深度學(xué)習在金融風(fēng)險管理的應用論文
［提要］隨著(zhù)科學(xué)技術(shù)的發(fā)展以及金融市場(chǎng)數據愈加復雜化的特性，深度學(xué)習模型更為適合金融市場(chǎng)上數據規模大、高維度以及流數據特性的數據特征，其應用不但在金融風(fēng)險管理領(lǐng)域中的預測分析方法進(jìn)行了提升，而且促使實(shí)證研究范式從線(xiàn)性向非線(xiàn)性轉變、從關(guān)注參數顯著(zhù)性向關(guān)注模型結構和動(dòng)態(tài)特征轉變，同時(shí)能夠更好地捕捉尾部風(fēng)險，在實(shí)證領(lǐng)域的成果在一定程度上助推相關(guān)金融風(fēng)險管理理論的成長(cháng)與完善。但深度學(xué)習的應用也面臨著(zhù)程序錯誤、主觀(guān)判斷誤差、金融監管不足等方面的挑戰。為此，在金融風(fēng)險管理領(lǐng)域中需要合理運用深度學(xué)習模型。
關(guān)鍵詞：深度學(xué)習；金融風(fēng)險管理；卷積神經(jīng)網(wǎng)絡(luò )；深度置信網(wǎng)絡(luò )；堆棧自編碼網(wǎng)絡(luò )
一、引言
金融市場(chǎng)上的主體都面臨著(zhù)收益和損失的不確定性，金融產(chǎn)品和工具的多樣化趨勢，都體現著(zhù)風(fēng)險管理的重要性。全球市場(chǎng)在過(guò)去的幾十年間發(fā)生了數次規模巨大的金融危機事件，例如影響全球股市的1987年的黑色星期一事件、1997年的亞洲金融危機、2008年的美國次貸危機以及全球金融危機。各家公司也都面臨著(zhù)各種風(fēng)險。無(wú)處不在的風(fēng)險日益成為懸在金融市場(chǎng)主體上的一把“達摩克利斯之劍”。與此同時(shí)，計算機技術(shù)發(fā)展迅速，數據信息的多樣性以及數據分析技術(shù)的應用，給具有大數據特征的金融風(fēng)險管理分析帶來(lái)了機遇和挑戰，人工智能開(kāi)始逐步應用于金融風(fēng)險管理領(lǐng)域，引導著(zhù)行業(yè)的變革。而在演進(jìn)的發(fā)展過(guò)程中，深度學(xué)習是解決人工智能應用能夠發(fā)展的關(guān)鍵。金融市場(chǎng)是一個(gè)嘈雜的、具有非參數特點(diǎn)的動(dòng)態(tài)系統，對金融數據進(jìn)行分析與預測是一項極具挑戰性的工作。但是，傳統的計量方程模型或者是帶有參數的模型已經(jīng)不具備對復雜、高維度、帶有噪音的金融市場(chǎng)數據序列進(jìn)行分析建模的能力，而且傳統的人工神經(jīng)網(wǎng)絡(luò )方法也無(wú)法準確分析建模如此復雜序列的數據，同時(shí)傳統的機器學(xué)習的方法又十分依賴(lài)建模者的主觀(guān)設計，很容易導致模型風(fēng)險。這些方法在應用過(guò)程中存在著(zhù)過(guò)擬合、收斂慢等問(wèn)題。而深度學(xué)習方法為金融數據分析提供了一個(gè)新的思路。近年來(lái)，深度學(xué)習被廣泛應用到人工智能任務(wù)中（如AlphaGo），并在圖像處理、人臉識別、語(yǔ)音識別、文本處理等方面取得一系列成果。因此，隨著(zhù)金融數據復雜程度的提高，帶來(lái)了對其分析需求的提升，因而深度學(xué)習的應用已經(jīng)成為了金融風(fēng)險管理領(lǐng)域的研究前沿，也必將在金融風(fēng)險管理領(lǐng)域產(chǎn)生顛覆性的變革。
二、深度學(xué)習在金融風(fēng)險管理領(lǐng)域主要應用研究
