深度學(xué)習(xí)在金融風(fēng)險(xiǎn)管理的應(yīng)用

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了深度學(xué)習(xí)在金融風(fēng)險(xiǎn)管理的應(yīng)用范文，希望能給你帶來(lái)靈感和參考，敬請(qǐng)閱讀。

［提要］隨著科學(xué)技術(shù)的發(fā)展以及金融市場(chǎng)數(shù)據(jù)愈加復(fù)雜化的特性，深度學(xué)習(xí)模型更為適合金融市場(chǎng)上數(shù)據(jù)規(guī)模大、高維度以及流數(shù)據(jù)特性的數(shù)據(jù)特征，其應(yīng)用不但在金融風(fēng)險(xiǎn)管理領(lǐng)域中的預(yù)測(cè)分析方法進(jìn)行了提升，而且促使實(shí)證研究范式從線性向非線性轉(zhuǎn)變、從關(guān)注參數(shù)顯著性向關(guān)注模型結(jié)構(gòu)和動(dòng)態(tài)特征轉(zhuǎn)變，同時(shí)能夠更好地捕捉尾部風(fēng)險(xiǎn)，在實(shí)證領(lǐng)域的成果在一定程度上助推相關(guān)金融風(fēng)險(xiǎn)管理理論的成長(zhǎng)與完善。但深度學(xué)習(xí)的應(yīng)用也面臨著程序錯(cuò)誤、主觀判斷誤差、金融監(jiān)管不足等方面的挑戰(zhàn)。為此，在金融風(fēng)險(xiǎn)管理領(lǐng)域中需要合理運(yùn)用深度學(xué)習(xí)模型。

關(guān)鍵詞：深度學(xué)習(xí)；金融風(fēng)險(xiǎn)管理；卷積神經(jīng)網(wǎng)絡(luò)；深度置信網(wǎng)絡(luò)；堆棧自編碼網(wǎng)絡(luò)

一、引言

金融市場(chǎng)上的主體都面臨著收益和損失的不確定性，金融產(chǎn)品和工具的多樣化趨勢(shì)，都體現(xiàn)著風(fēng)險(xiǎn)管理的重要性。全球市場(chǎng)在過(guò)去的幾十年間發(fā)生了數(shù)次規(guī)模巨大的金融危機(jī)事件，例如影響全球股市的1987年的黑色星期一事件、1997年的亞洲金融危機(jī)、2008年的美國(guó)次貸危機(jī)以及全球金融危機(jī)。各家公司也都面臨著各種風(fēng)險(xiǎn)。無(wú)處不在的風(fēng)險(xiǎn)日益成為懸在金融市場(chǎng)主體上的一把“達(dá)摩克利斯之劍”。與此同時(shí)，計(jì)算機(jī)技術(shù)發(fā)展迅速，數(shù)據(jù)信息的多樣性以及數(shù)據(jù)分析技術(shù)的應(yīng)用，給具有大數(shù)據(jù)特征的金融風(fēng)險(xiǎn)管理分析帶來(lái)了機(jī)遇和挑戰(zhàn)，人工智能開(kāi)始逐步應(yīng)用于金融風(fēng)險(xiǎn)管理領(lǐng)域，引導(dǎo)著行業(yè)的變革。而在演進(jìn)的發(fā)展過(guò)程中，深度學(xué)習(xí)是解決人工智能應(yīng)用能夠發(fā)展的關(guān)鍵。金融市場(chǎng)是一個(gè)嘈雜的、具有非參數(shù)特點(diǎn)的動(dòng)態(tài)系統(tǒng)，對(duì)金融數(shù)據(jù)進(jìn)行分析與預(yù)測(cè)是一項(xiàng)極具挑戰(zhàn)性的工作。但是，傳統(tǒng)的計(jì)量方程模型或者是帶有參數(shù)的模型已經(jīng)不具備對(duì)復(fù)雜、高維度、帶有噪音的金融市場(chǎng)數(shù)據(jù)序列進(jìn)行分析建模的能力，而且傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)方法也無(wú)法準(zhǔn)確分析建模如此復(fù)雜序列的數(shù)據(jù)，同時(shí)傳統(tǒng)的機(jī)器學(xué)習(xí)的方法又十分依賴建模者的主觀設(shè)計(jì)，很容易導(dǎo)致模型風(fēng)險(xiǎn)。這些方法在應(yīng)用過(guò)程中存在著過(guò)擬合、收斂慢等問(wèn)題。而深度學(xué)習(xí)方法為金融數(shù)據(jù)分析提供了一個(gè)新的思路。近年來(lái)，深度學(xué)習(xí)被廣泛應(yīng)用到人工智能任務(wù)中（如AlphaGo），并在圖像處理、人臉識(shí)別、語(yǔ)音識(shí)別、文本處理等方面取得一系列成果。因此，隨著金融數(shù)據(jù)復(fù)雜程度的提高，帶來(lái)了對(duì)其分析需求的提升，因而深度學(xué)習(xí)的應(yīng)用已經(jīng)成為了金融風(fēng)險(xiǎn)管理領(lǐng)域的研究前沿，也必將在金融風(fēng)險(xiǎn)管理領(lǐng)域產(chǎn)生顛覆性的變革。

