，對未來的發展進行預測。

金融時序分析假設序列弱平穩，對過去的數據特征進行挖掘，從而建立線性預測模型（如AR，MA，ARMA等），或者建立更復雜的非線性預測模型（如ARCH或者GARCH等）。

3 傳統金融時序分析存在的問題

傳統的金融時序分析存在以下的問題：

1）提供分析支撐的數據來源單一

傳統的計容時序分析一個基本特征就是基于對序列過去的數據特征分析來預測序列的發展趨勢。傳統的算法，不管是AR，MA，ARMA還是ARCH或者GARCH皆如此。在分析過程中，僅考慮序列本身的數據特征，例如股票分析中收盤價、開盤價、收益率等序列本身的數據，因為算法的原因，它沒有也不可能考慮到序列數據外的其它因素。

實際上影響到金融序時間序列發展走勢的，有很多來自外部的因素，例如投資者信心、國際國內的金融咨詢，國家政策、社會輿論等等，如果不考慮這些外部因素，預測的準確性難以保證。

2）特征工程耗時費力且效率低

傳統的金融時序分析算法對特征結構要求高，因此特征工程是必須步驟，但是特征工程耗時耗力，而且僅僅考慮序列本身的數據，難以保證特征結構的完備性。

3）預測結果適應性不強

傳統的金融時序分析結果只能針對某個特定的序列某個時段的趨勢進行預測，外部條件的微小變化就需要重新建模，不能適應瞬息萬變的金融市場。

4 基于深度學習的金融時序分析的特點

近年來，隨著計算機算力的發展，深度學習技術越來越引起人們的廣泛關注。在谷歌開發的AlphaGo圍棋進行了多次人機大戰取得大勝之后，深度學習技術開始在各行各業中得到了應用，取得了巨大的成就。

深度學習是機器學習的一種，它的概念源于人工神經網絡的研究，含多個隱藏層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。

深度學習的以下特點可以彌補傳統金融時序分析中的問題：

1）深度學習技術能力強大

傳統的基于機器學習的金融時序分析算法在建模時需要判斷是該采用線性模型還是非線性模型，而基于多層的神經網絡的深度學習技術具有優秀的特征學習能力，能夠學習到數據更本質的特征，因為從理論上來講，神經網絡通過調整各層的參數，可以擬合任意復雜度的函數。

2）深度學習技術可以提高特征工程的效率

傳統的金融時序分析大多都是有監督的學習，還要經過特征工程對特征結構進行篩選，費時費力。而基于多層神經網絡的深度學習技術學習過程可以是有監督的、半監督的或無監督的，該過程可以自動地學習相關的特征，從而提高了數據分析的效率。

3）深度學習技術數據來源及表征形式多樣化

傳統的金融時序分析因為算法的原因，不便于補充時間序列以外的數據，不能表征更豐富的影響因素。例如不能加入政府政策、輿論導向、投資者的信心等。但是基于多層神經網絡的深度學習技術在表征輸入時，可以加入相關的因素指標，從而更加準確地建模時間序列的走勢。例如，在進行股票走勢分析的時候，可以對社交媒體關于該股票的相關討論來分析投資者的信心，并把這個投資者信心表征為輸入層多種數據中的的一個內容，交給多層神經網絡去學習。類似地可以把諸多其它因素都表征到多層神經網絡的輸入層。

4）深度學習技術進行金融時序分析靈活，適應性強。

經過深度學習技術建模的金融時間序列分析適應性強，不需要因為時間或者條件的變化而重新建模，因此更具有實用性。

5 結論：

傳統金融時序分析算法對特征結構要求高，數據來源單一和僵化，靈活性、應用型和變通性差，不能較好滿足分析的需求。而深度學習技術應用在金融時序分析中，特征提取能力強大、效率高、特征表征形式多樣、特征來源豐富、靈活性和實用性好，能夠較好低滿足市場和研究的需求，是未來金融時序分析的重要發展方向。

參考文獻：

[1]曾志平、蕭海東和張新鵬，《基于 DBN 的金融時序數據建模與決策》，《計算機技術與發展》，2017第 4 期

[2]Agrawal J. G. ，Chourasia V.S.，and Mittra A.K.. 2013. “State-of-the-art in Stock Prediction Techniques”. International Journal of Advanced Research in Electrical，Electronics and Instrumentation Engineering，2（4） ：1360～1366.

[3]Arel I.，Rose D.C.，and Karnowski T.P.. 2010. “Deep Machine Learning —— A New Frontier in Artificial Intelligence Research[research frontier]”. IEEE Computational Intelligence Magazine，5（4） ： 13～18

作者簡介：

黃子意，中南大學商學院2018級金融2班學生

朱寧，副教授，中南大學商學院