人工智能技術(shù)在金融領(lǐng)域應(yīng)用的思考

王立鵬

【摘要】隨著智能時(shí)代的來臨，金融數(shù)據(jù)分析需求不斷提高，各商業(yè)銀行在人工智能領(lǐng)域內(nèi)的積極探索，加快了深度學(xué)習(xí)等新型智能方法在金融領(lǐng)域內(nèi)應(yīng)用的步伐。本文從深度學(xué)習(xí)在金融領(lǐng)域內(nèi)應(yīng)用的獨(dú)特優(yōu)勢以及所面臨的機(jī)遇和挑戰(zhàn)，闡述未來利用深度學(xué)習(xí)研究金融分析的重點(diǎn)方向。

【關(guān)鍵詞】人工智能 深度學(xué)習(xí) 金融數(shù)據(jù)分析

一、引言

人工智能一詞最早出現(xiàn)于1956年的達(dá)特茅斯會(huì)議中，與會(huì)學(xué)者通過討論“模擬神經(jīng)系統(tǒng)”與“模擬心智”研究人工智能在“結(jié)構(gòu)”與“功能”兩種路線的發(fā)展方向，這標(biāo)志著人工智能的開端。此后，隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，人工智能技術(shù)廣泛應(yīng)用于不同領(lǐng)域當(dāng)中，例如圖語音處理、智能計(jì)算、醫(yī)療診斷等。人工智能的挑戰(zhàn)在于解決對人類來說很容易執(zhí)行、但很難形式化描述的任務(wù)，例如文本處理，語音識(shí)別等。

隨著人工智能技術(shù)的蓬勃發(fā)展，各商業(yè)銀行積極運(yùn)用各種先進(jìn)技術(shù)以提高自身風(fēng)險(xiǎn)管控能力并為客戶提供更為個(gè)性多樣的服務(wù)選擇：如蘭州銀行依托數(shù)據(jù)挖掘技術(shù)從互聯(lián)網(wǎng)中獲取企業(yè)突發(fā)事件實(shí)現(xiàn)對企業(yè)風(fēng)險(xiǎn)自動(dòng)評(píng)級(jí)，提高其風(fēng)險(xiǎn)管控能力；華夏銀行結(jié)合人工智能技術(shù)將信息資產(chǎn)價(jià)值、事件等微觀風(fēng)險(xiǎn)因素進(jìn)行量化，實(shí)現(xiàn)了從宏觀到微觀的全面風(fēng)險(xiǎn)態(tài)勢展示；北京銀行引入銀聯(lián)等外部數(shù)據(jù)并與行內(nèi)數(shù)據(jù)進(jìn)行有效整合，運(yùn)用機(jī)器學(xué)習(xí)手段對原有信用評(píng)價(jià)體系進(jìn)行有效補(bǔ)充和完善，豐富了身份欺詐和信用風(fēng)險(xiǎn)防控手段。由此可見人工智能等新興技術(shù)將會(huì)對金融業(yè)產(chǎn)生深刻影響，而作為人工智能領(lǐng)域研究核心的深度學(xué)習(xí)技術(shù)，更應(yīng)該得到重視。

二、深度學(xué)習(xí)技術(shù)在金融領(lǐng)域內(nèi)的優(yōu)勢

（一）智能金融是未來金融業(yè)發(fā)展的必然趨勢

隨著金融交易方式的智能化和便捷化以及金融業(yè)數(shù)據(jù)的爆炸式增長，現(xiàn)有的金融分析預(yù)測方法已不具備對如此龐大的數(shù)據(jù)量進(jìn)行建模分析的能力，因此需要探索能夠適用于大數(shù)據(jù)背景下金融數(shù)據(jù)的分析方法。以深度學(xué)習(xí)為代表的人工智能技術(shù)，在結(jié)合大數(shù)據(jù)、云計(jì)算等新型技術(shù)作用下，能夠解決高維復(fù)雜的數(shù)據(jù)分析難的問題，在智能金融、大數(shù)據(jù)風(fēng)控和大數(shù)據(jù)保險(xiǎn)等領(lǐng)域擁有廣闊的應(yīng)用前景。利用深度學(xué)習(xí)進(jìn)行金融監(jiān)管、金融標(biāo)準(zhǔn)化等方向進(jìn)行分析和預(yù)測，能夠從金融數(shù)據(jù)的深層特征提煉出金融大數(shù)據(jù)背后的經(jīng)濟(jì)學(xué)邏輯，從而提升金融服務(wù)效率，實(shí)現(xiàn)金融業(yè)的智能化、個(gè)性化和定制化。

