论文部分内容阅读
近年来,随着互联网、人工智能、机器学习等信息技术的快速发展,金融科技俨然成为了金融行业最为热门的话题。在金融科技时代,越来越多的金融服务将逐步实现数据化、标准化、智能化。当发展到一定阶段时,金融机构现有的技术瓶颈将不复存在,未来金融机构的竞争将很大程度上依赖个性化服务的定制,本课题将未来的这一阶段（不需要很长时间）称之为智能金融,其中与财富增值相关的智能投顾最为人们所关注。智能投顾（Robo-advisor）是指一系列基于客户自身的理财需求、资产状况、风险承受能力、风险偏好等因素,运用现代投资组合理论和人工智能技术,通过构建数据模型、搭建网络平台为投资者提供智能化的理财顾问服务,它在一定程度上可以取代传统的人工投资顾问。简单地说,智能投顾就是通过人工智能技术,使用投资组合理论,为用户制定与之匹配的投资组合。随着人们对于财富增值需求的关注,商业银行、基金公司、资产管理公司等金融机构都陆续推出了智能投顾服务,不久的将来,智能投顾一定会成为居民资产配置的重要工具。近年来,有很多金融机构、研究团队都在深入研究智能金融的发展趋势以及智能投顾技术的发展前景,其目的是希望加快人工智能、机器学习等技术在金融领域的普及。通过解决金融时间序列分析、投资组合、个性化推荐等问题,进而提高智能投顾模型的预期收益率。在这种背景下,本课题首先基于机器学习算法设计了一套智能金融的体系结构,然后分别对智能金融中的金融时间序列分析、个性化推荐、智能投顾等关键技术展开深入研究,最后提出了群体智能投顾、金融社交网络、实时交易反馈等构想。本文工作的主要贡献和创新点总结如下:1.深入研究了信息技术的快速发展对于传统商业银行的影响,从互联网金融市场份额的增速分析了传统商业银行所受的冲击。为了应对挑战与机遇,从机器学习的视角提出了一种全新的智能金融体系结构,并在此基础上提出了金融时间序列分析、个性化推荐、智能投顾的研究内容及实施路径。金融时间序列预测有利于提高智能投顾的精度及泛化性能、客户画像的精准分析以及个性化推荐有利于实现智能投顾的精准推送。本文首先从银行基础客群的变化分析了智能投顾的市场潜力,然后围绕产品、渠道、用户等方面对智能金融体系结构进行了论证,最后从机器学习的视角阐述了要实现智能金融所需的实施路径。基于此部分工作,可以为金融从业工作者及信息技术研究者提供理论基础。2.深入研究了智能金融中时间序列的特性和分析预测方法,提出了一种基于随机傅里叶映射的超限学习机(l2,1RF-ELM)的金融时间序列预测算法。金融时间序列预测是一项复杂的工作,因为投资者的行为会受到许多微小和不可预测因素的影响。在本文中,为了使投资回报最大化并有效管理流动性风险,我们将一种基于l2,1范数和l2,1RF-ELM应用于金融时间序列预测问题。与传统神经网络算法相比,超限学习机在效率和泛化性能等方面的优势已经在众多领域中得到证明,归功于l2,1范数的集成,l2,1RF-ELM是能够自动修剪不相关和多余的隐藏神经元,进而形成更具辨别性和紧凑的隐藏层,一定程度上提升了金融时间序列预测的效率与精度。在给定的数据集当中,将l2,1RF-ELM算法的性能与其他机器学习算法相比,进一步验证了本文算法的有效性。3.深入研究了智能金融中个性化推荐的关键技术和处理方法,提出了一种基于双向进化的金融产品推荐算法。在金融领域的实际应用中,金融产品个性化推荐系统通常要将长期的财富增值作为其效用,同时金融产品的推荐还取决于市场行情、政府监管等外部因素。在本文中,考虑到投资者风险承受能力及投资偏好的动态变化,我们提出了一种基于双向进化的金融产品推荐系统（BDERS）来解决这个问题,该算法试图平衡推荐系统的短期的精度和长期的收益。通过在基准和实际数据集上进行的大量实验表明,本文提出的方法优于其他给定的机器学习算法。4.深入研究了智能金融中资产配置的关键技术和处理方法,提出了一种基于增量超限学习机的金融产品推荐算法。资产配置是从大量财务数据中获取适当投资组合的重要途径。由于经济环境、市场行为、交易数据都在不断地变化,传统推荐系统无法直接应用于资产配置。结合初始数据稀疏性、经济环境动态性、交易行为连续性的特点,基于对增量超限学习机（IELM）进行优化提出了一种新型的金融产品推荐系统。这个算法的主要思想是开始学习很少的神经元,考虑到投资者的行为特点和资产配置的变化,不断地添加新的神经元,直到整个过程稳定。在给定的数据集当中,将IELM算法与其他增量算法进行详细比较,所有的结果都表明,所提出的IELM算法比其他方法具有更好的性能。5.深入研究了智能金融中智能投顾的关键技术和解决方法,提出了一种基于增量多核超限学习机的智能投顾算法。智能投顾是一类基于投资者理财需求的机器人,通过机器学习算法和产品完成以往依赖人为干预的财务顾问服务。然而,许多先前的通用算法不太适用于金融时间序列中异构数据中的信息融合。我们提出了一个增量多核超限学习机（IMK-ELM）模型,它初始化一个通用的训练数据库,然后动态调整到分类任务。本课题所提出的IMK-ELM算法可以同时更新训练数据集并调整多个信息源的权重。在给定的数据集当中,通过模拟实验证明,本课题所提出的算法在投资业绩方面远超过同期上证指数的表现。6.深入研究了智能金融中用户聚类的关键技术和处理方法,提出了一种基于用户投资偏好聚类的智能投顾算法。智能投顾是一种新型的金融顾问的模型,可以在线为投资者提供金融咨询、投资管理,数据聚类和项目推荐在智能投顾模型中非常重要并具有挑战性。这两项任务通常是独立考虑的。然而,项目推荐中的相似性计算与用户聚类具有很强的相关性。例如,大量的金融交易不仅包括用户的资产信息,还包括用户的社会信息。用户之间关系的存在促使我们进行聚类的同时可以优化智能投顾中的项目推荐。在本文,我们提供了一个可以捕捉用户和组之间关系的准则,提出了一种全新的智能投顾框架。在给定的数据集当中,通过模拟实验证明,无论在性能还是投资业绩方面,我们所提出的框架都优于给定的机器学习算法。