深度學(xué)習是通過(guò)人工神經(jīng)網(wǎng)絡(luò )發(fā)展而衍生的，包含復雜多層次的學(xué)習結構，其建立是基于模仿人類(lèi)大腦的學(xué)習機制。深度學(xué)習模型通過(guò)對每一數據特征的學(xué)習，繼而將新的特征輸入到下一層中，在這個(gè)過(guò)程中新的特征是通過(guò)對學(xué)習到的數據特征進(jìn)行特定的特征變換得到的，提升了模型的預測效果。堆棧自動(dòng)編碼器和深度置信網(wǎng)絡(luò )模型是由自動(dòng)編碼器和受限玻爾茲曼機串聯(lián)而組成的（Najafabadietal.，2015），在針對大量數據時(shí)，這類(lèi)結構具備對其進(jìn)行無(wú)監督學(xué)習（HintonandSalakhutdinov，2006）；在運用深度置信網(wǎng)絡(luò )時(shí)，其算法主要包括馬爾科夫鏈蒙特卡羅算法、Gibbs采樣算法、受限玻爾茲曼機評估算法、重構誤差、退火式重要性抽樣等。卷積神經(jīng)網(wǎng)絡(luò )最早被用于圖像識別領(lǐng)域，使其技術(shù)上在特征提取技術(shù)方面邁了一大步，應用原理為通過(guò)應用卷積核于局部特征提取得到新的模糊圖像。在深度學(xué)習模型中，存在傳統反向傳播算法和梯度下降法計算成本較高的問(wèn)題，為了進(jìn)一步更好地應用深度學(xué)習模型，解決這些問(wèn)題，Hintonetal.（2006）提出了貪心逐層算法，大大地減少了訓練學(xué)習過(guò)程所需的時(shí)間。Raikoetal.（2012）發(fā)展了一種非線(xiàn)性變換方法，極大地提升了學(xué)習算法的速度，從而有利于尋找泛化性更好的分類(lèi)器。Collobert（2011）發(fā)展了一種快速并且可以擴展的判別算法，使其用于自然語(yǔ)言解析，僅僅使用很少的基本文本特征便能得到性能，并且與現有的性能相差不大，而且大大提高了速度。學(xué)習率自適應方法如自適應梯度方法（Duchietal.，2011），可以提升深度結構中訓練的收斂性并且除去超參數中存在的學(xué)習率參數；LeRouxetal.（2008，2011）提出了在學(xué)習場(chǎng)景中能提升訓練過(guò)程速度的算法。這一系列算法改進(jìn)，極大地改善了模型的預測效果，為深度學(xué)習在金融領(lǐng)域的發(fā)展奠定了基礎。
�。ㄒ唬┥疃染矸e神經(jīng)網(wǎng)絡(luò )在金融風(fēng)險管理中的應用。
在金融風(fēng)險管理領(lǐng)域，深度卷積神經(jīng)網(wǎng)絡(luò )主要應用于預測及評估風(fēng)險。不同于傳統方法，深度學(xué)習模型不需要對收益率的分布進(jìn)行假設和方差的估算。李卓（2017）提出了深度學(xué)習VaR測算方法，基于損失序列本身構建深度學(xué)習模型，研究發(fā)現此方法相較于A(yíng)RCH族模型下的VaR計算更為精確�；诖�，韓正一（2016）拓寬了銀行風(fēng)險監測和管理的方法和思路，應用最新的人工智能技術(shù)，即深度神經(jīng)網(wǎng)絡(luò )方法，于信貸風(fēng)險監測領(lǐng)域，優(yōu)化模型的訓練方法，經(jīng)過(guò)測試發(fā)現效果顯著(zhù)。Sirignano（2016）以深度神經(jīng)網(wǎng)絡(luò )為基本結構，基于真實(shí)事件的發(fā)生概率建立了深度學(xué)習模型，通過(guò)模擬價(jià)格的深層信息的D維數據空間局部特征生成一個(gè)低維的價(jià)格空間，從而對價(jià)格進(jìn)行預測。該模型不僅能夠應用與分析樣本外時(shí)間的最優(yōu)賣(mài)出價(jià)格和最優(yōu)買(mǎi)入價(jià)格的聯(lián)合分布，也能夠對限價(jià)指令簿的其他行為進(jìn)行建模分析，適用于對任一D維空間數據進(jìn)行分析建模。他進(jìn)一步指出，因為深度神經(jīng)網(wǎng)絡(luò )可以較好地提取限價(jià)指令簿的深層信息，故在應用于風(fēng)險管理中，能較好地處理尾部風(fēng)險，其研究具有特別的意義。
�。ǘ┥疃戎眯啪W(wǎng)絡(luò )在金融風(fēng)險管理中的應用。
