黃子意 朱寧

摘要：本文總結(jié)了傳統(tǒng)金融時(shí)序分析中存在的問題，并結(jié)合基于多層神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)的特點(diǎn)，提出深度學(xué)習(xí)技術(shù)在金融時(shí)序分析中的可行性以及實(shí)施路徑。

關(guān)鍵詞：金融時(shí)序分析;深度學(xué)習(xí)

1 引言

隨著深度學(xué)習(xí)技術(shù)在各行各業(yè)中的應(yīng)用變得越來越普遍，深度學(xué)習(xí)技術(shù)在金融時(shí)序分析中的應(yīng)用也得到了越來越多的關(guān)注。

2 傳統(tǒng)的金融時(shí)序分析理論

金融時(shí)序分析是利用統(tǒng)計(jì)學(xué)的方法對某個時(shí)間序列的變量（如股票收盤價(jià)格、投資品收益率等）的過去數(shù)據(jù)進(jìn)行分析，并在此基礎(chǔ)上對該變量在未來的某個時(shí)間段的變化進(jìn)行判斷和預(yù)測。

傳統(tǒng)的金融時(shí)序分析是基于時(shí)間序列特征分析的基礎(chǔ)上進(jìn)行的。通常一個金融時(shí)間序列可能包含四個特征：趨勢、季節(jié)性、序列相關(guān)性（也稱自相關(guān)性）和隨機(jī)噪聲。其中，由于時(shí)間序列的不確定性，隨機(jī)噪聲是總是存在的，因此金融時(shí)序分析就是要找到序列中排除隨機(jī)噪聲干擾后的潛在的趨勢、季節(jié)性和序列相關(guān)性，并以此為序列建模，對未來的發(fā)展進(jìn)行預(yù)測。

金融時(shí)序分析假設(shè)序列弱平穩(wěn)，對過去的數(shù)據(jù)特征進(jìn)行挖掘，從而建立線性預(yù)測模型（如AR，MA，ARMA等），或者建立更復(fù)雜的非線性預(yù)測模型（如ARCH或者GARCH等）。

3 傳統(tǒng)金融時(shí)序分析存在的問題

傳統(tǒng)的金融時(shí)序分析存在以下的問題：

1）提供分析支撐的數(shù)據(jù)來源單一

傳統(tǒng)的計(jì)容時(shí)序分析一個基本特征就是基于對序列過去的數(shù)據(jù)特征分析來預(yù)測序列的發(fā)展趨勢。傳統(tǒng)的算法，不管是AR，MA，ARMA還是ARCH或者GARCH皆如此。在分析過程中，僅考慮序列本身的數(shù)據(jù)特征，例如股票分析中收盤價(jià)、開盤價(jià)、收益率等序列本身的數(shù)據(jù)，因?yàn)樗惴ǖ脑颍鼪]有也不可能考慮到序列數(shù)據(jù)外的其它因素。

實(shí)際上影響到金融序時(shí)間序列發(fā)展走勢的，有很多來自外部的因素，例如投資者信心、國際國內(nèi)的金融咨詢，國家政策、社會輿論等等，如果不考慮這些外部因素，預(yù)測的準(zhǔn)確性難以保證。

2）特征工程耗時(shí)費(fèi)力且效率低

傳統(tǒng)的金融時(shí)序分析算法對特征結(jié)構(gòu)要求高，因此特征工程是必須步驟，但是特征工程耗時(shí)耗力，而且僅僅考慮序列本身的數(shù)據(jù)，難以保證特征結(jié)構(gòu)的完備性。

3）預(yù)測結(jié)果適應(yīng)性不強(qiáng)

傳統(tǒng)的金融時(shí)序分析結(jié)果只能針對某個特定的序列某個時(shí)段的趨勢進(jìn)行預(yù)測，外部條件的微小變化就需要重新建模，不能適應(yīng)瞬息萬變的金融市場。

4 基于深度學(xué)習(xí)的金融時(shí)序分析的特點(diǎn)

近年來，隨著計(jì)算機(jī)算力的發(fā)展，深度學(xué)習(xí)技術(shù)越來越引起人們的廣泛關(guān)注。在谷歌開發(fā)的AlphaGo圍棋進(jìn)行了多次人機(jī)大戰(zhàn)取得大勝之后，深度學(xué)習(xí)技術(shù)開始在各行各業(yè)中得到了應(yīng)用，取得了巨大的成就。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種，它的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，含多個隱藏層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。

