机器学习白皮书系列之三：深度学习的方法介绍及金融领域应用实例-20180122-长江证券-27页-1mb

机器学习白皮书系列之三：深度学习的方法介绍及金融领域应用实例总结

核心内容

本报告围绕深度学习展开，介绍了其在金融领域的应用及局限性，涵盖了监督学习、无监督学习和强化学习三种主要类型。报告还对比了深度学习与传统机器学习的优劣，并分析了具体案例和效果。

---

主要观点

1. 深度学习的定义与优势

• 深度学习基于神经网络结构，通过多层信息处理提取输入与输出之间的非线性关系。
• 相较于传统机器学习，深度学习在处理非结构化数据和时间序列数据方面具有优势。
• 深度学习模型随着数据量的增加，其性能显著提升，适用于大规模数据集。

2. 深度学习在金融中的应用

• 智能投顾：利用深度学习对用户历史交易数据进行分析，实现自动化投资组合管理。
• 量化投资：深度学习用于选股和择时策略，如深度神经网络（DNN）和长短记忆网络（LSTM）。
• AIEQ案例：由EquBot公司推出的AI Powered Equity ETF，使用IBM Watson进行数据分析，但表现未达预期。

3. 深度学习与传统机器学习的比较

类型	传统机器学习	深度学习	金融领域情况	优劣比较
数据结构	适用于结构性数据	适用于结构性、非结构性及时间序列数据	当前以结构性和时间序列数据为主	传统机器学习更优
特征提取	人工提取	模型自动提取	仍以人工特征为主	自动提取效果不佳
数据级别	一般不处理大数据	可处理大数据	当前非大数据级别	无明显优劣
计算效率	一般	结构越复杂，计算量越大	多数策略对计算要求不高	传统机器学习更优
模型泛化能力	样本内表现良好，泛化能力较强	大数据情况下优于传统模型，小数据易过拟合	当前非大数据级别	传统机器学习更优
模型偏差	超参数可降低偏差	错误结构导致偏差	金融市场变化大	传统机器学习更优

---

关键信息

1. 深度学习常用算法

• 监督学习：深度神经网络（DNN）、循环神经网络（RNN）、长短记忆网络（LSTM）。
• 无监督学习：限制波尔兹曼机（RBM）。
• 强化学习：Q学习（Q-learning）。

2. 激活函数

• Sigmoid：早期常用，但存在梯度消失问题。
• Tanh：解决了Sigmoid的梯度消失问题，但仍有局限。
• ReLU：收敛速度快，但可能产生“坏死”神经元。
• LeakyReLU：改进ReLU，缓解坏死问题。
• Softplus：ReLU的平滑版本，避免梯度问题。

3. 深度神经网络（DNN）在选股上的应用

• 使用17个因子进行训练，模型结构为2个隐含层，分别有32个和8个神经元。
• 激活函数使用ReLU，输出层使用Sigmoid。
• 每月调仓，每年滚动更新模型。
• 从2011年回测至今，每年均获得正超额收益，但整体提升有限。

4. LSTM在选股上的应用

• 模型结构为两个LSTM隐含层，输出为32和8个神经元。
• 使用Sigmoid函数和信息熵作为损失函数。
• 回测结果整体优于DNN，但仍有提升空间。

5. 卷积神经网络（CNN）在金融中的应用

• 主要用于图像识别，如技术分析中的价格走势识别。
• 通过卷积和池化操作降低数据维度，提取主要特征。
• 可用于自动化技术分析，但实际应用仍处于探索阶段。

6. 限制波尔兹曼机（RBM）的应用

• 用于无监督学习，如数据重构和特征提取。
• 适用于多因子模型因子提取和数据降维。

7. 强化学习（RL）的应用

• 通过环境、行动和反馈机制进行学习，不依赖数据标注。
• Q学习算法用于价值函数的优化，适用于自动化交易。

---

金融应用局限性

1. 金融数据量不足：目前金融数据量尚不足以发挥深度学习在大数据处理上的优势。
2. 特征提取不优：深度学习在自动提取金融特征上表现不佳，仍依赖人工逻辑。
3. 市场环境复杂：金融市场存在大量人为因素，变化频繁，深度学习难以有效应对。
4. 过拟合风险：数据量少时，深度学习模型易出现过拟合，泛化能力差。

---

案例与效果

1. DNN多因子选股

• 分档效果显著，第一组超额收益高。
• 分年表现波动较大，但整体保持正超额收益。

2. LSTM多因子选股

• 效果优于DNN，但仍有提升空间。
• 分组收益差异明显，但部分组别表现不佳。

3. AIEQ智能ETF

• 2017年上市，表现波动较大，未达到预期。

---

结论

深度学习在金融领域仍处于探索阶段，其优势在某些场景下可能尚未显现。未来可能在高频交易和自动化交易中更具潜力。深度学习模型需要结合实际场景设计，以提升其在金融中的应用效果。