深度学习在金融风险管理领域应用.docVIP

深度学习在金融风险管理领域应用 　　[提要] 随着科学技术的发展以及金融市场数据愈加复杂化的特性，深度学习模型更为适合金融市场上数据规模大、高维度以及流数据特性的数据特征，其应用不但在金融风险管理领域中的预测分析方法进行了提升，而且促使实证研究范式从线性向非线性转变、从关注参数显著性向关注模型结构和动态特征转变，同时能够更好地捕捉尾部风险，在实证领域的成果在一定程度上助推相关金融风险管理理论的成长与完善。但深度学习的应用也面临着程序错误、主观判断误差、金融监管不足等方面的挑战。为此，在金融风险管理领域中需要合理运用深度学习模型。 　　关键词：深度学习；金融风险管理；卷积神经网络；深度置信网络；堆栈自编码网络 　　中图分类号：F83 文献标识码：A 一、引言 　　金融市场上的主体都面临着收益和损失的不确定性，金融产品和工具的多样化趋势??都体现着风险管理的重要性。全球市场在过去的几十年间发生了数次规模巨大的金融危机事件，例如影响全球股市的1987年的黑色星期一事件、1997年的??洲金融危机、2008年的美国次贷危机以及全球金融危机。各家公司也都面临着各种风险。无处不在的风险日益成为悬在金融市场主体上的一把“达摩克利斯之剑”。与此同时，计算机技术发展迅速，数据信息的多样性以及数据分析技术的应用，给具有大数据特征的金融风险管理分析带来了机遇和挑战，人工智能开始逐步应用于金融风险管理领域，引导着行业的变革。而在演进的发展过程中，深度学习是解决人工智能应用能够发展的关键。金融市场是一个嘈杂的、具有非参数特点的动态系统，对金融数据进行分析与预测是一项极具挑战性的工作。但是，传统的计量方程模型或者是带有参数的模型已经不具备对复杂、高维度、带有噪音的金融市场数据序列进行分析建模的能力，而且传统的人工神经网络方法也无法准确分析建模如此复杂序列的数据，同时传统的机器学习的方法又十分依赖建模者的主观设计，很容易导致模型风险。这些方法在应用过程中存在着过拟合、收敛慢等问题。而深度学习方法为金融数据分析提供了一个新的思路。 　　近年来，深度学习被广泛应用到人工智能任务中（如AlphaGo），并在图像处理、人脸识别、语音识别、文本处理等方面取得一系列成果。因此，随着金融数据复杂程度的提高，带来了对其分析需求的提升，因而深度学习的应用已经成为了金融风险管理领域的研究前沿，也必将在金融风险管理领域产生颠覆性的变革。 二、深度学习在金融风险管理领域主要应用研究 　　深度学习是通过人工神经网络发展而衍生的，包含复杂多层次的学习结构，其建立是基于模仿人类大脑的学习机制。深度学习模型通过对每一数据特征的学习，继而将新的特征输入到下一层中，在这个过程中新的特征是通过对学习到的数据特征进行特定的特征变换得到的，提升了模型的预测效果。 　　堆栈自动编码器和深度置信网络模型是由自动编码器和受限玻尔兹曼机串联而组成的（Najafabadi et al.，2015），在针对大量数据时，这类结构具备对其进行无监督学习（Hinton and Salakhutdinov，2006）；在运用深度置信网络时，其算法主要包括马尔科夫链蒙特卡罗算法、Gibbs采样算法、受限玻尔兹曼机评估算法、重构误差、退火式重要性抽样等。卷积神经网络最早被用于图像识别领域，使其技术上在特征提取技术方面迈了一大步，应用原理为通过应用卷积核于局部特征提取得到新的模糊图像。在深度学习模型中，存在传统反向传播算法和梯度下降法计算成本较高的问题，为了进一步更好地应用深度学习模型，解决这些问题，Hinton et al.（2006）提出了贪心逐层算法，大大地减少了训练学习过程所需的时间。Raiko et al.（2012）发展了一种非线性变换方法，极大地提升了学习算法的速度，从而有利于寻找泛化性更好的分类器。Collobert（2011）发展了一种快速并且可以扩展的判别算法，使其用于自然语言解析，仅仅使用很少的基本文本特征便能得到性能，并且与现有的性能相差不大，而且大大提高了速度。学习率自适应方法如自适应梯度方法（Duchi et al.，2011），可以提升深度结构中训练的收敛性并且除去超参数中存在的学习率参数；Le Roux et al.（2008，2011）提出了在学习场景中能提升训练过程速度的算法。这一系列算法改进，极大地改善了模型的预测效果，为深度学习在金融领域的发展奠定了基础。 　　（一）深度卷积神经网络在金融风险管理中的应用。在金融风险管理领域，深度卷积神经网络主要应用于预测及评估风险。不同于传统方法，深度学习模型不需要对收益率的分布进行假设和方差的估算。李卓（2017）提出了深度学习VaR测算方法，基于损失序列本身构建深度学习模型，研究发现此方法相较于ARCH族模型下的VaR计算