深度学习对金融市场预测的影响

　　人工智能越来越成为人类生活中不可或缺的一部分，深度学习作为人工智能中的主要算法，是对以往机器学习方法的一种拓展。目前，深度学习主要运用在计算机、工程学以及医学等领域，包括：语音识别，图像识别以及无人驾驶等。但将深度学习方法运用在金融市场预测领域还处于探索阶段，通过对以往文献的梳理，整理出深度学习在金融预测领域的主要研究方向，并对其优点和难点进行分析，最后对未来的深度学习研究进行展望。

　　关键词：深度学习;金融市场预测;优点与难点

　　一、引言

　　金融市场预测，尤其是对股票市场的预测一直以来都是学者们研究讨论的热点之一。在对股票市场进行预测时，传统的方法是将股票超额收益看成是由几个重要因子的组成的函数关系，利用Fama-Macbeth回归，估计出参数然后对未来收益进行预测，或者是使用动量效应进行未来趋势的预测。动量策略在发达国家市场上可以获得较为显著的收益回报，但是在发展中国家的股票市场，动量策略能否产生显著收益依旧是一个存在争议的问题。几个特征因子显然无法准确预测庞大且复杂的股票市场，且Fama-French三因子模型在我国股票市场比五因子模型更适用。这些问题就更加说明我国的股票市场同发达国家股票市场存在着很大差异，使用这些模型对金融市场进行预测具有一定借鉴作用，直接拿来使用可能收获不到期望的效果。金融市场预测又有其重要地位，它对防范系统性金融风险，管理市场以及监督市场等方面都起着重要作用。深度学习作为机器学习的一种，可以处理复杂的数据类型，适合处理金融市场数据。

　　二、深度学习的定义

　　金融市场的数据一般是时间序列数据，计量金融模型多建立在这些时间序列数据上，与传统计量模型不同，机器学习(Ma-chineLearning)发源于计算机领域，综合计算机科学、工程学以及统计学等学科的知识，它也是一类算法的总称，被广泛应用于计算机、工程以及医学等领域，但在金融领域的应用仍处于探索阶段。深度学习是传统机器学习的延伸，一般指加深了层的深度神经网路，通过传统的机器学习方法(如神经网络)，增加隐藏层，就可以创建深度学习网络。深度学习方法克服了原来机器学习会产生梯度消失、过度拟合以及无法解决复杂系统结构的问题，而金融市场具有复杂的结构特征，使用深度学习方法会更加有效。深度学习方法是一类模型的总称，常见的深度学习模型有：卷积神经网络(ConvolutionalNeuralNetwork，CNN)，深度信念网络(DeepBeliefNetworks，DBNs)，堆栈自编码网络(stackedauto-encodernetwork)，循环神经网络(RecurrentNeuralNetwork，RNN)，长短期记忆网络(LongShortTermMemoryNetwork，LSTM)等。

　　三、深度学习与金融市场预测

　　深度学习对金融市场进行预测一般有以下几种途径：

　　(一)通过对时间序列数据的建模

　　金融市场(如汇率，期货，股票等)数据多为时间序列数据。传统的线性建模方法一般为建立GARCH族或者ARIMA模型，而金融市场数据，尤其是股票市场多表现为非线性的特征，所以一般线性建模方法在股票市场并不适用。张承钊(2016)提出经验模态分解、主成分分析和神经网络综合在一起的FEPA模型(FTSEMD-PCA-ANN)，将该模型运用于沪深300指数的预测，获得的精度高于传统线性模型和传统机器学习算法[1]。曾志平(2017)利用DBN模型在识别图像方面的优势，将原始时间序列数据转化为时序数据曲线，将数学模型转化为图像识别问题，使得预测的准确率达到90%[2]。Kraussetal(2017)利用1992年～2015年标普500的所有成分股构建等权重集(ENS1)———深度神经网络(DNN)、梯度提升树(GradiantBoostTree)和一个随机森林构成的集合，其中做多每日收益前十的股票，做空收益后十名的股票，每日可以获得0.45%的样本外收益[3]。Fischeretal(2018)利用1992年～2015年标普500的成分股构建长短期记忆网络(LSTM)，发现该模型能有效的从嘈杂的金融序列中提取到有效信息，且预测准确度高于随机森林法、标准深度网络和logistic回归[4]。Hiranshaetal(2018)利用印度国家证券交易所(NSE)和纽约证券交易所(NYSE)的股票数据建立线性和非线性模型，发现卷积神经网络(CNN)的预测精度要高于其他模型的预测精度[5]。

　　(二)通过文本数据来挖掘信息

　　上市公司会进行公开披露，新闻也会报道行业信息，如何从这些海量文本中挖掘出有用的信息并进行分析，是收益预测的另一种方法。传统的机器学习通过提取文本中的关键词，语气词构建相关指标，用来解释市场超额收益。而传统的机器学习方法无法捕捉文本中复杂的非线性特征，所以深度学习方法又提供了解决思路。Dingetal(2015)发现在股票市场预测上，结构性事件的特征决定其预测效果优于一般文本词汇。将张量神经网络和卷积深度神经网络结合成新的深度学习模型，对标普500中的个股进行股价预测，首先使用张量神经网络提取文本中的事件，通过对文本内容的有机结合，形成具有逻辑的结构性事件，这与传统机器学习单一的提取一类词语有着明显的不同。将提取出的事件输入到卷积神经网络中进行训练，卷积神经网络提取事件重要特征，并且考虑到事件的历史影响，最后得到个股预测准确度比标准前馈神经网络(RNN)得出的结果高出6%[6]。

