深度学习在金融中的应用

1.简介

股票市场预测，算法交易，风控授权，用户定位，资产定价和衍生品市场，机器学习的研究者开发可以提供实时解决方案的模型。相比机器学习，深度学习在最近几年带来了提升的兴趣。本文主要回答以下几个问题：

1.深度学习领域有什么金融应用

2.现在的研究成熟度如何

3.那些领域事有前景的领域（从学术界和工业界的视角来看）

4.哪个深度学习模型最受关注

5.深度学习相比传统的软件计算和机器学习技术有什么差别

6.深度学习在金融领域的未来研究方向是什么

2.金融领域的机器学习算法

常见的金融领域应用的机器学习算法：

ANN人工神经网络，专家系统，规则系统，hybrid model， 遗传算法，概率解释，模糊控制，粒子群优化 PSO（particle swarm optimization），PCA ，SVM。

3.常见的深度学习算法

• 深度多层感知机（DMLP）
• CNN
• RNN
• LSTM
• RBM
• DBN
• AE（auto encoder)
• others... deep reinforcement learning, generative adversarial networks, capsule networks, deep gaussian processes.

4.金融应用

4.1 算法交易

通过算法模型来来决定买入和卖出。可以决定可以通过简单的规则，数学模型，优化过程，或者机器学习/深度学习模型。

很多 算法交易模型通常是通过对价格预测来实现的，如高频交易模型等。由于金融的时间序列预测和算法交易高度相关，很机器学习的研究论文关注时间预测。

研究算法交易的模型主要包括以下方面：

• 使用包含时间序列预测的模型
• 分类模型，buy-sell 的信号，或趋势预测

4.2 风险评估

主要包括评估资产，公司，个人，产品或银行的风险。比如破产预测，信用得分，信用评估，贷款或保险认购，债券评级，消费额度的决定，企业信用评级，抵押物选择，金融危机预测，商业失败预测。正确识别风险状态在资产定价中非常关键。

评先评估主要关注信用得分了银行的危机分类，也有一些关注抵押贷款失效概率，交易风险监测和危机预测，也有一些关注欺诈监测。

4.3 欺诈监测

信用卡欺诈，洗钱，消费者信用欺诈，逃税，银行欺诈，保险理赔欺诈。这些通常被分类为异常检测和分类问题

4.4资产组合管理

在一个预先设定的周期内选择各种个样的资产，和其他的金融领域一样，不同的问题也是存在的。主要包括资产优化，资产选择，资产配置。

资产管理实际上是一个优化问题。识别最有可能带来最优组合的资产。很多遗传算法模型来解决这种问题。

同时又很多股票选择的使用。比如将股票氛围两类，地频喝高频交易股票。

4.5 资产定价和衍生品市场

4.6 区块链技术和密码币数字货币

4.7 金融情感分析和行为金融

通过文本挖掘技术，分析社交媒体的信息。通过分析结果来做一些趋势预测和算法交易模型。

4.8 金融文本分析

金融文本分析近几年变得越来越流行，比如新闻分析，流媒体分析（tweets)等，通过提取关键信息作为股票预测的输入特征。

5. 当前阶段深度学习应用的领域

5.1 热门的研究领域

image-20200301210341605.png

金融文本挖掘和算法交易还是研究最热门的领域。

5.2 热门模型

image-20200301210421920.png

主要的热门模型是RNN 和其相关模型