【AI+金融】《将深度神经网络应用于金融时序预测》斯坦福

摘要

对于任何金融机构来说，预测经济和金融变量都是一项关键操作。随着需要预测的粒度增加，传统的统计时间序列模型可能无法很好地扩展；另一方面，很容易错误地过拟合机器学习模型。在本章中，我们将描述传统时序分析的基础知识，讨论神经网络的工作原理，展示如何使用神经网络实现时间序列预测，最后展示一个来自微软的真实数据示例。特别是，微软成功地使用深度神经网络与课程学习进行收入预测，实现了比传统技术更高的精度。

介绍了一个真实案例研究，摘自微软 [19] 进行的研究。开发了特定方法来预测与企业和中小型企业 (SMC) 产品相对应的 Microsoft 收入数据，这些数据跨越全球约 60 个地区，涉及 8 个不同的业务部门，总计数百亿美元。特别是，这种时间序列预测是通过借鉴自然语言处理（编码器-解码器 LSTM）和计算机视觉（扩张 CNN）的深度学习技术来完成的。对于这两种技术，都引入了课程学习训练制度，该制度在越来越难以预测的趋势线上进行训练。相对于微软以前使用传统技术的基线预测模型，由此产生的预测在测试数据的整体准确性上提高了 30%。