深度置信網(wǎng)絡(luò )在金融風(fēng)險管理中的應用主要是對風(fēng)險進(jìn)行度量和預警。為了解決有監督學(xué)習問(wèn)題，使受限波爾茲曼機能夠較大程度地提取數據的行為特征，盧慕超（2017）提出了基于分類(lèi)分區受限波爾茲曼機的深度置信網(wǎng)絡(luò )，利用單戶(hù)企業(yè)財務(wù)數據，建立了財務(wù)危機預警模型，相較于其他方法預測更為準確。丁衛星（2015）基于深度置信網(wǎng)絡(luò )模型，訓練生成了一個(gè)五層的深度學(xué)習交易欺詐偵測系統，經(jīng)過(guò)對數據的一系列處理，檢驗了模型的交易欺詐識別效果。
�。ㄈ┒褩Ｗ跃幋a網(wǎng)絡(luò )在金融風(fēng)險管理中的應用。
楊杰群（2015）認為深度學(xué)習是處理股指期貨的有效方法，將深度絡(luò )用于股指期貨的預測中進(jìn)行研究，基于自動(dòng)編碼器等算法建立深度絡(luò )模型，并進(jìn)行對比分析，最終根據交易抉擇設計了用于交易的網(wǎng)絡(luò )預測系統。另外，對金融產(chǎn)品與工具的有效管理，能夠有效地避免一些金融市場(chǎng)上的非系統性風(fēng)險。FehrerandFeuerriegel（2015）基于遞歸自動(dòng)編碼器預測模型，利用2004年1月至2011年6月期間的股票數據，測試對已披露財務(wù)信息的反應。他們重點(diǎn)研究了特殊的新聞文本信息和異常收益率之間的相關(guān)關(guān)系，基于此模型對其進(jìn)行預測。還有部分文獻中，重點(diǎn)研究分析財務(wù)文本與風(fēng)險信息的相關(guān)關(guān)系，對其進(jìn)行風(fēng)險預測。從銀行、國家、歐洲三個(gè)層面，基于銀行破產(chǎn)事件、政府干預行為等來(lái)研究分析文本信息中隱藏的銀行危機信息，基于深度神經(jīng)網(wǎng)絡(luò )結構來(lái)挖掘其中的關(guān)系。
三、深度學(xué)習在金融風(fēng)險管理領(lǐng)域中的應用貢獻及挑戰
�。ㄒ唬┥疃葘W(xué)習在金融風(fēng)險管理領(lǐng)域中的應用貢獻。
傳統方法在應用于具有復雜數據特征的金融風(fēng)險管理領(lǐng)域容易出現以下問(wèn)題：第一，傳統建模方法往往難以挖掘復雜的數據特征，傳統方法無(wú)法準確地反映金融市場(chǎng)特征，容易忽略很多外因，如政策變化、經(jīng)濟發(fā)展水平、行為人預期及心理變化等與市場(chǎng)相關(guān)的因素，這些因素增加了發(fā)現金融風(fēng)險隱藏的經(jīng)濟理論邏輯的困難（尚玉皇和鄭挺國，2016）；第二，傳統模型由于過(guò)度依靠研究者的主觀(guān)設計，包含了主觀(guān)因素，導致設計具有不完整性的特征。另外，傳統的線(xiàn)性方法需要強烈的“線(xiàn)性”假設，而傳統的機器學(xué)習方法無(wú)法較好地處理噪音信號。這些問(wèn)題制約了對金融市場(chǎng)中數據的準確預測與分析。通過(guò)梳理已有相關(guān)國內外研究文獻，在金融風(fēng)險管理領(lǐng)域中，深度學(xué)習的貢獻主要分為兩個(gè)方面：一是深度學(xué)習具備強大的挖掘學(xué)習能力，能夠更為準確地挖掘隱藏于數據深層的規律，更適用于具備規模大、維度高以及流數據的數據特征的金融市場(chǎng)，深度學(xué)習的應用不但推動(dòng)了該領(lǐng)域中的預測方法的改進(jìn)，還優(yōu)化了適用于深度網(wǎng)絡(luò )、解決無(wú)效訓練問(wèn)題的算法，帶來(lái)了傳統實(shí)證應用研究方法的進(jìn)步；二是深度學(xué)習在金融風(fēng)險管理領(lǐng)域數據分析方法的成果也推動(dòng)了相關(guān)經(jīng)濟理論的發(fā)展與完善。
�。ǘ┥疃葘W(xué)習在金融風(fēng)險管理領(lǐng)域中的應用挑戰。
