论文部分内容阅读
摘要：金融市场作为一个非线性、变化频繁的复杂动态，风险与回报并存，波动率作为金融资产收益的不确定性衡量指标，对金融资产的波动率进行有效的预测，可以加强金融风险管理，同时增加投资者决策的积极性。随着人工智能的发展，将以深度学习方法为例的AI技术与金融业结合，构建模型对波动率进行预测分析，提升了金融资产的波动率预测的精确度。
关键词：深度学习;人工智能;波动预测;LSTM
一、引言
德累斯顿理工大学和牛津布鲁克斯大学的研究员们对股票定价、保险业、投资等领域进行调查，结果发现深度学习算法比传统的统计学算法具有更高的精确度和稳健性。过去经济学的重心一直在对于经济现象进行解释，找出其所存在的经济运行规律，而近年来，大数据技术与人工智能的发展，已经可以对一些经济学现象进行预测。2017年7月，国务院正式印发《新一代人工智能发展规划》，旨在推动人工智能与各行业的融合创新。
北大教授谭营指出，“‘AI赋能’ 是金融行业的大势所趋，我们以深度学习为核心技术，以大数据分析为支撑，结合AI算法创建智能投资模型，进行精准量化投资，降低投资风险。”
股票预测作为一个交叉研究方向，涉及到多学科，对金融资产价格进行预测，对于投资者与债权人在进行决策行为时有着重要的参考意义。
二、人工智能、机器学习与深度学习
关于人工智能这一术语，最早由Mckisny于1956年提出，人工智能（Artificial Intelligence，AI）指利用计算技术来模拟人的某些思维过程与行为，去实现目前所有必须借助人类智慧才能实现的任务。机器学习（Machine Learning，ML）指在对一些无法观测到的数据进行检测时，利用计算机从所选样本中学习规律、获得决策函数。
2006年Hinton提出深度学习这一概念，深度学习（Deep Learning，DL）作为机器学习的一个子集，指的是一种连接型表征学习方法，其中的模型是由一连串可以看作神经元组成的不同拓扑结构的多个模块构成，而其中的每一层拓扑结构分别拿出来训练之后都可以作为独立的特征提取器。
关于深度学习与机器学习、人工智能的关系可以用图1表示。
三、深度学习的模型及应用
深度学习最广泛的应用方法络包括深度置信神经网络（DBN）、卷积神经网络（Convolutional Neural Network，CNN）、循环神经网络（RNN）、长短期记忆神经网络（LSTM）等。
（一）深度置信神经网络
深度置信神经网络由若干随机隐变量构成，向第一层结构单元（受限玻尔兹曼机，RBM）输入变量，然后利用其输出变量训练第二层结构单元，实现输入的重构;各结构层之间逐层连接，且同一结构层之间无连接，快速地实现了对数据的训练处理过程。
（二）卷积神经网络
卷积神经网络最开始是通过仿造生物体的视觉皮层，将神经元参数与前一层神经网络共享;随后Le Cun利用误差梯度改进了这一模型。
（三）循环神经网络
循环神经网络对处理时间序列性的数据具有高效率，它能够挖掘出数据中的时序信息及语义信息。
（四）长短期记忆神经网络
由于传统RNN的隐藏层存在梯度消失的问题，一些学者让隐藏层的结构变得复杂、权重变大，避免了梯度消失，这种改进后的特殊RNN即为LSTM。
目前RNN与LSTM被普遍认为是最适合于金融市场的深度学习模型。
（五）深度学习在金融行业的应用
深度学习能够从数据中提取抽象特征，基于“分解—重构—综合”的思想，为金融资产的预测带来了吸引力。深度学习在金融行业的应用包括对各类资产的收益率、波动性预测，对投资者的情绪进行分析等方面，国内外学者关于此研究较少，研究方向主要集中在将金融资产的预测与模型结合，提高预测结果的准确性。
Heaton（2016）指出将深度学习应用于金融领域，可以有效避免过度拟合，突破了数据纬度的限制，对于解决输入变量的非线性和交互性问题更加有效。
Chong E，Han C&Park F C（2017）基于深度学习对股票市场采用主成分分析、自动编码器与受限波尔兹曼机三种方法进行预测，结果表明深度神经网络提高了模型的预测精确度。
Kim H Y&Won C H（2018）对LSTM模型与GARCH模型进行调整，预测KOSPI200指数的股价波动，结果表明复合后的模型比单一模型的预测精确度更高。
