為什么說(shuō)深度學(xué)習(xí)是金融創(chuàng)新的新引擎？

jasonyejun 2016-07-27

展開(kāi)全文

前言

人工智能有望成為IT領(lǐng)域最重要的技術(shù)革命，而深度學(xué)習(xí)更被譽(yù)為“人工智能皇冠上的明珠”。近年來(lái)，深度學(xué)習(xí)在金融領(lǐng)域已經(jīng)被廣泛應(yīng)用，如圖像識(shí)別、智能客服、智能投顧等。本文試圖略窺深度學(xué)習(xí)之真貌，并展望其在金融領(lǐng)域的應(yīng)用前景。

深度學(xué)習(xí)

＜走紅之路＞

人工智能學(xué)科旨在通過(guò)機(jī)器來(lái)模擬人類(lèi)的智能。機(jī)器學(xué)習(xí)是人工智能的一個(gè)重要分支，在互聯(lián)網(wǎng)時(shí)代甚至可以說(shuō)是人工智能的代名詞。人工神經(jīng)網(wǎng)絡(luò)是最重要的機(jī)器學(xué)習(xí)方法之一，深度學(xué)習(xí)則是在近年出現(xiàn)重大突破的一種人工神經(jīng)網(wǎng)絡(luò)方法。簡(jiǎn)單地說(shuō)，深度學(xué)習(xí)就是一種通過(guò)深度神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)海量數(shù)據(jù)中規(guī)律的方法。

2006年

Hinton提出深度學(xué)習(xí)的新方法，復(fù)興了神經(jīng)網(wǎng)絡(luò)的研究。之后深度學(xué)習(xí)在學(xué)術(shù)界持續(xù)升溫。

2010年

美國(guó)國(guó)防部DARPA計(jì)劃首次資助深度學(xué)習(xí)項(xiàng)目。

2011年

深度學(xué)習(xí)在語(yǔ)音識(shí)別上取得突破性進(jìn)展。

2012年

深度學(xué)習(xí)在圖像識(shí)別領(lǐng)域的ImageNet競(jìng)賽上遙遙領(lǐng)先其它技術(shù)而奪冠。同年，Google Brain項(xiàng)目從海量圖片中自己“領(lǐng)悟”識(shí)別出貓臉。同時(shí)深度學(xué)習(xí)應(yīng)用于藥物活性預(yù)測(cè)問(wèn)題，獲得世界最好成績(jī)。

2014年

DeepFace、DeepID模型把人臉識(shí)別的正確率提高到99.75%，超越人類(lèi)。

2015年

NVIDIA和Google先后開(kāi)發(fā)了深度學(xué)習(xí)專(zhuān)用處理器。

2016年

應(yīng)用多項(xiàng)深度學(xué)習(xí)技術(shù)的AlphaGo戰(zhàn)勝了最好的人類(lèi)圍棋選手李世石，把人工智能所取得的成就展現(xiàn)在世人面前。

近年來(lái)，全世界掀起了一股深度學(xué)習(xí)研究的浪潮。Google、微軟、百度等知名公司爭(zhēng)相投入，占領(lǐng)深度學(xué)習(xí)的技術(shù)制高點(diǎn)。而在金融領(lǐng)域，深度學(xué)習(xí)也越來(lái)越成為投資和研究的熱點(diǎn)。

深度學(xué)習(xí)

＜背后揭秘＞

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, ANN），也稱(chēng)為神經(jīng)網(wǎng)絡(luò)，是由大量神經(jīng)元廣泛互聯(lián)而成的網(wǎng)絡(luò)，是對(duì)生物神經(jīng)網(wǎng)絡(luò)（大腦）的模擬。它是一種非線性、分布式并行處理、具備自適應(yīng)能力的算法模型。神經(jīng)元是構(gòu)成神經(jīng)網(wǎng)絡(luò)的基本單元。一個(gè)神經(jīng)元接收從其它神經(jīng)元傳來(lái)的輸入信號(hào)，并產(chǎn)生輸出。在數(shù)學(xué)上神經(jīng)元相當(dāng)于一個(gè)非線性變換（激勵(lì)函數(shù)）。當(dāng)一組神經(jīng)元組合起來(lái)并具有分層結(jié)構(gòu)時(shí)，就形成了神經(jīng)網(wǎng)絡(luò)模型。下圖是一個(gè)典型的前饋神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)一般使用反向傳播算法（Backpropagation，BP）進(jìn)行訓(xùn)練。訓(xùn)練過(guò)程首先將輸入數(shù)據(jù)逐層計(jì)算得到一個(gè)輸出結(jié)果，然后將輸出與結(jié)果值的誤差逐層反向傳播，根據(jù)誤差調(diào)節(jié)網(wǎng)絡(luò)權(quán)重。訓(xùn)練過(guò)程反復(fù)進(jìn)行以使網(wǎng)絡(luò)的最終輸出逼近期望值。

