【综述】金融领域中的深度学习，附52页论文下载

2020 年 2 月 27 日 专知

【简介】近些年，将计算智能应用于金融业已经引起了学术界和金融界的广泛关注。研究人员发布了大量的研究成果和各种各样的模型。同时，在机器学习领域，深度学习在近期也引起了大量的关注，主要是因为这些经典的深度学习模型表现优于传统模型。金融是深度学习模型开始受到关注的一个特殊领域，然而，这个领域非常开放，仍然存在很多研究机会。在这篇综述中，我们尝试着提供一个已经开发好的，可用在金融应用当中的深度学习模型。我们不仅根据模型的实现进行了分类，还对这些深度学习模型进行了分析。此外，我们还旨在确定未来深度学习模型在金融领域有可能的实现，以及强调了该领域正在进行的研究。

原始链接：

https://arxiv.org/abs/2002.05786

介绍

股票市场预测、算法交易、信用风险评估、投资组合配置、资产定价和衍生品市场都是机器学习研究人员关注的领域，他们致力于开发出能够为金融业提供实时工作解决方案的模型。因此，目前文献中存在大量有关的出版物和实现。

然而，在机器学习领域中，深度学习是一个新兴的领域，并且每年都在快速增长。结果越来越多的深度学习金融模型开始出现在会议和期刊上。我们在这篇论文中关注的是目前在金融领域深度学习模型之间的不同之处。在这种方式下，依据各自的兴趣点研究人员和从业者可以决定他们应该走哪条路。

在这篇论文中，我们尝试着为下列研究中的问题提供答案：

有哪些金融应用可以用到深度学习？
当前在这些应用领域中的研究现状如何？
从学术/工业研究的角度来看，哪些领域有很大的潜力？
在不同的应用环境中哪些深度学习模型表现更好？
深度学习模型和传统的机器学习技术相比如何？
在金融领域深度学习研究的未来方向是什么？

金融领域中的机器学习

早在40年前，金融就一直是最受机器学习关注的应用领域之一。到目前为止，在金融的各个领域已经发表了成千上万的研究论文，整体的兴趣似乎不会很快消失。尽管这篇调查论文仅仅关注于深度学习的实现，但是我们希望通过引用过去20年的相关调查，为读者提供一些以前在金融领域关于机器学习研究的见解。

深度学习

深度学习是一种特定类型的机器学习，由多个ANN层组成。它为数据建模提供了高级别的抽象。目前，主要的深度学习模型有以下几种：

DMLP(深度多层感知机)、CNNs、RNNs、LSTM、RBMs(受限波兹曼机）、DBNs(Deep Belief Networks 和自编码器（AEs）。

DMLP(深度多层感知机）

CNNs

RNNs

LSTM

RBMs(受限波兹曼机）

DBNs(Deep Belief Networks)

AEs(自编码器）

在金融中的应用

文献中有很多关于软计算的金融应用。虽然深度学习已经在大多数领域被研究过，但是在一些领域仍然存在一些机会。在本节中，我们对实现深度学习的金融子领域进行了分类，并在单独的小节中介绍它们。此外，我们在每一小节中都列出了相关研究的代表性特征，以便在有限的篇幅内提供尽可能多的信息。此外，读者应该注意到，有些论文在不同的实施领域之间有一些重叠。这主要有两个原因:在一些论文中，多个问题被分别处理，例如文本挖掘用于特征提取，然后实现算法交易。对于其他一些情况，由于调查结构的原因，本文可能适用于多个实现领域，例如加密货币投资组合管理。在这种情况下，我们在所有相关的小节中都包含了这些论文，造成了一些重叠。

交易算法