（二）深度學(xué)習(xí)更適用于金融數(shù)據(jù)分析

金融數(shù)據(jù)是以連續(xù)性為特點(diǎn)的時(shí)間序列數(shù)據(jù)，其具有噪音大、高緯度、時(shí)變性等特性。傳統(tǒng)分析方法忽略了由政治事件、經(jīng)濟(jì)發(fā)展?fàn)顩r以及其他相關(guān)領(lǐng)域變動(dòng)引起的因素，不利于揭示金融問題背后的經(jīng)濟(jì)邏輯。傳統(tǒng)數(shù)據(jù)分析模型會(huì)導(dǎo)致預(yù)測信息不足，影響預(yù)測結(jié)果，且傳統(tǒng)方法主要依賴人工設(shè)計(jì)的特征進(jìn)行預(yù)測分析，增加了干擾因素，而且人為設(shè)計(jì)的特征具有目的性和不完整性，不但影響最終數(shù)據(jù)分析結(jié)果的準(zhǔn)確性，而且對模型的改進(jìn)或發(fā)展具有阻礙作用。深度學(xué)習(xí)方法通過分層結(jié)構(gòu)之間傳遞數(shù)據(jù)而學(xué)習(xí)特征，將低維簡單特征轉(zhuǎn)換為高維抽象特征，而金融數(shù)據(jù)的高維特征能夠擴(kuò)大原始數(shù)據(jù)對分類或預(yù)測中重要因素的影響，同時(shí)能夠弱化無關(guān)因素造成的誤差，且深度學(xué)習(xí)對各種信息形式的金融數(shù)據(jù)都有良好的適用性，從而使預(yù)測或分類工作更加有效。

（三）深度學(xué)習(xí)對金融領(lǐng)域?qū)嵶C研究方法帶來變革

傳統(tǒng)計(jì)量方法多采用線性模型，利用線性模型的最優(yōu)推斷金融市場實(shí)際數(shù)據(jù)的最優(yōu)具有很大局限性。深度學(xué)習(xí)方法由于自身具有多層級(jí)連接的特點(diǎn)，能根據(jù)數(shù)據(jù)產(chǎn)生復(fù)雜的非線性結(jié)構(gòu)，從而更適合非線性特征數(shù)據(jù)模型地構(gòu)建，這給金融實(shí)證方法研究提供了新的研究思路，促使研究模型從性模型到非線性模型的轉(zhuǎn)變。傳統(tǒng)金融模型通過對模型參數(shù)的顯著性分析來判斷相關(guān)因素在模型中是否產(chǎn)生影響，從而簡化模型結(jié)構(gòu)，但簡化后的模型會(huì)造成信息丟失，無法完整描述實(shí)際數(shù)據(jù)的整體意義。深度學(xué)習(xí)模型推動(dòng)研究人員從關(guān)注模型參數(shù)顯著性轉(zhuǎn)變?yōu)殛P(guān)注模型結(jié)構(gòu)以及模型的動(dòng)態(tài)演變過程，不僅解決了特定的預(yù)測分析問題，同時(shí)對金融實(shí)證分析領(lǐng)域內(nèi)的理論研究開辟了新方向、新空間，推動(dòng)著金融實(shí)證分析相關(guān)理論的完善和發(fā)展。

三、深度學(xué)習(xí)技術(shù)在金融領(lǐng)域面臨的挑戰(zhàn)

深度學(xué)習(xí)雖在金融領(lǐng)域應(yīng)用具有良好的前景，但目前相關(guān)應(yīng)用研究尚處于探索階段，在實(shí)際的應(yīng)用過程中面臨諸多障礙，具體而言，深度學(xué)習(xí)面臨的挑戰(zhàn)主要集中為以下幾點(diǎn)：

（一）深度學(xué)習(xí)模型的構(gòu)建比較困難

深度學(xué)習(xí)模型是以人工神經(jīng)網(wǎng)絡(luò)為主的計(jì)算模型，其包含大量的神經(jīng)元（或節(jié)點(diǎn)）、突觸和層。而如何確定隱藏節(jié)點(diǎn)數(shù)量、隱藏層數(shù)量和突觸權(quán)值大小是深度學(xué)習(xí)各種模型結(jié)構(gòu)能夠正確提取分析數(shù)據(jù)非線性特征的關(guān)鍵。目前對深度學(xué)習(xí)模型的構(gòu)造并沒有成熟的理論來提供指導(dǎo)，主要還是依靠研究學(xué)者不斷實(shí)驗(yàn)、不斷探索。

