论文部分内容阅读
【摘要】随着智能时代的来临，金融数据分析需求不断提高，各商业银行在人工智能领域内的积极探索，加快了深度学习等新型智能方法在金融领域内应用的步伐。本文从深度学习在金融领域内应用的独特优势以及所面临的机遇和挑战，阐述未来利用深度学习研究金融分析的重点方向。
【关键词】人工智能 深度学习 金融数据分析
一、引言
人工智能一词最早出现于1956年的达特茅斯会议中，与会学者通过讨论“模拟神经系统”与“模拟心智”研究人工智能在“结构”与“功能”两种路线的发展方向，这标志着人工智能的开端。此后，随着计算机技术的不断发展，人工智能技术广泛应用于不同领域当中，例如图语音处理、智能计算、医疗诊断等。人工智能的挑战在于解决对人类来说很容易执行、但很难形式化描述的任务，例如文本处理，语音识别等。
随着人工智能技术的蓬勃发展，各商业银行积极运用各种先进技术以提高自身风险管控能力并为客户提供更为个性多样的服务选择：如兰州银行依托数据挖掘技术从互联网中获取企业突发事件实现对企业风险自动评级，提高其风险管控能力；华夏银行结合人工智能技术将信息资产价值、事件等微观风险因素进行量化，实现了从宏观到微观的全面风险态势展示；北京银行引入银联等外部数据并与行内数据进行有效整合，运用机器学习手段对原有信用评价体系进行有效补充和完善，丰富了身份欺诈和信用风险防控手段。由此可见人工智能等新兴技术将会对金融业产生深刻影响，而作为人工智能领域研究核心的深度学习技术，更应该得到重视。
二、深度学习技术在金融领域内的优势
（一）智能金融是未来金融业发展的必然趋势
随着金融交易方式的智能化和便捷化以及金融业数据的爆炸式增长，现有的金融分析预测方法已不具备对如此庞大的数据量进行建模分析的能力，因此需要探索能够适用于大数据背景下金融数据的分析方法。以深度学习为代表的人工智能技术，在结合大数据、云计算等新型技术作用下，能够解决高维复杂的数据分析难的问题，在智能金融、大数据风控和大数据保险等领域拥有广阔的应用前景。利用深度学习进行金融监管、金融标准化等方向进行分析和预测，能够从金融数据的深层特征提炼出金融大数据背后的经济学逻辑，从而提升金融服务效率，实现金融业的智能化、个性化和定制化。
（二）深度学习更适用于金融数据分析
金融数据是以连续性为特点的时间序列数据，其具有噪音大、高纬度、时变性等特性。传统分析方法忽略了由政治事件、经济发展状况以及其他相关领域变动引起的因素，不利于揭示金融问题背后的经济逻辑。传统数据分析模型会导致预测信息不足，影响预测结果，且传统方法主要依赖人工设计的特征进行预测分析，增加了干扰因素，而且人为设计的特征具有目的性和不完整性，不但影响最终数据分析结果的准确性，而且对模型的改进或发展具有阻碍作用。深度学习方法通过分层结构之间传递数据而学习特征，将低维简单特征转换为高维抽象特征，而金融数据的高维特征能够扩大原始数据对分类或预测中重要因素的影响，同时能够弱化无关因素造成的误差，且深度学习对各种信息形式的金融数据都有良好的适用性，从而使预测或分类工作更加有效。
（三）深度学习对金融领域实证研究方法带来变革
传统计量方法多采用线性模型，利用线性模型的最优推断金融市场实际数据的最优具有很大局限性。深度学习方法由于自身具有多层级连接的特点，能根据数据产生复杂的非线性结构，从而更适合非线性特征数据模型地构建，这给金融实证方法研究提供了新的研究思路，促使研究模型从性模型到非线性模型的转变。传统金融模型通过对模型参数的显著性分析来判断相关因素在模型中是否产生影响，从而简化模型结构，但简化后的模型会造成信息丢失，无法完整描述实际数据的整体意义。深度学习模型推动研究人员从关注模型参数显著性转变为关注模型结构以及模型的动态演变过程，不仅解决了特定的预测分析问题，同时对金融实证分析领域内的理论研究开辟了新方向、新空间，推动着金融实证分析相关理论的完善和发展。
三、深度学习技术在金融领域面临的挑战
深度学习虽在金融领域应用具有良好的前景，但目前相关应用研究尚处于探索阶段，在实际的应用过程中面临诸多障碍，具体而言，深度学习面临的挑战主要集中为以下几点：
（一）深度学习模型的构建比较困难