金融科技的不斷發(fā)展給金融風(fēng)險管理領(lǐng)域帶來(lái)了機遇，同時(shí)深度學(xué)習在金融風(fēng)險管理領(lǐng)域也面臨著(zhù)諸多挑戰。第一，深度學(xué)習的應用面臨著(zhù)程序出錯的風(fēng)險，如果發(fā)生，那么基于此的數據分析就容易得到有誤的結論。在金融風(fēng)險管理過(guò)程中，基于對大量數據分析的結果，進(jìn)而對風(fēng)險進(jìn)行預測和評估分析。如果程序發(fā)生了錯誤，研究者就無(wú)法做出正確的風(fēng)險管理決策，進(jìn)而遭受損失；第二，深度學(xué)習模型的正確運用需要研究者對深度學(xué)習模型具備深刻的理解，并且能夠結合在金融風(fēng)險管理領(lǐng)域的專(zhuān)業(yè)理論知識。由于模型的構建與優(yōu)化較為復雜，研究者對金融市場(chǎng)及風(fēng)險管理理論的準確認識極為重要，不了解相關(guān)理論知識，而單純應用深度學(xué)習無(wú)法發(fā)揮模型的作用；第三，深度學(xué)習模型的發(fā)展及推廣應用使得許多金融傳統業(yè)務(wù)的運作模式發(fā)生了改變，使金融監管面臨著(zhù)新的挑戰�，F有的金融監管體系下難以界定由于金融科技故障進(jìn)而導致的風(fēng)險事件責任。這些都使得深度學(xué)習模型的應用存在一些問(wèn)題。
四、在金融風(fēng)險管理領(lǐng)域中合理運用深度學(xué)習的對策建議
在金融風(fēng)險管理領(lǐng)域正確地運用深度學(xué)習模型有利于提升金融數據的處理速度、極大減少人力成本，進(jìn)而推動(dòng)金融風(fēng)險管理過(guò)程的改進(jìn)。同時(shí)，其應用也會(huì )存在著(zhù)挑戰。為此，探討如何合理運用深度學(xué)習模型的問(wèn)題具有深刻的意義。首先，需要正確認識金融系統中的深度學(xué)習運用，完善模型程序設計的原則及流程，盡量降低程序出現錯誤的概率；其次，完善深度學(xué)習的應用體系，制定相關(guān)的維護技術(shù)措施、人力措施，引進(jìn)及培養相應領(lǐng)域的人才，加快轉型；最后，完善深度學(xué)習在金融風(fēng)險管理領(lǐng)域應用的監督措施，確保出現由于人工智能應用導致的重大問(wèn)題或隱患時(shí)，具備相應的準則來(lái)界定風(fēng)險處置責任。深度學(xué)習模型的應用在相關(guān)領(lǐng)域的完善也必將推動(dòng)金融風(fēng)險管理領(lǐng)域的快速發(fā)展。
主要參考文獻：
�。�1］于孝建，彭永喻.人工智能在金融風(fēng)險管理領(lǐng)域的應用及挑戰［J］.南方金融，2017（9）.
�。�2］蘇治，盧曼，李德軒.深度學(xué)習的金融實(shí)證應用：動(dòng)態(tài)、貢獻與展望［J］.金融研究，2017（5）.
�。�3］于振，丁冰冰，劉永健.深度學(xué)習在農村金融行業(yè)風(fēng)險管理中的應用研究［J］.科技資訊，2017.15（15）.
�。�4］劉建偉，劉媛，羅雄麟.深度學(xué)習研究進(jìn)展［J］.計算機應用研究，2014.31（7）.
�。�5］盧慕超.基于深度置信網(wǎng)絡(luò )的商業(yè)銀行信用風(fēng)險預測實(shí)證研究［D］.太原理工大學(xué)，2017.
�。�6］李卓.基于深度學(xué)習的VaR測算研究［D］.蘭州財經(jīng)大學(xué)，2017.
�。�7］韓正一.基于深度神經(jīng)網(wǎng)絡(luò )的銀行信貸風(fēng)險監測模型研究及實(shí)驗［D］.鄭州大學(xué)，2016.
�。�8］楊杰群.基于深度學(xué)習之股指期貨交易［D］.中國科學(xué)技術(shù)大學(xué)，2015.
�。�9］尚玉皇，鄭挺國.短期利率波動(dòng)測度與預測：基于混頻宏觀(guān)-短期利率模型［J］.金融研究，2016（11）.
【深度學(xué)習在金融風(fēng)險管理的應用論文】相關(guān)文章：
企業(yè)知識管理應用論文12-30
企業(yè)知識管理應用論文5篇12-03
關(guān)于病房護理管理中優(yōu)質(zhì)護理的應用價(jià)值的論文08-21
電子商務(wù)應用論文12-24
計算機應用論文06-25
財務(wù)管理在企業(yè)中的應用論文【推薦】08-25