深度學(xué)習(xí)（Deep Learning）之前的機(jī)器學(xué)習(xí)方法被統(tǒng)稱(chēng)為淺層學(xué)習(xí)（Shallow Learning）。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)屬于淺層學(xué)習(xí)模型，它只包含少許隱層。其它如SVM、Boosting可以看成帶有一層隱層的節(jié)點(diǎn)，邏輯回歸LR沒(méi)有隱層節(jié)點(diǎn)。淺層學(xué)習(xí)模型的局限性在于：

1）對(duì)復(fù)雜函數(shù)的表達(dá)能力有限。

2）它依賴(lài)人工設(shè)計(jì)特征，因此性能受限于人的領(lǐng)域知識(shí)和經(jīng)驗(yàn)。而深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network，DNN)，通過(guò)增加隱層的層數(shù)，可以學(xué)習(xí)到更復(fù)雜的函數(shù)表示，同時(shí)具有優(yōu)異的特征學(xué)習(xí)能力。DNN的每層都對(duì)應(yīng)一次特征變換，把數(shù)據(jù)逐步變換到更高層抽象的表示?？梢哉f(shuō)，深度學(xué)習(xí)的本質(zhì)是一種特征學(xué)習(xí)方法。而且最關(guān)鍵的一點(diǎn)是，它無(wú)需人工干預(yù)就能自主地從數(shù)據(jù)中學(xué)習(xí)特征。

傳統(tǒng)BP算法在隱層數(shù)增多時(shí)，存在局部最小值和梯度衰減以及計(jì)算量大的問(wèn)題。為了解決這些難題，深度學(xué)習(xí)提出新的訓(xùn)練算法。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對(duì)于網(wǎng)絡(luò)參數(shù)是隨機(jī)設(shè)定初始值，而DNN加入了“逐層初始化”的過(guò)程。具體說(shuō)，就是先用無(wú)監(jiān)督學(xué)習(xí)方法分層訓(xùn)練，得到各層的初始值。這使得網(wǎng)絡(luò)的初始狀態(tài)更接近最優(yōu)值，提高了后續(xù)學(xué)習(xí)的性能。

除了算法層面的突破，深度學(xué)習(xí)的發(fā)展還歸因于兩點(diǎn)：一是大數(shù)據(jù)。深度學(xué)習(xí)模型在海量數(shù)據(jù)輸入下能達(dá)到最好的性能，同時(shí)，深度學(xué)習(xí)也是最適合大數(shù)據(jù)的機(jī)器學(xué)習(xí)方法。二是高性能計(jì)算。由于大規(guī)模分布式計(jì)算技術(shù)如計(jì)算集群、GPU的應(yīng)用，使計(jì)算能力大大提升，才使深度學(xué)習(xí)在實(shí)踐中有了用武之地。

深度學(xué)習(xí)

＜探索金融＞

深度學(xué)習(xí)的發(fā)展使人工智能在圖像、語(yǔ)音、自然語(yǔ)言處理等多方面有了技術(shù)性突破，達(dá)到實(shí)際應(yīng)用水平，也開(kāi)始應(yīng)用到金融領(lǐng)域。同時(shí)，深度學(xué)習(xí)非常適用于大數(shù)據(jù)背景下的金融預(yù)測(cè)分析。接下來(lái)將以幾個(gè)主要的應(yīng)用方向?yàn)槔f(shuō)明。

＜圖像識(shí)別技術(shù)＞

早在1998年，LeCun提出的LeNet模型用以識(shí)別支票上的手寫(xiě)字跡，被世界各地銀行廣泛應(yīng)用。此后，這項(xiàng)技術(shù)也被用于對(duì)銀行各類(lèi)票據(jù)、合同等文字檔案進(jìn)行識(shí)別管理。今天，甚至可用于識(shí)別金融圖表。如日本公司Alpaca推出的智能交易平臺(tái)，能快速搜索和識(shí)別外匯交易圖表，輔助交易管理。此外，近年人臉識(shí)別技術(shù)漸趨成熟，識(shí)別正確率已可與人眼媲美。人臉識(shí)別有望應(yīng)用于金融支付認(rèn)證，實(shí)現(xiàn)“刷臉支付”。如2015年3月，螞蟻金服曾展示Smile to Pay掃臉技術(shù)。

＜智能客服＞

智能客服在金融領(lǐng)域的應(yīng)用將推動(dòng)金融服務(wù)體驗(yàn)，提高管理運(yùn)營(yíng)水平。它一方面應(yīng)用語(yǔ)音識(shí)別、自然語(yǔ)言理解、問(wèn)答系統(tǒng)方面的成果，用人機(jī)交流代替人工客服。另一方面結(jié)合用戶(hù)行為分析技術(shù)，對(duì)用戶(hù)交易行為進(jìn)行分析，可以?xún)?yōu)化操作流程。如2015年的雙11，螞蟻金服95%的遠(yuǎn)程客戶(hù)服務(wù)由智能機(jī)器人完成，并實(shí)現(xiàn)了100%的自動(dòng)語(yǔ)音識(shí)別。京東通過(guò)應(yīng)用深度學(xué)習(xí)技術(shù)，推出了JIMI智能機(jī)器人，成功應(yīng)用于售前咨詢(xún)、售后服務(wù)和生活伴侶三個(gè)場(chǎng)景，有望承擔(dān)超過(guò)80%的京東客服工作。