　　(三)将深度学习运用到量化投资

　　量化投资一般是指建立先进的数学模型，通过电脑代替人脑进行证券市场操作，避免在市场波动情况下投资人进行非理性投资。Zhu(2014)利用深度信念网络(DBNs)深入学习股票交易历史数据，对未来一段时间的股价进行粗略估计，利用灰色关联度来确定影响股市的因素权重，再引入振荡箱理论进行决策。利用标普500中的400只股票进行检验，发现该选股系统的确可以为股票交易者提供建议[7]。李斌等(2017)利用ML-TEA方法选择了19个指标，对864只可融资融券标的股票构造量化投资组合，该方法包含三种投资策略：一是支持向量机和技术分析策略(SVM-TEA)，二是基于神经网络和技术分析的策略(NN-TEA)，三是基于Adaboost集成的神经网络和技术分析的策略(Ada-TEA)。最后发现该策略构造出来的投资组合，无论是在风险还是收益方面，都超过其他策略方法[8]。李斌等(2019)利用1997年～2018年A股市场96个异象因子构建了12种机器算法，在这些算法构建的量化投资模型中，发现深度前馈神经网络能够获得最高的月度收益[9]。

　　四、深度学习的优点与难点

　　总体上可以看出，深度学习算法在金融市场预测方面具有以下优点：一是深度学习算法预测精度优于计量经济模型以及一般机器学习算法，学者们多使用深度学习算法与其他模型作比较，并通过不断地改进深度学习算法提高预测精度。二是深度学习在处理股票市场等复杂系统上具有先天优势，神经网络本身可以仿照人脑进行建模分析，而深度学习属于加深了一般神经网络的层数，使其在处理复杂数据上更有效果。三是深度学习拓宽了金融市场预测的数据类型。以往金融市场预测大多使用的是金融时间序列数据，或者是使用文本数据中某些关键词构成指标进行预测分析。深度学习可以使用图片、或者提取事件的方法，这突破以往数据的局限性，为研究金融市场提供了一种新的思路。目前使用深度学习进行金融市场预测的学者多以提升预测精度为目标，而深度学习在金融领域的应用尚处于探索阶段，金融领域逐渐趋向于智能化，智能投顾、智能投研以及智能投资逐渐出现在我们的生活中，但若想完全实现这些则需要更加复杂的深度学习算法。所以深度学习方法也存在一些难点：

　　(一)构建隐藏层数

　　金融市场数据多以时间序列数据为主，时间序列数据通常有时间依赖性，金融市场数据会随时间而发生变化，并且具有很强的季节性。而金融市场数据，尤其是股票市场数据具有复杂的非线性特征，其通常具有很大的噪音和很高的维度，使用降维方法又可能导致部分信息的损失。传统线性模型以及机器学习方法使用在这些数据上得出的结果并不是很理想。对于深度学习方法，恰好可以满足这种复杂条件的需求，但就模型的构造上来说，堆叠的层数也是深度学习模型建立的难点，使用堆叠的层数越多，所构造的模型就越复杂。但究竟多复杂才适合在金融市场数据上建立模型呢?往往多增加一层堆叠，就会加剧运算所需要的时间和空间。

　　(二)预测模型的稳健性

　　深度学习在面对不同类型或频率的数据会识别不同的特征，从而导致模型容易发生变化。在对同一市场不同频率和维度下的检验，仍然需要大量反复的实验，才能确定某一模型是否符合金融实际。

　　(三)在金融学上的意义

　　传统计量模型要求参数的显著性，通过显著性来确定变量之间是否有相关性。然而深度学习不再将模型参数当作重点，其更加关注模型自身的结构特征以及随时间推移而形成的动态变化。例如金融市场预测时，深度学习更关注模型对未来预测的精度，它关心的是：相比于其它模型，构造出的深度学习模型是否能预测的更准确。却很少考虑参数是否显著，得出的结果是否稳健。

　　五、结论和启示

　　深度学习的方法已经在计算机、医药等行业广泛使用，在图片识别、语音识别等各个领域发挥了重要作用。其研究方法无疑为金融市场研究提供了一种新的思路，目前，使用深度学习的方法对中国金融市场研究的学者还很少。未来深度学习在金融市场的研究可以从以下几个方面入手：一是将传统金融研究方法与深度学习方法相结合，提高模型预测准确性。深度学习在实证过程中可能会遗漏掉重要经济变量，从而使得模型参数产生偏误，所以在使用深度学习算法的同时还应该结合传统计量方法和金融实际。二是可以使用图片和文字等数据进行深度学习分析，挖掘可以使用的信息并进行预测。金融数据往往以趋势图的形式出现在人们生活中，图片观察起来更加直观，从图片中可以提取到金融市场运动的趋势。三是更新深度学习的算法，缩短对大数据的计算时间。深度学习增加了模型的复杂程度，即便是使用计算机进行学习，依旧会花费大量的运算时间，所以优化算法也是未来深度学习需要改进的一个方向。

　　作者：范凯隆 单位：兰州大学经济学院