|
人工智能有望成為IT領域最重要的技術革命,，而深度學習更被譽為“人工智能皇冠上的明珠”,。近年來，深度學習在金融領域已經被廣泛應用,，如圖像識別,、智能客服,、智能投顧等。本文試圖略窺深度學習之真貌,，并展望其在金融領域的應用前景,。人工智能學科旨在通過機器來模擬人類的智能。機器學習是人工智能的一個重要分支,，在互聯(lián)網時代甚至可以說是人工智能的代名詞,。人工神經網絡是最重要的機器學習方法之一，深度學習則是在近年出現重大突破的一種人工神經網絡方法,。簡單地說，深度學習就是一種通過深度神經網絡模型學習海量數據中規(guī)律的方法,。Hinton提出深度學習的新方法,，復興了神經網絡的研究。之后深度學習在學術界持續(xù)升溫,。深度學習在圖像識別領域的ImageNet競賽上遙遙領先其它技術而奪冠,。同年,，Google Brain項目從海量圖片中自己“領悟”識別出貓臉。同時深度學習應用于藥物活性預測問題,，獲得世界最好成績,。DeepFace、DeepID模型把人臉識別的正確率提高到99.75%,，超越人類,。NVIDIA和Google先后開發(fā)了深度學習專用處理器。應用多項深度學習技術的AlphaGo戰(zhàn)勝了最好的人類圍棋選手李世石,，把人工智能所取得的成就展現在世人面前,。近年來，全世界掀起了一股深度學習研究的浪潮,。Google,、微軟、百度等知名公司爭相投入,，占領深度學習的技術制高點,。而在金融領域，深度學習也越來越成為投資和研究的熱點,。人工神經網絡（Artificial Neural Network, ANN）,，也稱為神經網絡，是由大量神經元廣泛互聯(lián)而成的網絡,，是對生物神經網絡（大腦）的模擬,。它是一種非線性,、分布式并行處理、具備自適應能力的算法模型,。神經元是構成神經網絡的基本單元,。一個神經元接收從其它神經元傳來的輸入信號，并產生輸出,。在數學上神經元相當于一個非線性變換（激勵函數）,。當一組神經元組合起來并具有分層結構時，就形成了神經網絡模型,。下圖是一個典型的前饋神經網絡,。神經網絡一般使用反向傳播算法（Backpropagation，BP）進行訓練,。訓練過程首先將輸入數據逐層計算得到一個輸出結果,，然后將輸出與結果值的誤差逐層反向傳播，根據誤差調節(jié)網絡權重,。訓練過程反復進行以使網絡的最終輸出逼近期望值,。深度學習（Deep Learning）之前的機器學習方法被統(tǒng)稱為淺層學習（Shallow Learning）。傳統(tǒng)的神經網絡屬于淺層學習模型,，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,，邏輯回歸LR沒有隱層節(jié)點,。淺層學習模型的局限性在于：2）它依賴人工設計特征,，因此性能受限于人的領域知識和經驗,。而深度神經網絡(Deep Neural Network，DNN),，通過增加隱層的層數,，可以學習到更復雜的函數表示，同時具有優(yōu)異的特征學習能力,。DNN的每層都對應一次特征變換,，把數據逐步變換到更高層抽象的表示?？梢哉f,，深度學習的本質是一種特征學習方法。而且最關鍵的一點是,，它無需人工干預就能自主地從數據中學習特征,。傳統(tǒng)BP算法在隱層數增多時，存在局部最小值和梯度衰減以及計算量大的問題,。為了解決這些難題,，深度學習提出新的訓練算法,。傳統(tǒng)神經網絡對于網絡參數是隨機設定初始值，而DNN加入了“逐層初始化”的過程,。具體說,，就是先用無監(jiān)督學習方法分層訓練，得到各層的初始值,。這使得網絡的初始狀態(tài)更接近最優(yōu)值,，提高了后續(xù)學習的性能。