＜金融時(shí)序分析＞

傳統(tǒng)的時(shí)間序列分析是金融量化分析的主流方法。有一些研究者嘗試將深度學(xué)習(xí)技術(shù)應(yīng)用到該領(lǐng)域中。美國(guó)伊利諾伊斯理工大學(xué)的Dixon利用深度神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)43種大宗商品和外匯期貨在未來(lái)5分鐘的價(jià)格變動(dòng)。斯坦福大學(xué)的Ruoxuan Xiong等人通過(guò)集成谷歌趨勢(shì)和市場(chǎng)數(shù)據(jù)的LSTM模型來(lái)預(yù)測(cè)標(biāo)普500指數(shù)的波動(dòng)性。倫敦帝國(guó)學(xué)院的Sirignano利用2014-2015年納斯達(dá)克股票的交易數(shù)據(jù)，建立“空間神經(jīng)網(wǎng)絡(luò)”模型，預(yù)測(cè)買(mǎi)賣(mài)雙方的報(bào)價(jià)情況。

＜金融輿情分析＞

指結(jié)合自然語(yǔ)言處理和深度學(xué)習(xí)技術(shù)，監(jiān)測(cè)新聞、社交媒體中的金融事件，通過(guò)文本情感傾向分析來(lái)預(yù)測(cè)金融行情走向。美國(guó)康奈爾大學(xué)的Sarlin等人利用新聞數(shù)據(jù)來(lái)進(jìn)行銀行危機(jī)預(yù)告。他們使用兩個(gè)神經(jīng)網(wǎng)絡(luò)分別進(jìn)行語(yǔ)義分析和正負(fù)面判別。Fehrer等人則利用新聞?lì)^條預(yù)測(cè)德國(guó)股市走向，使用的是一個(gè)遞歸自動(dòng)編碼器，達(dá)到56%的準(zhǔn)確率。中國(guó)哈工大劉挺等人利用新聞?wù)A(yù)測(cè)標(biāo)普500指數(shù)的波動(dòng)。他們使用一個(gè)卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)新聞事件的長(zhǎng)短期影響，預(yù)測(cè)準(zhǔn)確率達(dá)到了65%。歐洲央行曾發(fā)布一個(gè)研究報(bào)告，指出Twitter上的情緒狀況對(duì)預(yù)測(cè)美國(guó)、英國(guó)、加拿大的股價(jià)有重大價(jià)值。

＜智能投顧＞

智能投顧也被稱(chēng)為智能理財(cái)，它為用戶(hù)提供自動(dòng)化的證券投資組合管理服務(wù)。美國(guó)Wealthfront, Betterment和Personal Capital公司是智能投顧領(lǐng)域的先驅(qū)。國(guó)內(nèi)也出現(xiàn)了許多智能投顧的初創(chuàng)公司。深度學(xué)習(xí)在智能投顧的應(yīng)用，是把在量化分析、資產(chǎn)配置優(yōu)化、價(jià)格波動(dòng)預(yù)測(cè)、輿情分析等多方面的應(yīng)用綜合起來(lái)，以給用戶(hù)提供智能化的投資服務(wù)。

此外，深度學(xué)習(xí)還可應(yīng)用于金融風(fēng)險(xiǎn)控制、大數(shù)據(jù)征信等領(lǐng)域?？深A(yù)期將來(lái)還會(huì)出現(xiàn)更多新的應(yīng)用場(chǎng)景。深度學(xué)習(xí)在金融領(lǐng)域的應(yīng)用，將帶來(lái)更智能化的管理和生產(chǎn)方式。我們有理由相信深度學(xué)習(xí)將成為金融領(lǐng)域創(chuàng)新和變革的一個(gè)新引擎。

本站是提供個(gè)人知識(shí)管理的網(wǎng)絡(luò)存儲(chǔ)空間，所有內(nèi)容均由用戶(hù)發(fā)布，不代表本站觀點(diǎn)。請(qǐng)注意甄別內(nèi)容中的聯(lián)系方式、誘導(dǎo)購(gòu)買(mǎi)等信息，謹(jǐn)防詐騙。如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請(qǐng)點(diǎn)擊一鍵舉報(bào)。

轉(zhuǎn)藏 分享

QQ空間 QQ好友新浪微博微信

獻(xiàn)花（0） +1

來(lái)自： jasonyejun > 《待分類(lèi)》

舉報(bào)/認(rèn)領(lǐng)