深度学习模型是以人工神经网络为主的计算模型，其包含大量的神经元（或节点）、突触和层。而如何确定隐藏节点数量、隐藏层数量和突触权值大小是深度学习各种模型结构能够正确提取分析数据非线性特征的关键。目前对深度学习模型的构造并没有成熟的理论来提供指导，主要还是依靠研究学者不断实验、不断探索。
（二）深度学习模型的稳健性和适用性有待商榷
深度学习模型的特点在于可以根据输入数据的不同对自身结构进行重构，所以对于训练后的模型是否能适用于特定领域的分析和预测需要大量实验进行验证。模型的训练需要复杂、重复且动态的多次实验，目前相关理论研究还处于对单一模型的优化处理，并没有提炼出通用的规律性方法和框架，从而限制了最终模型的稳健性和广泛适用性。
（三）深度学习模型对金融数据分析的结果较难正确地阐述数据背后的经济学原理
深度学习模型在分析金融数据时，虽保留了非显著性参数带来的影响，保证了数据的完整性，但同时也削弱了利用经济学解释最终结果的因果关系以及隐藏于数据背后的经济学原理。这也是深度学习技术成功应用于金融领域亟待解决的重要问题，即使用深度学习模型结构与特征选择来分析金融数据背后的经济含义。
四、未来金融领域应用深度学习的重点方向
金融領域应用新型人工智能技术的前景光明，结合深度学习与金融领域数据的特点，未来金融领域内深度学习重点研究的方向应该注重以下几点：一是注重金融经济理论与深度学习理论内涵的研究，寻求二者高度的契合点以探寻金融数据背后隐藏的经济学逻辑，丰富相关的经济金融理论；二是应用多种深度学习模型和算法对金融数据进行预测与分析，提炼能够适用于多领域的模型框架和方法，提高深度学习方法在金融领域内的普遍适用性，从而推动智能投资、智能投研等智能金融地不断发展；三是突破传统单一使用金融时序数据的限制，积极探索深度学习在金融领域内的新型应用，如利用文本处理等技术优化对金融市场各类数据进行分析和预测的过程，提高金融研报自动生成、风险管理信息捕捉的能力。
参考文献
[1]Lecun Y，Bengio Y，Hinton G.Deep learning[J].Nature，2015，521（7553）：436-444.
[2]马超，徐瑾辉，侯天诚，等.新型深度学习算法研究概述[J].赤峰学院学报（自然版），2015（2）：37-39.
[3]苏治，卢曼，李德轩.深度学习的金融实证应用：动态、贡献与展望[J].金融研究，2017（5）：111-126.
【关键词】人工智能 深度学习 金融数据分析
一、引言
人工智能一词最早出现于1956年的达特茅斯会议中，与会学者通过讨论“模拟神经系统”与“模拟心智”研究人工智能在“结构”与“功能”两种路线的发展方向，这标志着人工智能的开端。此后，随着计算机技术的不断发展，人工智能技术广泛应用于不同领域当中，例如图语音处理、智能计算、医疗诊断等。人工智能的挑战在于解决对人类来说很容易执行、但很难形式化描述的任务，例如文本处理，语音识别等。
随着人工智能技术的蓬勃发展，各商业银行积极运用各种先进技术以提高自身风险管控能力并为客户提供更为个性多样的服务选择：如兰州银行依托数据挖掘技术从互联网中获取企业突发事件实现对企业风险自动评级，提高其风险管控能力；华夏银行结合人工智能技术将信息资产价值、事件等微观风险因素进行量化，实现了从宏观到微观的全面风险态势展示；北京银行引入银联等外部数据并与行内数据进行有效整合，运用机器学习手段对原有信用评价体系进行有效补充和完善，丰富了身份欺诈和信用风险防控手段。由此可见人工智能等新兴技术将会对金融业产生深刻影响，而作为人工智能领域研究核心的深度学习技术，更应该得到重视。
二、深度学习技术在金融领域内的优势
（一）智能金融是未来金融业发展的必然趋势
随着金融交易方式的智能化和便捷化以及金融业数据的爆炸式增长，现有的金融分析预测方法已不具备对如此庞大的数据量进行建模分析的能力，因此需要探索能够适用于大数据背景下金融数据的分析方法。以深度学习为代表的人工智能技术，在结合大数据、云计算等新型技术作用下，能够解决高维复杂的数据分析难的问题，在智能金融、大数据风控和大数据保险等领域拥有广阔的应用前景。利用深度学习进行金融监管、金融标准化等方向进行分析和预测，能够从金融数据的深层特征提炼出金融大数据背后的经济学逻辑，从而提升金融服务效率，实现金融业的智能化、个性化和定制化。
（二）深度学习更适用于金融数据分析
