深度學習在金融市場上應用的相關研究綜述

朱文強

摘要：技術創新在金融行業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新，相較于傳統計量經濟模型對于金融市場風險、收益波動的預測效果，憑借互聯網大數據，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。這種具備大數據、互聯網以及量化投資特征的研究將會成為金融行業的一大研究熱點，而本文則依據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. 深度學習的發展前景

隨著科技發展，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勢，其在計算機視覺領域和自然語言處理領域的飛速發展。深度學習是在基于神經網絡基礎上更加強大的一種智能算法，神經網絡是一種非常強大的非參數化工具，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關系。因此，與傳統的諸如ARIMA、GARCH、OLS、VAR模型等參數計量經濟模型相比，其具有（1）對非線性數據的擬合能力強于線性擬合;（2）由于沒有標準的函數方程約束，其更加適應動態變化的金融市場，即對于金融時間序列數據的預測也存在顯著效果;（3）其是一種以數據驅動的而非參數驅動的弱計量模型，從而相對于傳統的計量經濟模型來說，更容易避免模型設定產生的誤差。總的來說，以神經網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據方面更加強大的優勢。而在實際應用方面，Hill et al.（1996）探究了神經網絡與Box-Jenkins ARIMA模型、季節性指數平滑等六種統計模型對時間序列數據的預測效果，實證結果發現神經網絡的預測效果優于傳統的統計模型，且證實神經網絡特別適用于不連續時間序列數據的預測。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絡為基礎的一種更加強大的智能算法，相對于神經網絡這樣淺層的機器學習算法，其具有能夠處理復雜高維數據的能力，從而避免了維度災難和大數據等問題。深度學習實際上是多層神經網絡所構成的高層次神經網絡模型，通過疊加多個神經網絡，將輸入數據通過每一個神經層的抽象表達，產生相應的“學習”機能來學習輸入數據內部隱含的特征，借此提取有效信息來提高數據預測能力。因此深度學習就是通過高特征提取和高表征輸出兩大優勢，提高了樣本內數據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良的表現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，其由數據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據。

2. 深度學習的發展及其應用研究

深度學習主要包含了循環神經網絡（RNN）、長短記憶神經網絡（LSTM）、卷積神經網絡（CNN）等。其中RNN是一種納入了序列相關性的神經網絡從而能夠處理金融時間序列數據。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。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據則相形見絀。而LSTM則在一定程度上緩和了序列數據的長期依賴關系，LSTM最成功的應用領域就是機器翻譯。文本翻譯與金融數據除了結構上的不同，實際上都是時間序列數據，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據特征，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。基于Google 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。考慮到Attention機制能夠更好地捕捉圖像、文本數據中的有效信息，則將其與LSTM相結合構建了A-LSTM來處理金融時序數據將是一個十分明顯的創新。此外，時間序列數據可以通過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結構的優越性激發了許多學者在其鄰域的運用，例如熱電聯產供熱和貸款逾期等。

3.結束語

綜上所述，深度學習在各行業鄰域都有所滲透，尤其對于考慮到序列數據的要求，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異的效果以及如何創新地提出更加優異的深度學習算法來更好地擬合金融數據的需求，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.