虽然金融领域是计算密集程度很高的一个领域, 但是我们也有很多的监督模型和非监督模型在这个领域应用但是由于金融领域的复杂性以及数据的非线性, 使得很多的模型都会过度拟合, 因为各个数据点之间彼此的关联度很高
为了解决这个问题, 我们联想到了现在最热门的深度学习技术深度学习技术在图像处理, 语音识别或者情感分析等领域都有了比较好的效果, 我们发现这些模型可以从大规模的标记数据中学习, 形成非线性关系, 并且可以有方法来调整参数避免过度拟合
如果这些模型可以在金融领域找到对应的应用, 那么这个影响会是非常广泛的比如, 这些模型可以用于定价, 投资组合构建, 风险管理甚至是高频交易等领域因此, 今天也让我们对一些领域进行简单的分析
投资回报预测
以预测每日黄金价格为例子, 让我们首先来看看传统的方法是如何处理的
ARIMA
使用 ARIMA 技术, 试图预测黄金价格, 我们得到如下结果:
VAR
如果我们将相关的预测变量添加到我们的自回归模型中, 并且转到向量自回归模型, 那么我们就可以得到如下结果:
深度学习回归 (Deep Regression)
如果我们在数据上应用简单的深度学习回归模型, 使用相同的输入数据, 那么我们可以得到更好的结果, 如下:
卷积神经网络
修改我们上述的神经网络模型, 我们使用卷积神经网络来替代上述的普通神经网络, 得到的结果如下:
这个结果看起来已经不错了, 但是接下来的模型会带来更加好的结果
LSTM
LSTM 是循环神经网络的一个变体, 它带来了更好的结果, 如下所示:
总的来说, 如果从均方误差的值来进行评估, 我们的模型效果越来越好
投资组合
我们尝试利用深度学习解决的第二个问题就是投资组合问题我们的研究是收到一篇叫做 Deep learning for finance: deep portfolios 的论文启发, 深度学习在这个问题上面有一个很好的组合架构
文章的作者试图做的是将自己的时间序列映射到自己设计的自编码器中把这些自编码器的预测误差称为股票 beta 值, 也就是自编码器就可以成为市场反应了
基于上述自编码器的预测误差来选择多种股票组合, 我们还可以使用另一个神经网络来构造一个指数预测模型, 这样把两个模型进行结合, 那么会达到很好的效果
这里的深度神经网络的一些特征数据来构造股票指数模型
但这只是一个开始, 如果我们应用一些智能检索, 将一些衰减股票进行剔除, 并且在一些优质股票上面对指数模型进行强化, 那么我们就可以获得超过指数的投资回报
也许这个技术在投资组合领域具有巨大的潜力
总结
当前的金融投资环境是在引入各种建模人才, 使得大量的数据科学家都在进入这个领域, 这对传统金融行业来说是一大挑战你看像 RelTec 和 Worldquant 这样的对冲基金都已经在他们的交易系统中使用这种技术了随着这些复杂模型在其他领域已经有了不错的表现, 但是在金融建模领域才刚刚开始, 这其中有一个巨大的创新空间
如果我们能在金融领域应用我们的这些工具来提高效率, 提高交易模型透明度, 那么这将给我们带来巨额的回报
来源: http://www.jianshu.com/p/86e09a28d656