周子昂和尚瑞琪（2019）采用LSTM模型与RV理论，选取沪深300指数交易日5分钟高频数据作为样本，计算样本的波动率，结果表明基于LSTM预测模型的波动预测误差性最低。
（六）深度学习在其他行业的应用
深度学习对于复杂问题的解決，具有较好的效果，因此被广泛应用于多个领域，比如图像语音识别、翻译、航天领域等。王宪保（2014）根据样本特征建立DBN，通过BP算法，检测太阳能电池片的缺陷。
四、深度学习下的股票波动率预测
传统的波动率预测模型有ARCH模型与GARCH模型等。波动率作为金融资产收益的不确定性衡量指标，反映了金融资产的波动程度，现有的关于股票波动率计算方法一般为将第n天内高频收益率的平方和作为真实波动率，即将已实现的波动率作为真实波动率的变量。
然而股票市场的变化频繁，受到许多不确定因素的影响，传统的方法已经无法满足金融市场数据高频变化的特性，人工智能的崛起，使深度学习逐渐被应用于金融资产的波动率预测。 传统的机器学习方法是通过线性模型利用股票的历史数据来监督学习金融资产的预期回报，比如向量机、决策树等。
而金融时间序列的特点是高频扰动、中频波动与长期趋势，深度学习与传统的线性模型相比，具有高度的非线性运算和映射能力，能够过滤时间序列市场噪声，提取深层特征，因此深度学习模型更适用于对金融资产的预测分析。且众多学者已通过研究表明，深度学习模型相较于传统的模型，在预测方面的精确度更高。
CHEN Y，LIN W&WANG J Z（2019）使用卷积神经网络模型，提取股票的短期特征，采用PLR方法分割时间序列数据，提取股票的长期特征，以双重注意机制关注长短期特征对股票预测的影响。
在将金融资产的样本数据置于训练环境中时，除了考虑股票价格因素，有些学者开始将股票数据对应的金融新闻及投资者情绪结合分析预测，比如Hegde M S，Krishna G&Srinath R（2018）将股票数据与新闻信息、社交媒体中网民的情绪反应结合，使用LSTM模型提取时间序列信息，采用背包模型预测。
五、结语
由于金融市场的复杂性，模型的构建拟合需要结合实际数据及市场环境等因素，还需考虑到投资者主观情绪等影响，深度学习的方法在一定程度上改进了利用传统线性模型预测的弊端，但基于深度学习模型的波动率预测，本身存在着拟合过度或缺少的问题，关于金融市场与深度学习的融合发展，仍需进一步探讨。
参考文献：
[1]Hinton G E， Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J].Science，2006，313（5786）： 504-507.
[2]Chong E， Han C， Park F C. Deep learning networks for stock market analysis and prediction：Methodology，data representations，and case studies[J].Expert Systems with Applications，2017，83：187-205.
[3]Kim H Y， Won C H. Forecasting the volatility of stock price index： A hybrid model integrating LSTM with multiple GARCH-type models[J].Expert Systems with Applications，2018，103：25-37.
[4]周子昂，尚瑞琪.沪深300高频波动率的预测及应用——基于深度学习的方法[J].上海立信会计金融学院学报，2019（04）：60-74.
[5]王宪保，李洁，姚明海，何文秀，钱沄涛.基于深度学习的太阳能电池片表面缺陷检测方法[J].模式识别与人工智能，2014，27（06）：517-523.
[6]CHEN Y， LIN W， WANG J Z. A Dual-Attention- Based Stock Price Trend Prediction Model with Dual Features[M]. DO110.1109/ACCESS.2019.2946223，IEEE Access，2019.
