|
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。 深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。[1] 深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。 同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同．例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。 欢迎加入星潮FOF研究院微信群 （扫码截止2017年4月28日有效，到期更新） 深度学习的核心思想 把学习结构看作一个网络，则深度学习的核心思路如下： ①无监督学习用于每一层网络的pre-train； ②每次用无监督学习只训练一层，将其训练结果作为其高一层的输入； ③用自顶而下的监督算法去调整所有层 下面节选自《深度学习：交易的未来 | 金融前沿》 作者：Mansi Singhal，qplum公司联合创始人。 摘要：深度学习（一种机器学习的方法，其灵感来源于人类大脑的工作方式），可以将量化交易的思维模式形式化为一种过程。随着科技的进步，人们不断寻找新的途径和方法来寻求更高的收益，而深度学习正迅速成为交易预测阶段最成功的策略。  交易中如何应用深度学习？  深度学习中的基本观点多年前就已经在量化交易中应用了。当量化交易员发现一个更适合数据的模型时，部分建模中最好的进展就已经体现出来了。由于量化模型更钟爱“干净”的数学（即更容易解释的模型），这些进展逐渐变得艰难；而且真实世界中的交易和金融有很多难以描述的复杂情况，使得完全采用数学方程进行建模变得不可能。 深度学习将量化交易的思维模式形式化为一种流程：“试图找出数据中的奥秘，从而更好地建模”。只有这样才能在定价中采用这些模型。 深度学习可以在多种频率的交易下使用，例如采用自编码器学习对数据进行更好的提炼（然后我们就可以基于这些提炼来建模），再例如用于预测的高频交易模型。 结果表明，在预测股票ETF远期收益时，深度学习（绿色）比线性回归（蓝色）有更高准确率。（绿色为LSTM结果，蓝色为回归算法，纵轴为Mean Squared Error。） 为什么组合投资经理要去关心深度学习？ 随着科技进步，人们不断在寻求通过新的途径和方法来获取更高的收益。虽然刚刚起步（在2012年之前，没有人真正的将其用在交易中；传统的金融书籍从来不会提供深度学习这一概念的任何细节），深度学习正迅速成为交易预测阶段最成功的策略。 在qplum，深度学习是策略的核心，将其用在了三大产品中：Flagship，以最高样本外收益为目标；Lotus，以最高样本外夏普指数（用以衡量每单位风险所能换得的平均报酬率）为目标；Fairway，类似最高收益存储账户。LSTM也是intraday-alpha-seeking算法执行策略的核心。（https://www./algorithmic-trade-execution） 在深度学习中有很多的机遇。正因为这种方法还未被过度使用，所以期待它的应用能在未来五到十年带来高额收益。 通过对前文所述intraday-alpha-seeking策略的时间和人力资源进行加速和自动化管理，深度学习可以有助于提升成本效率。现在可以识别出之前无法识别的模式，并有希望依此得到更高的收益。 参考文献： 1.深度学习已经用在交易中了么？https://www./algorithmic-trade-execution 2.我们大脑中有多少神经元？http://www./scitable/blog/brain-metrics/are_there_really_as_many |
|
|