深度學(xué)習(xí)的以下特點(diǎn)可以彌補(bǔ)傳統(tǒng)金融時(shí)序分析中的問題：

1）深度學(xué)習(xí)技術(shù)能力強(qiáng)大

傳統(tǒng)的基于機(jī)器學(xué)習(xí)的金融時(shí)序分析算法在建模時(shí)需要判斷是該采用線性模型還是非線性模型，而基于多層的神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)具有優(yōu)秀的特征學(xué)習(xí)能力，能夠?qū)W習(xí)到數(shù)據(jù)更本質(zhì)的特征，因?yàn)閺睦碚撋蟻碇v，神經(jīng)網(wǎng)絡(luò)通過調(diào)整各層的參數(shù)，可以擬合任意復(fù)雜度的函數(shù)。

2）深度學(xué)習(xí)技術(shù)可以提高特征工程的效率

傳統(tǒng)的金融時(shí)序分析大多都是有監(jiān)督的學(xué)習(xí)，還要經(jīng)過特征工程對特征結(jié)構(gòu)進(jìn)行篩選，費(fèi)時(shí)費(fèi)力。而基于多層神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)學(xué)習(xí)過程可以是有監(jiān)督的、半監(jiān)督的或無監(jiān)督的，該過程可以自動地學(xué)習(xí)相關(guān)的特征，從而提高了數(shù)據(jù)分析的效率。

3）深度學(xué)習(xí)技術(shù)數(shù)據(jù)來源及表征形式多樣化

傳統(tǒng)的金融時(shí)序分析因?yàn)樗惴ǖ脑?，不便于補(bǔ)充時(shí)間序列以外的數(shù)據(jù)，不能表征更豐富的影響因素。例如不能加入政府政策、輿論導(dǎo)向、投資者的信心等。但是基于多層神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)在表征輸入時(shí)，可以加入相關(guān)的因素指標(biāo)，從而更加準(zhǔn)確地建模時(shí)間序列的走勢。例如，在進(jìn)行股票走勢分析的時(shí)候，可以對社交媒體關(guān)于該股票的相關(guān)討論來分析投資者的信心，并把這個投資者信心表征為輸入層多種數(shù)據(jù)中的的一個內(nèi)容，交給多層神經(jīng)網(wǎng)絡(luò)去學(xué)習(xí)。類似地可以把諸多其它因素都表征到多層神經(jīng)網(wǎng)絡(luò)的輸入層。

4）深度學(xué)習(xí)技術(shù)進(jìn)行金融時(shí)序分析靈活，適應(yīng)性強(qiáng)。

經(jīng)過深度學(xué)習(xí)技術(shù)建模的金融時(shí)間序列分析適應(yīng)性強(qiáng)，不需要因?yàn)闀r(shí)間或者條件的變化而重新建模，因此更具有實(shí)用性。

5 結(jié)論：

傳統(tǒng)金融時(shí)序分析算法對特征結(jié)構(gòu)要求高，數(shù)據(jù)來源單一和僵化，靈活性、應(yīng)用型和變通性差，不能較好滿足分析的需求。而深度學(xué)習(xí)技術(shù)應(yīng)用在金融時(shí)序分析中，特征提取能力強(qiáng)大、效率高、特征表征形式多樣、特征來源豐富、靈活性和實(shí)用性好，能夠較好低滿足市場和研究的需求，是未來金融時(shí)序分析的重要發(fā)展方向。

參考文獻(xiàn)：

[1]曾志平、蕭海東和張新鵬，《基于 DBN 的金融時(shí)序數(shù)據(jù)建模與決策》，《計(jì)算機(jī)技術(shù)與發(fā)展》，2017第 4 期

[2]Agrawal J. G. ，Chourasia V.S.，and Mittra A.K.. 2013. “State-of-the-art in Stock Prediction Techniques”. International Journal of Advanced Research in Electrical，Electronics and Instrumentation Engineering，2（4） ：1360～1366.

[3]Arel I.，Rose D.C.，and Karnowski T.P.. 2010. “Deep Machine Learning —— A New Frontier in Artificial Intelligence Research[research frontier]”. IEEE Computational Intelligence Magazine，5（4） ： 13～18

作者簡介：

黃子意，中南大學(xué)商學(xué)院2018級金融2班學(xué)生

朱寧，副教授，中南大學(xué)商學(xué)院