[7]Hegde M S，Krishna G，Srinath R. An Ensemble Stock Predictor and Recommender System.IEEE，2018.
（作者單位：澳门城市大学）
关键词：深度学习;人工智能;波动预测;LSTM
一、引言
德累斯顿理工大学和牛津布鲁克斯大学的研究员们对股票定价、保险业、投资等领域进行调查，结果发现深度学习算法比传统的统计学算法具有更高的精确度和稳健性。过去经济学的重心一直在对于经济现象进行解释，找出其所存在的经济运行规律，而近年来，大数据技术与人工智能的发展，已经可以对一些经济学现象进行预测。2017年7月，国务院正式印发《新一代人工智能发展规划》，旨在推动人工智能与各行业的融合创新。
北大教授谭营指出，“‘AI赋能’ 是金融行业的大势所趋，我们以深度学习为核心技术，以大数据分析为支撑，结合AI算法创建智能投资模型，进行精准量化投资，降低投资风险。”
股票预测作为一个交叉研究方向，涉及到多学科，对金融资产价格进行预测，对于投资者与债权人在进行决策行为时有着重要的参考意义。
二、人工智能、机器学习与深度学习
关于人工智能这一术语，最早由Mckisny于1956年提出，人工智能（Artificial Intelligence，AI）指利用计算技术来模拟人的某些思维过程与行为，去实现目前所有必须借助人类智慧才能实现的任务。机器学习（Machine Learning，ML）指在对一些无法观测到的数据进行检测时，利用计算机从所选样本中学习规律、获得决策函数。
2006年Hinton提出深度学习这一概念，深度学习（Deep Learning，DL）作为机器学习的一个子集，指的是一种连接型表征学习方法，其中的模型是由一连串可以看作神经元组成的不同拓扑结构的多个模块构成，而其中的每一层拓扑结构分别拿出来训练之后都可以作为独立的特征提取器。
关于深度学习与机器学习、人工智能的关系可以用图1表示。
三、深度学习的模型及应用
深度学习最广泛的应用方法络包括深度置信神经网络（DBN）、卷积神经网络（Convolutional Neural Network，CNN）、循环神经网络（RNN）、长短期记忆神经网络（LSTM）等。
（一）深度置信神经网络
深度置信神经网络由若干随机隐变量构成，向第一层结构单元（受限玻尔兹曼机，RBM）输入变量，然后利用其输出变量训练第二层结构单元，实现输入的重构;各结构层之间逐层连接，且同一结构层之间无连接，快速地实现了对数据的训练处理过程。
（二）卷积神经网络
卷积神经网络最开始是通过仿造生物体的视觉皮层，将神经元参数与前一层神经网络共享;随后Le Cun利用误差梯度改进了这一模型。
（三）循环神经网络
循环神经网络对处理时间序列性的数据具有高效率，它能够挖掘出数据中的时序信息及语义信息。
（四）长短期记忆神经网络
由于传统RNN的隐藏层存在梯度消失的问题，一些学者让隐藏层的结构变得复杂、权重变大，避免了梯度消失，这种改进后的特殊RNN即为LSTM。
目前RNN与LSTM被普遍认为是最适合于金融市场的深度学习模型。
（五）深度学习在金融行业的应用
深度学习能够从数据中提取抽象特征，基于“分解—重构—综合”的思想，为金融资产的预测带来了吸引力。深度学习在金融行业的应用包括对各类资产的收益率、波动性预测，对投资者的情绪进行分析等方面，国内外学者关于此研究较少，研究方向主要集中在将金融资产的预测与模型结合，提高预测结果的准确性。
Heaton（2016）指出将深度学习应用于金融领域，可以有效避免过度拟合，突破了数据纬度的限制，对于解决输入变量的非线性和交互性问题更加有效。
Chong E，Han C&Park F C（2017）基于深度学习对股票市场采用主成分分析、自动编码器与受限波尔兹曼机三种方法进行预测，结果表明深度神经网络提高了模型的预测精确度。
Kim H Y&Won C H（2018）对LSTM模型与GARCH模型进行调整，预测KOSPI200指数的股价波动，结果表明复合后的模型比单一模型的预测精确度更高。
周子昂和尚瑞琪（2019）采用LSTM模型与RV理论，选取沪深300指数交易日5分钟高频数据作为样本，计算样本的波动率，结果表明基于LSTM预测模型的波动预测误差性最低。
