为什么说深度学习是金融创新的新引擎？

前言

人工智能有望成为IT领域最重要的技术革命，而深度学习更被誉为“人工智能皇冠上的明珠”。近年来，深度学习在金融领域已经被广泛应用，如图像识别、智能客服、智能投顾等。本文试图略窥深度学习之真貌，并展望其在金融领域的应用前景。

深度学习

＜走红之路＞

人工智能学科旨在通过机器来模拟人类的智能。机器学习是人工智能的一个重要分支，在互联网时代甚至可以说是人工智能的代名词。人工神经网络是最重要的机器学习方法之一，深度学习则是在近年出现重大突破的一种人工神经网络方法。简单地说，深度学习就是一种通过深度神经网络模型学习海量数据中规律的方法。

2006年

Hinton提出深度学习的新方法，复兴了神经网络的研究。之后深度学习在学术界持续升温。

2010年

美国国防部DARPA计划首次资助深度学习项目。

2011年

深度学习在语音识别上取得突破性进展。

2012年

深度学习在图像识别领域的ImageNet竞赛上遥遥领先其它技术而夺冠。同年，Google Brain项目从海量图片中自己“领悟”识别出猫脸。同时深度学习应用于药物活性预测问题，获得世界最好成绩。

2014年

DeepFace、DeepID模型把人脸识别的正确率提高到99.75%，超越人类。

2015年

NVIDIA和Google先后开发了深度学习专用处理器。

2016年

应用多项深度学习技术的AlphaGo战胜了最好的人类围棋选手李世石，把人工智能所取得的成就展现在世人面前。

近年来，全世界掀起了一股深度学习研究的浪潮。Google、微软、百度等知名公司争相投入，占领深度学习的技术制高点。而在金融领域，深度学习也越来越成为投资和研究的热点。

深度学习

＜背后揭秘＞

人工神经网络（Artificial Neural Network, ANN），也称为神经网络，是由大量神经元广泛互联而成的网络，是对生物神经网络（大脑）的模拟。它是一种非线性、分布式并行处理、具备自适应能力的算法模型。神经元是构成神经网络的基本单元。一个神经元接收从其它神经元传来的输入信号，并产生输出。在数学上神经元相当于一个非线性变换（激励函数）。当一组神经元组合起来并具有分层结构时，就形成了神经网络模型。下图是一个典型的前馈神经网络。

神经网络一般使用反向传播算法（Backpropagation，BP）进行训练。训练过程首先将输入数据逐层计算得到一个输出结果，然后将输出与结果值的误差逐层反向传播，根据误差调节网络权重。训练过程反复进行以使网络的最终输出逼近期望值。

深度学习（Deep Learning）之前的机器学习方法被统称为浅层学习（Shallow Learning）。传统的神经网络属于浅层学习模型，它只包含少许隐层。其它如SVM、Boosting可以看成带有一层隐层的节点，逻辑回归LR没有隐层节点。浅层学习模型的局限性在于：

1）对复杂函数的表达能力有限。

2）它依赖人工设计特征，因此性能受限于人的领域知识和经验。而深度神经网络(Deep Neural Network，DNN)，通过增加隐层的层数，可以学习到更复杂的函数表示，同时具有优异的特征学习能力。DNN的每层都对应一次特征变换，把数据逐步变换到更高层抽象的表示。可以说，深度学习的本质是一种特征学习方法。而且最关键的一点是，它无需人工干预就能自主地从数据中学习特征。

传统BP算法在隐层数增多时，存在局部最小值和梯度衰减以及计算量大的问题。为了解决这些难题，深度学习提出新的训练算法。传统神经网络对于网络参数是随机设定初始值，而DNN加入了“逐层初始化”的过程。具体说，就是先用无监督学习方法分层训练，得到各层的初始值。这使得网络的初始状态更接近最优值，提高了后续学习的性能。

除了算法层面的突破，深度学习的发展还归因于两点：一是大数据。深度学习模型在海量数据输入下能达到最好的性能，同时，深度学习也是最适合大数据的机器学习方法。二是高性能计算。由于大规模分布式计算技术如计算集群、GPU的应用，使计算能力大大提升，才使深度学习在实践中有了用武之地。

深度学习

＜探索金融＞

深度学习的发展使人工智能在图像、语音、自然语言处理等多方面有了技术性突破，达到实际应用水平，也开始应用到金融领域。同时，深度学习非常适用于大数据背景下的金融预测分析。接下来将以几个主要的应用方向为例说明。

＜图像识别技术＞

早在1998年，LeCun提出的LeNet模型用以识别支票上的手写字迹，被世界各地银行广泛应用。此后，这项技术也被用于对银行各类票据、合同等文字档案进行识别管理。今天，甚至可用于识别金融图表。如日本公司Alpaca推出的智能交易平台，能快速搜索和识别外汇交易图表，辅助交易管理。此外，近年人脸识别技术渐趋成熟，识别正确率已可与人眼媲美。人脸识别有望应用于金融支付认证，实现“刷脸支付”。如2015年3月，蚂蚁金服曾展示Smile to Pay扫脸技术。

＜智能客服＞

智能客服在金融领域的应用将推动金融服务体验，提高管理运营水平。它一方面应用语音识别、自然语言理解、问答系统方面的成果，用人机交流代替人工客服。另一方面结合用户行为分析技术，对用户交易行为进行分析，可以优化操作流程。如2015年的双11，蚂蚁金服95%的远程客户服务由智能机器人完成，并实现了100%的自动语音识别。京东通过应用深度学习技术，推出了JIMI智能机器人，成功应用于售前咨询、售后服务和生活伴侣三个场景，有望承担超过80%的京东客服工作。

＜金融时序分析＞

传统的时间序列分析是金融量化分析的主流方法。有一些研究者尝试将深度学习技术应用到该领域中。美国伊利诺伊斯理工大学的Dixon利用深度神经网络，预测43种大宗商品和外汇期货在未来5分钟的价格变动。斯坦福大学的Ruoxuan Xiong等人通过集成谷歌趋势和市场数据的LSTM模型来预测标普500指数的波动性。伦敦帝国学院的Sirignano利用2014-2015年纳斯达克股票的交易数据，建立“空间神经网络”模型，预测买卖双方的报价情况。

＜金融舆情分析＞

指结合自然语言处理和深度学习技术，监测新闻、社交媒体中的金融事件，通过文本情感倾向分析来预测金融行情走向。美国康奈尔大学的Sarlin等人利用新闻数据来进行银行危机预告。他们使用两个神经网络分别进行语义分析和正负面判别。Fehrer等人则利用新闻头条预测德国股市走向，使用的是一个递归自动编码器，达到56%的准确率。中国哈工大刘挺等人利用新闻摘要预测标普500指数的波动。他们使用一个卷积神经网络学习新闻事件的长短期影响，预测准确率达到了65%。欧洲央行曾发布一个研究报告，指出Twitter上的情绪状况对预测美国、英国、加拿大的股价有重大价值。

＜智能投顾＞

智能投顾也被称为智能理财，它为用户提供自动化的证券投资组合管理服务。美国Wealthfront, Betterment和Personal Capital公司是智能投顾领域的先驱。国内也出现了许多智能投顾的初创公司。深度学习在智能投顾的应用，是把在量化分析、资产配置优化、价格波动预测、舆情分析等多方面的应用综合起来，以给用户提供智能化的投资服务。

此外，深度学习还可应用于金融风险控制、大数据征信等领域。可预期将来还会出现更多新的应用场景。深度学习在金融领域的应用，将带来更智能化的管理和生产方式。我们有理由相信深度学习将成为金融领域创新和变革的一个新引擎。