ARXIV：深度学习在金融领域中的应用 | 唧唧堂论文解析

picture from Internet

解析文章首发于唧唧堂网站www.jijitang.com

解析作者 | 唧唧堂经济金融写作小组：

R&F

；审校编辑 |

悠悠

本文是针对《Deep Learning for Financial Applications : A Survey（深度学习在金融领域中的应用）》的一篇论文解析，其作者为Ahmet Murat Ozbayoglua, Mehmet Ugur Gudeleka和Omer Berat Sezer。

研究背景和问题

股票市场预测、算法交易、信用风险评估、投资组合配置、资产定价和衍生品市场是ML（机器学习）研究人员专注于开发模型的领域，这些模型可以为金融行业解决一些问题。因此，关于这方面的文献和其它出版物有很多。

然而，相比较ML领域，DL（深度学习）是一个新兴领域，越来越多的 DL 模型开始应用在金融中。本文的重点是介绍DL模型在不同金融领域的已实现应用，以便帮助对DL感兴趣的研究人员和从业人员决定研究方向。

因此本文提出了如下问题：

1. 哪些金融领域是深度学习的应用热门？

2. 这些领域的现存研究是否成熟？

3. 从学术/产业研究角度来说，哪些领域蕴含巨大潜力？

4. 在不同的应用领域中，哪些深度学习模型更适用？

5. 相较传统如软计算和机器学习方法，深度学习有哪些优势？

6. 在金融领域，未来深度学习会怎样发展

研究范围

（1） 会议和期刊：

ScienceDirect, ACM Digital Library, GoogleScholar, arXiv.org, ResearchGate, Google关键词搜索深度学习和金融

（2） 其它：

硕士和博士论文、书籍章节、arXiv 论文和在 Google 搜索中发表的值得注意的技术论文。

本文研究范围仅限于英文发表的论文。

机器学习在金融中的应用

图1 ML在金融中的应用

深度学习在金融中的应用

1. 理论

（1） 多层感知器Deep Multi Layer Perceptron (DMLP)

（2） 卷积神经网络Convolutional Neural Networks (CNNs)

（3） 循环神经网络Recurrent Neural Network (RNN)

（4） 长短时记忆模型Long Short Term Memory (LSTM)

（5） 受限波尔兹曼机Restricted Boltzmann Machines (RBMs)

（6） 深度信念网络Deep Belief Networks (DBNs)

（7） 自编码器Autoencoders (AEs)

（8） 其它

深度强化学习Deep Reinforcement Learning(DRL)；

生成对抗网络Generative Adversarial Networks (GANs)；

胶囊网络Capsule Networks；

深度高斯处理Deep Gaussian Processes (DGPs)。

2. 应用

2.1 算法交易Algorithmic Trading

大多数 Algo 交易应用程序都结合价格预测模型。因此，根据大多数根据预测结果触发买入-卖出指令的价格或趋势预测模型也被视为算法交易系统。然而，也有一些研究提出独立的Al去交易模型，通过优化交易参数，如买卖价差，分析限价单，头寸大小等。高频交易（HFT）研究人员对此特别感兴趣。因此，DL模型也开始出现在高频交易研究中。

(1) 时间序列预测模型

主要基于股票和股指的预测，使用的深度学习模型大多是RNN、CNN和LSTM等。此外，有关于外汇或加密货币的价格预测中，除使用LSTM、RNN和MLP外，还有人使用了DQN和DNN。

(2) 关注分类的模型

在预测股票价格趋势的文献中， 有用到RSI指标（相对强弱指数）、MACD等技术分析指标、股票数据、限价订单数据来进行预测。还有一些研究侧重利用基于CNN的模型。他们使用技术分析将金融数据时间序列转换为二维图像，再利用CNN将其分类。Sezer 等人 [62] 直接使用条形图图像作为 CNN的输入，并将预测图像分类，确定是买入、持有还是卖出。