除了算法層面的突破,，深度學習的發(fā)展還歸因于兩點：一是大數據,。深度學習模型在海量數據輸入下能達到最好的性能，同時,，深度學習也是最適合大數據的機器學習方法,。二是高性能計算。由于大規(guī)模分布式計算技術如計算集群,、GPU的應用，使計算能力大大提升,，才使深度學習在實踐中有了用武之地,。深度學習的發(fā)展使人工智能在圖像、語音,、自然語言處理等多方面有了技術性突破,，達到實際應用水平，也開始應用到金融領域,。同時,，深度學習非常適用于大數據背景下的金融預測分析。接下來將以幾個主要的應用方向為例說明,。早在1998年,，LeCun提出的LeNet模型用以識別支票上的手寫字跡，被世界各地銀行廣泛應用,。此后,，這項技術也被用于對銀行各類票據、合同等文字檔案進行識別管理,。今天,，甚至可用于識別金融圖表。如日本公司Alpaca推出的智能交易平臺,，能快速搜索和識別外匯交易圖表,，輔助交易管理。此外,，近年人臉識別技術漸趨成熟,，識別正確率已可與人眼媲美,。人臉識別有望應用于金融支付認證，實現“刷臉支付”,。如2015年3月,，螞蟻金服曾展示Smile to Pay掃臉技術。智能客服在金融領域的應用將推動金融服務體驗,，提高管理運營水平,。它一方面應用語音識別、自然語言理解,、問答系統(tǒng)方面的成果,，用人機交流代替人工客服。另一方面結合用戶行為分析技術,，對用戶交易行為進行分析,，可以優(yōu)化操作流程。如2015年的雙11,，螞蟻金服95%的遠程客戶服務由智能機器人完成,，并實現了100%的自動語音識別。京東通過應用深度學習技術,，推出了JIMI智能機器人,，成功應用于售前咨詢、售后服務和生活伴侶三個場景,，有望承擔超過80%的京東客服工作,。傳統(tǒng)的時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習技術應用到該領域中,。美國伊利諾伊斯理工大學的Dixon利用深度神經網絡,，預測43種大宗商品和外匯期貨在未來5分鐘的價格變動。斯坦福大學的Ruoxuan Xiong等人通過集成谷歌趨勢和市場數據的LSTM模型來預測標普500指數的波動性,。倫敦帝國學院的Sirignano利用2014-2015年納斯達克股票的交易數據,，建立“空間神經網絡”模型，預測買賣雙方的報價情況,。指結合自然語言處理和深度學習技術,，監(jiān)測新聞、社交媒體中的金融事件,，通過文本情感傾向分析來預測金融行情走向,。美國康奈爾大學的Sarlin等人利用新聞數據來進行銀行危機預告。他們使用兩個神經網絡分別進行語義分析和正負面判別,。Fehrer等人則利用新聞頭條預測德國股市走向,，使用的是一個遞歸自動編碼器，達到56%的準確率。中國哈工大劉挺等人利用新聞摘要預測標普500指數的波動,。他們使用一個卷積神經網絡學習新聞事件的長短期影響,，預測準確率達到了65%。歐洲央行曾發(fā)布一個研究報告,，指出Twitter上的情緒狀況對預測美國,、英國、加拿大的股價有重大價值,。智能投顧也被稱為智能理財,，它為用戶提供自動化的證券投資組合管理服務。美國Wealthfront, Betterment和Personal Capital公司是智能投顧領域的先驅,。國內也出現了許多智能投顧的初創(chuàng)公司,。深度學習在智能投顧的應用，是把在量化分析,、資產配置優(yōu)化,、價格波動預測、輿情分析等多方面的應用綜合起來,，以給用戶提供智能化的投資服務,。此外，深度學習還可應用于金融風險控制,、大數據征信等領域,。可預期將來還會出現更多新的應用場景,。深度學習在金融領域的應用，將帶來更智能化的管理和生產方式,。我們有理由相信深度學習將成為金融領域創(chuàng)新和變革的一個新引擎,。
|