（二）深度學(xué)習(xí)模型的穩(wěn)健性和適用性有待商榷

深度學(xué)習(xí)模型的特點(diǎn)在于可以根據(jù)輸入數(shù)據(jù)的不同對自身結(jié)構(gòu)進(jìn)行重構(gòu)，所以對于訓(xùn)練后的模型是否能適用于特定領(lǐng)域的分析和預(yù)測需要大量實(shí)驗(yàn)進(jìn)行驗(yàn)證。模型的訓(xùn)練需要復(fù)雜、重復(fù)且動(dòng)態(tài)的多次實(shí)驗(yàn)，目前相關(guān)理論研究還處于對單一模型的優(yōu)化處理，并沒有提煉出通用的規(guī)律性方法和框架，從而限制了最終模型的穩(wěn)健性和廣泛適用性。

（三）深度學(xué)習(xí)模型對金融數(shù)據(jù)分析的結(jié)果較難正確地闡述數(shù)據(jù)背后的經(jīng)濟(jì)學(xué)原理

深度學(xué)習(xí)模型在分析金融數(shù)據(jù)時(shí)，雖保留了非顯著性參數(shù)帶來的影響，保證了數(shù)據(jù)的完整性，但同時(shí)也削弱了利用經(jīng)濟(jì)學(xué)解釋最終結(jié)果的因果關(guān)系以及隱藏于數(shù)據(jù)背后的經(jīng)濟(jì)學(xué)原理。這也是深度學(xué)習(xí)技術(shù)成功應(yīng)用于金融領(lǐng)域亟待解決的重要問題，即使用深度學(xué)習(xí)模型結(jié)構(gòu)與特征選擇來分析金融數(shù)據(jù)背后的經(jīng)濟(jì)含義。

四、未來金融領(lǐng)域應(yīng)用深度學(xué)習(xí)的重點(diǎn)方向

金融領(lǐng)域應(yīng)用新型人工智能技術(shù)的前景光明，結(jié)合深度學(xué)習(xí)與金融領(lǐng)域數(shù)據(jù)的特點(diǎn)，未來金融領(lǐng)域內(nèi)深度學(xué)習(xí)重點(diǎn)研究的方向應(yīng)該注重以下幾點(diǎn)：一是注重金融經(jīng)濟(jì)理論與深度學(xué)習(xí)理論內(nèi)涵的研究，尋求二者高度的契合點(diǎn)以探尋金融數(shù)據(jù)背后隱藏的經(jīng)濟(jì)學(xué)邏輯，豐富相關(guān)的經(jīng)濟(jì)金融理論；二是應(yīng)用多種深度學(xué)習(xí)模型和算法對金融數(shù)據(jù)進(jìn)行預(yù)測與分析，提煉能夠適用于多領(lǐng)域的模型框架和方法，提高深度學(xué)習(xí)方法在金融領(lǐng)域內(nèi)的普遍適用性，從而推動(dòng)智能投資、智能投研等智能金融地不斷發(fā)展；三是突破傳統(tǒng)單一使用金融時(shí)序數(shù)據(jù)的限制，積極探索深度學(xué)習(xí)在金融領(lǐng)域內(nèi)的新型應(yīng)用，如利用文本處理等技術(shù)優(yōu)化對金融市場各類數(shù)據(jù)進(jìn)行分析和預(yù)測的過程，提高金融研報(bào)自動(dòng)生成、風(fēng)險(xiǎn)管理信息捕捉的能力。

參考文獻(xiàn)

[1]Lecun Y，Bengio Y，Hinton G.Deep learning[J].Nature，2015，521（7553）：436-444.

[2]馬超，徐瑾輝，侯天誠，等.新型深度學(xué)習(xí)算法研究概述[J].赤峰學(xué)院學(xué)報(bào)（自然版），2015（2）：37-39.

[3]蘇治，盧曼，李德軒.深度學(xué)習(xí)的金融實(shí)證應(yīng)用：動(dòng)態(tài)、貢獻(xiàn)與展望[J].金融研究，2017（5）：111-126.