（3）其它

2.2 风险评估

大多数风险评估研究集中于信用评分和银行困境分类。

（1） 信用评分及分类

（2） 财务困境、破产、银行风险、贷款风险、危机预测研究

用来分析的指标主要是文本挖掘进行的情感分析、股指数据、价格等，常使用DBN与SVM结合进行研究，进行分类。

2.3 金融欺诈

这些类型的研究大多可视为异常检测，通常是分类问题。

2.4 投资组合管理

投资组合管理实际上是一个优化问题。因此，有许多 EA 模型是为此目的开发的。Metaxiotis等人 [126] 调查了适用投资组合优化问题上的 MOEA。

然而，一些DL研究人员设法使用学习模型，并得到了优良的结果。由于投资组合管理的智能咨询正在兴起，深度学习有可能在不远的将来对金融业产生更大的影响。

2.5 资产定价与衍生品交易

2.6 加密货币与区块链研究

已经出现一些关于加密货币的研究，主要是价格预测或交易系统。但是，总的来说，区块链研究仍然缺乏深度学习方面的研究。

2.7 金融情感分析和行为金融学

2.8 金融文本挖掘

2. 9 理论或概念性研究

2.10 其它

这些研究包括社会保障支付服务、银行电话营销成功预测、加快金融交易处理的硬件解决方案等。

文献快照

通过研究已发表的144篇文章，重点分析了已发表的论文的研究的主题、期刊类型、问题总类、研究方法、数据来源以及绩效标准。

（1） 主题

主要是集中在金融文本挖掘、算法交易和风险评估这三个领域。

（2） 发表时间

大多数文章在近三年发表，呈现竞秀之势。值得一提的是，2013年以前发表的论文均使用RNN模型。

（3） 深度学习模型

主要是利用RNN、DMLP（深度多层感知模型）和CNN。而但凡涉及RNN的模型中，又主要使用LSTM模型。

（4） 软件环境

80%以上论文使用 Python 进行研究，10%选择R。

（5） 发表期刊

这些已发表的论文，主要来自于计算机科学与工程学的期刊。

未来工作展望

1． 深度学习模型

由于其优良的时间序列预测应用性，LSTM模型成为进行金融研究的首选模型。因此只要金融数据的时变性依旧存在，LSTM及相关衍生模型仍将为人热衷。最近两年，CNN也逐渐流行起来。CNN更适用于非时变或静态数据，而大多数金融数据随时间变化，因此研究员们创新性地将具有时变性的金融数据转换为二维的如静态图象的数据，从而将CNN应用到分类问题上。DRL日渐热门，算法交易是其应用热门领域，但同时在其它领域，它也展现出了不俗的实力。

在大多数论文中，混合模型比单一模型性能更好。但挑战是这些模型不容易构建，可能很难阐述。

虽然很难量化DL相比ML的改进量，但不得不说DL模型比ML性能优异。这凸显在基于趋势预测的算法交易实现和文本挖掘研究中。

2． 应用领域

价格及趋势预测和算法交易一直是深度学习应用的热门领域。金融文本挖掘是最受关注的，这也是得益于网络技术的日益发达，金融新闻、推文、公告、博客等媒体信息为研究提供了数据素材，而研究往往是将文本挖掘与情感分析结合起来。

未来热门研究方向将会包括加密货币，区块链研究。这类主题比较新，且研究投入-产出比可观，会有更多的研究出现。

3． 开放性问题及未来工作

（1） 模型

Tips 1: CNN继续火热，新兴模型如GAN、胶囊网络等或许成为现有金融研究模型的更好替代方法。

Tips 2 : 金融文本挖掘未来或可和NLP集成模型结合起来。

Tips 3: 混合模型将比单一模型更多采用。

（2） 应用

新研究领域或创新领域包括如下：

加密货币和区块链技术

投资组合管理：使用集成模型进行优化

金融衍生品市场：期权策略优化、期货交易、期权定价、套利交易等

高频交易：研究嵌入GPU 或FPGA的DL模型以提高模型运算速度

（3） 建议

行为金融是个可能的实施领域。

参考文献：

Ozbayoglu, A.M., Gudelek, M.U., & Sezer, O.B. (2020). Deep Learning for Financial Applications : A Survey.

<strong>解析作者: R&F</strong>