（六）深度学习在其他行业的应用
深度学习对于复杂问题的解決，具有较好的效果，因此被广泛应用于多个领域，比如图像语音识别、翻译、航天领域等。王宪保（2014）根据样本特征建立DBN，通过BP算法，检测太阳能电池片的缺陷。
四、深度学习下的股票波动率预测
传统的波动率预测模型有ARCH模型与GARCH模型等。波动率作为金融资产收益的不确定性衡量指标，反映了金融资产的波动程度，现有的关于股票波动率计算方法一般为将第n天内高频收益率的平方和作为真实波动率，即将已实现的波动率作为真实波动率的变量。
然而股票市场的变化频繁，受到许多不确定因素的影响，传统的方法已经无法满足金融市场数据高频变化的特性，人工智能的崛起，使深度学习逐渐被应用于金融资产的波动率预测。 传统的机器学习方法是通过线性模型利用股票的历史数据来监督学习金融资产的预期回报，比如向量机、决策树等。
而金融时间序列的特点是高频扰动、中频波动与长期趋势，深度学习与传统的线性模型相比，具有高度的非线性运算和映射能力，能够过滤时间序列市场噪声，提取深层特征，因此深度学习模型更适用于对金融资产的预测分析。且众多学者已通过研究表明，深度学习模型相较于传统的模型，在预测方面的精确度更高。
CHEN Y，LIN W&WANG J Z（2019）使用卷积神经网络模型，提取股票的短期特征，采用PLR方法分割时间序列数据，提取股票的长期特征，以双重注意机制关注长短期特征对股票预测的影响。
在将金融资产的样本数据置于训练环境中时，除了考虑股票价格因素，有些学者开始将股票数据对应的金融新闻及投资者情绪结合分析预测，比如Hegde M S，Krishna G&Srinath R（2018）将股票数据与新闻信息、社交媒体中网民的情绪反应结合，使用LSTM模型提取时间序列信息，采用背包模型预测。
五、结语
由于金融市场的复杂性，模型的构建拟合需要结合实际数据及市场环境等因素，还需考虑到投资者主观情绪等影响，深度学习的方法在一定程度上改进了利用传统线性模型预测的弊端，但基于深度学习模型的波动率预测，本身存在着拟合过度或缺少的问题，关于金融市场与深度学习的融合发展，仍需进一步探讨。
参考文献：
[1]Hinton G E， Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J].Science，2006，313（5786）： 504-507.
[2]Chong E， Han C， Park F C. Deep learning networks for stock market analysis and prediction：Methodology，data representations，and case studies[J].Expert Systems with Applications，2017，83：187-205.
[3]Kim H Y， Won C H. Forecasting the volatility of stock price index： A hybrid model integrating LSTM with multiple GARCH-type models[J].Expert Systems with Applications，2018，103：25-37.
[4]周子昂，尚瑞琪.沪深300高频波动率的预测及应用——基于深度学习的方法[J].上海立信会计金融学院学报，2019（04）：60-74.
[5]王宪保，李洁，姚明海，何文秀，钱沄涛.基于深度学习的太阳能电池片表面缺陷检测方法[J].模式识别与人工智能，2014，27（06）：517-523.
[6]CHEN Y， LIN W， WANG J Z. A Dual-Attention- Based Stock Price Trend Prediction Model with Dual Features[M]. DO110.1109/ACCESS.2019.2946223，IEEE Access，2019.
[7]Hegde M S，Krishna G，Srinath R. An Ensemble Stock Predictor and Recommender System.IEEE，2018.
（作者單位：澳门城市大学）