二、深度學(xué)習(xí)在金融風(fēng)險(xiǎn)管理領(lǐng)域主要應(yīng)用研究

深度學(xué)習(xí)是通過(guò)人工神經(jīng)網(wǎng)絡(luò)發(fā)展而衍生的，包含復(fù)雜多層次的學(xué)習(xí)結(jié)構(gòu)，其建立是基于模仿人類大腦的學(xué)習(xí)機(jī)制。深度學(xué)習(xí)模型通過(guò)對(duì)每一數(shù)據(jù)特征的學(xué)習(xí)，繼而將新的特征輸入到下一層中，在這個(gè)過(guò)程中新的特征是通過(guò)對(duì)學(xué)習(xí)到的數(shù)據(jù)特征進(jìn)行特定的特征變換得到的，提升了模型的預(yù)測(cè)效果。堆棧自動(dòng)編碼器和深度置信網(wǎng)絡(luò)模型是由自動(dòng)編碼器和受限玻爾茲曼機(jī)串聯(lián)而組成的（Najafabadietal.，2015），在針對(duì)大量數(shù)據(jù)時(shí)，這類結(jié)構(gòu)具備對(duì)其進(jìn)行無(wú)監(jiān)督學(xué)習(xí)（HintonandSalakhutdinov，2006）；在運(yùn)用深度置信網(wǎng)絡(luò)時(shí)，其算法主要包括馬爾科夫鏈蒙特卡羅算法、Gibbs采樣算法、受限玻爾茲曼機(jī)評(píng)估算法、重構(gòu)誤差、退火式重要性抽樣等。卷積神經(jīng)網(wǎng)絡(luò)最早被用于圖像識(shí)別領(lǐng)域，使其技術(shù)上在特征提取技術(shù)方面邁了一大步，應(yīng)用原理為通過(guò)應(yīng)用卷積核于局部特征提取得到新的模糊圖像。在深度學(xué)習(xí)模型中，存在傳統(tǒng)反向傳播算法和梯度下降法計(jì)算成本較高的問(wèn)題，為了進(jìn)一步更好地應(yīng)用深度學(xué)習(xí)模型，解決這些問(wèn)題，Hintonetal.（2006）提出了貪心逐層算法，大大地減少了訓(xùn)練學(xué)習(xí)過(guò)程所需的時(shí)間。Raikoetal.（2012）發(fā)展了一種非線性變換方法，極大地提升了學(xué)習(xí)算法的速度，從而有利于尋找泛化性更好的分類器。Collobert（2011）發(fā)展了一種快速并且可以擴(kuò)展的判別算法，使其用于自然語(yǔ)言解析，僅僅使用很少的基本文本特征便能得到性能，并且與現(xiàn)有的性能相差不大，而且大大提高了速度。學(xué)習(xí)率自適應(yīng)方法如自適應(yīng)梯度方法（Duchietal.，2011），可以提升深度結(jié)構(gòu)中訓(xùn)練的收斂性并且除去超參數(shù)中存在的學(xué)習(xí)率參數(shù)；LeRouxetal.（2008，2011）提出了在學(xué)習(xí)場(chǎng)景中能提升訓(xùn)練過(guò)程速度的算法。這一系列算法改進(jìn)，極大地改善了模型的預(yù)測(cè)效果，為深度學(xué)習(xí)在金融領(lǐng)域的發(fā)展奠定了基礎(chǔ)。

（一）深度卷積神經(jīng)網(wǎng)絡(luò)在金融風(fēng)險(xiǎn)管理中的應(yīng)用。

在金融風(fēng)險(xiǎn)管理領(lǐng)域，深度卷積神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于預(yù)測(cè)及評(píng)估風(fēng)險(xiǎn)。不同于傳統(tǒng)方法，深度學(xué)習(xí)模型不需要對(duì)收益率的分布進(jìn)行假設(shè)和方差的估算。李卓（2017）提出了深度學(xué)習(xí)VaR測(cè)算方法，基于損失序列本身構(gòu)建深度學(xué)習(xí)模型，研究發(fā)現(xiàn)此方法相較于ARCH族模型下的VaR計(jì)算更為精確。基于此，韓正一（2016）拓寬了銀行風(fēng)險(xiǎn)監(jiān)測(cè)和管理的方法和思路，應(yīng)用最新的人工智能技術(shù)，即深度神經(jīng)網(wǎng)絡(luò)方法，于信貸風(fēng)險(xiