王立鵬

【摘要】隨著智能時代的來臨，金融數(shù)據(jù)分析需求不斷提高，各商業(yè)銀行在人工智能領域內(nèi)的積極探索，加快了深度學習等新型智能方法在金融領域內(nèi)應用的步伐。本文從深度學習在金融領域內(nèi)應用的獨特優(yōu)勢以及所面臨的機遇和挑戰(zhàn)，闡述未來利用深度學習研究金融分析的重點方向。

【關鍵詞】人工智能 深度學習 金融數(shù)據(jù)分析

一、引言

人工智能一詞最早出現(xiàn)于1956年的達特茅斯會議中，與會學者通過討論“模擬神經(jīng)系統(tǒng)”與“模擬心智”研究人工智能在“結構”與“功能”兩種路線的發(fā)展方向，這標志著人工智能的開端。此后，隨著計算機技術的不斷發(fā)展，人工智能技術廣泛應用于不同領域當中，例如圖語音處理、智能計算、醫(yī)療診斷等。人工智能的挑戰(zhàn)在于解決對人類來說很容易執(zhí)行、但很難形式化描述的任務，例如文本處理，語音識別等。

隨著人工智能技術的蓬勃發(fā)展，各商業(yè)銀行積極運用各種先進技術以提高自身風險管控能力并為客戶提供更為個性多樣的服務選擇：如蘭州銀行依托數(shù)據(jù)挖掘技術從互聯(lián)網(wǎng)中獲取企業(yè)突發(fā)事件實現(xiàn)對企業(yè)風險自動評級，提高其風險管控能力；華夏銀行結合人工智能技術將信息資產(chǎn)價值、事件等微觀風險因素進行量化，實現(xiàn)了從宏觀到微觀的全面風險態(tài)勢展示；北京銀行引入銀聯(lián)等外部數(shù)據(jù)并與行內(nèi)數(shù)據(jù)進行有效整合，運用機器學習手段對原有信用評價體系進行有效補充和完善，豐富了身份欺詐和信用風險防控手段。由此可見人工智能等新興技術將會對金融業(yè)產(chǎn)生深刻影響，而作為人工智能領域研究核心的深度學習技術，更應該得到重視。

二、深度學習技術在金融領域內(nèi)的優(yōu)勢

（一）智能金融是未來金融業(yè)發(fā)展的必然趨勢

隨著金融交易方式的智能化和便捷化以及金融業(yè)數(shù)據(jù)的爆炸式增長，現(xiàn)有的金融分析預測方法已不具備對如此龐大的數(shù)據(jù)量進行建模分析的能力，因此需要探索能夠適用于大數(shù)據(jù)背景下金融數(shù)據(jù)的分析方法。以深度學習為代表的人工智能技術，在結合大數(shù)據(jù)、云計算等新型技術作用下，能夠解決高維復雜的數(shù)據(jù)分析難的問題，在智能金融、大數(shù)據(jù)風控和大數(shù)據(jù)保險等領域擁有廣闊的應用前景。利用深度學習進行金融監(jiān)管、金融標準化等方向進行分析和預測，能夠從金融數(shù)據(jù)的深層特征提煉出金融大數(shù)據(jù)背后的經(jīng)濟學邏輯，從而提升金融服務效率，實現(xiàn)金融業(yè)的智能化、個性化和定制化。

（二）深度學習更適用于金融數(shù)據(jù)分析

金融數(shù)據(jù)是以連續(xù)性為特點的時間序列數(shù)據(jù)，其具有噪音大、高緯度、時變性等特性。傳統(tǒng)分析方法忽略了由政治事件、經(jīng)濟發(fā)展狀況以及其他相關領域變動引起的因素，不利于揭示金融問題背后的經(jīng)濟邏輯。傳統(tǒng)數(shù)據(jù)分析模型會導致預測信息不足，影響預測結果，且傳統(tǒng)方法主要依賴人工設計的特征進行預測分析，增加了干擾因素，而且人為設計的特征具有目的性和不完整性，不但影響最終數(shù)據(jù)分析結果的準確性，而且對模型的改進或發(fā)展具有阻礙作用。深度學習方法通過分層結構之間傳遞數(shù)據(jù)而學習特征，將低維簡單特征轉換為高維抽象特征，而金融數(shù)據(jù)的高維特征能夠擴大原始數(shù)據(jù)對分類或預測中重要因素的影響，同時能夠弱化無關因素造成的誤差，且深度學習對各種信息形式的金融數(shù)據(jù)都有良好的適用性，從而使預測或分類工作更加有效。

（三）深度學習對金融領域實證研究方法帶來變革

傳統(tǒng)計量方法多采用線性模型，利用線性模型的最優(yōu)推斷金融市場實際數(shù)據(jù)的最優(yōu)具有很大局限性。深度學習方法由于自身具有多層級連接的特點，能根據(jù)數(shù)據(jù)產(chǎn)生復雜的非線性結構，從而更適合非線性特征數(shù)據(jù)模型地構建，這給金融實證方法研究提供了新的研究思路，促使研究模型從性模型到非線性模型的轉變。傳統(tǒng)金融模型通過對模型參數(shù)的顯著性分析來判斷相關因素在模型中是否產(chǎn)生影響，從而簡化模型結構，但簡化后的模型會造成信息丟失，無法完整描述實際數(shù)據(jù)的整體意義。深度學習模型推動研究人員從關注模型參數(shù)顯著性轉變?yōu)殛P注模型結構以及模型的動態(tài)演變過程，不僅解決了特定的預測分析問題，同時對金融實證分析領域內(nèi)的理論研究開辟了新方向、新空間，推動著金融實證分析相關理論的完善和發(fā)展。

三、深度學習技術在金融領域面臨的挑戰(zhàn)

深度學習雖在金融領域應用具有良好的前景，但目前相關應用研究尚處于探索階段，在實際的應用過程中面臨諸多障礙，具體而言，深度學習面臨的挑戰(zhàn)主要集中為以下幾點：

（一）深度學習模型的構建比較困難

深度學習模型是以人工神經(jīng)網(wǎng)絡為主的計算模型，其包含大量的神經(jīng)元（或節(jié)點）、突觸和層。而如何確定隱藏節(jié)點數(shù)量、隱藏層數(shù)量和突觸權值大小是深度學習各種模型結構能夠正確提取分析數(shù)據(jù)非線性特征的關鍵。目前對深度學習模型的構造并沒有成熟的理論來提供指導，主要還是依靠研究學者不斷實驗、不斷探索。

（二）深度學習模型的穩(wěn)健性和適用性有待商榷

深度學習模型的特點在于可以根據(jù)輸入數(shù)據(jù)的不同對自身結構進行重構，所以對于訓練后的模型是否能適用于特定領域的分析和預測需要大量實驗進行驗證。模型的訓練需要復雜、重復且動態(tài)的多次實驗，目前相關理論研究還處于對單一模型的優(yōu)化處理，并沒有提煉出通用的規(guī)律性方法和框架，從而限制了最終模型的穩(wěn)健性和廣泛適用性。

（三）深度學習模型對金融數(shù)據(jù)分析的結果較難正確地闡述數(shù)據(jù)背后的經(jīng)濟學原理

深度學習模型在分析金融數(shù)據(jù)時，雖保留了非顯著性參數(shù)帶來的影響，保證了數(shù)據(jù)的完整性，但同時也削弱了利用經(jīng)濟學解釋最終結果的因果關系以及隱藏于數(shù)據(jù)背后的經(jīng)濟學原理。這也是深度學習技術成功應用于金融領域亟待解決的重要問題，即使用深度學習模型結構與特征選擇來分析金融數(shù)據(jù)背后的經(jīng)濟含義。

四、未來金融領域應用深度學習的重點方向

金融領域應用新型人工智能技術的前景光明，結合深度學習與金融領域數(shù)據(jù)的特點，未來金融領域內(nèi)深度學習重點研究的方向應該注重以下幾點：一是注重金融經(jīng)濟理論與深度學習理論內(nèi)涵的研究，尋求二者高度的契合點以探尋金融數(shù)據(jù)背后隱藏的經(jīng)濟學邏輯，豐富相關的經(jīng)濟金融理論；二是應用多種深度學習模型和算法對金融數(shù)據(jù)進行預測與分析，提煉能夠適用于多領域的模型框架和方法，提高深度學習方法在金融領域內(nèi)的普遍適用性，從而推動智能投資、智能投研等智能金融地不斷發(fā)展；三是突破傳統(tǒng)單一使用金融時序數(shù)據(jù)的限制，積極探索深度學習在金融領域內(nèi)的新型應用，如利用文本處理等技術優(yōu)化對金融市場各類數(shù)據(jù)進行分析和預測的過程，提高金融研報自動生成、風險管理信息捕捉的能力。

參考文獻

[1]Lecun Y，Bengio Y，Hinton G.Deep learning[J].Nature，2015，521（7553）：436-444.

[2]馬超，徐瑾輝，侯天誠，等.新型深度學習算法研究概述[J].赤峰學院學報（自然版），2015（2）：37-39.

[3]蘇治，盧曼，李德軒.深度學習的金融實證應用：動態(tài)、貢獻與展望[J].金融研究，2017（5）：111-126.