金融数据是以连续性为特点的时间序列数据，其具有噪音大、高纬度、时变性等特性。传统分析方法忽略了由政治事件、经济发展状况以及其他相关领域变动引起的因素，不利于揭示金融问题背后的经济逻辑。传统数据分析模型会导致预测信息不足，影响预测结果，且传统方法主要依赖人工设计的特征进行预测分析，增加了干扰因素，而且人为设计的特征具有目的性和不完整性，不但影响最终数据分析结果的准确性，而且对模型的改进或发展具有阻碍作用。深度学习方法通过分层结构之间传递数据而学习特征，将低维简单特征转换为高维抽象特征，而金融数据的高维特征能够扩大原始数据对分类或预测中重要因素的影响，同时能够弱化无关因素造成的误差，且深度学习对各种信息形式的金融数据都有良好的适用性，从而使预测或分类工作更加有效。
（三）深度学习对金融领域实证研究方法带来变革
传统计量方法多采用线性模型，利用线性模型的最优推断金融市场实际数据的最优具有很大局限性。深度学习方法由于自身具有多层级连接的特点，能根据数据产生复杂的非线性结构，从而更适合非线性特征数据模型地构建，这给金融实证方法研究提供了新的研究思路，促使研究模型从性模型到非线性模型的转变。传统金融模型通过对模型参数的显著性分析来判断相关因素在模型中是否产生影响，从而简化模型结构，但简化后的模型会造成信息丢失，无法完整描述实际数据的整体意义。深度学习模型推动研究人员从关注模型参数显著性转变为关注模型结构以及模型的动态演变过程，不仅解决了特定的预测分析问题，同时对金融实证分析领域内的理论研究开辟了新方向、新空间，推动着金融实证分析相关理论的完善和发展。
三、深度学习技术在金融领域面临的挑战
深度学习虽在金融领域应用具有良好的前景，但目前相关应用研究尚处于探索阶段，在实际的应用过程中面临诸多障碍，具体而言，深度学习面临的挑战主要集中为以下几点：
（一）深度学习模型的构建比较困难
深度学习模型是以人工神经网络为主的计算模型，其包含大量的神经元（或节点）、突触和层。而如何确定隐藏节点数量、隐藏层数量和突触权值大小是深度学习各种模型结构能够正确提取分析数据非线性特征的关键。目前对深度学习模型的构造并没有成熟的理论来提供指导，主要还是依靠研究学者不断实验、不断探索。
（二）深度学习模型的稳健性和适用性有待商榷
深度学习模型的特点在于可以根据输入数据的不同对自身结构进行重构，所以对于训练后的模型是否能适用于特定领域的分析和预测需要大量实验进行验证。模型的训练需要复杂、重复且动态的多次实验，目前相关理论研究还处于对单一模型的优化处理，并没有提炼出通用的规律性方法和框架，从而限制了最终模型的稳健性和广泛适用性。
（三）深度学习模型对金融数据分析的结果较难正确地阐述数据背后的经济学原理
深度学习模型在分析金融数据时，虽保留了非显著性参数带来的影响，保证了数据的完整性，但同时也削弱了利用经济学解释最终结果的因果关系以及隐藏于数据背后的经济学原理。这也是深度学习技术成功应用于金融领域亟待解决的重要问题，即使用深度学习模型结构与特征选择来分析金融数据背后的经济含义。
四、未来金融领域应用深度学习的重点方向
金融領域应用新型人工智能技术的前景光明，结合深度学习与金融领域数据的特点，未来金融领域内深度学习重点研究的方向应该注重以下几点：一是注重金融经济理论与深度学习理论内涵的研究，寻求二者高度的契合点以探寻金融数据背后隐藏的经济学逻辑，丰富相关的经济金融理论；二是应用多种深度学习模型和算法对金融数据进行预测与分析，提炼能够适用于多领域的模型框架和方法，提高深度学习方法在金融领域内的普遍适用性，从而推动智能投资、智能投研等智能金融地不断发展；三是突破传统单一使用金融时序数据的限制，积极探索深度学习在金融领域内的新型应用，如利用文本处理等技术优化对金融市场各类数据进行分析和预测的过程，提高金融研报自动生成、风险管理信息捕捉的能力。
参考文献
[1]Lecun Y，Bengio Y，Hinton G.Deep learning[J].Nature，2015，521（7553）：436-444.
[2]马超，徐瑾辉，侯天诚，等.新型深度学习算法研究概述[J].赤峰学院学报（自然版），2015（2）：37-39.
[3]苏治，卢曼，李德轩.深度学习的金融实证应用：动态、贡献与展望[J].金融研究，2017（5）：111-126.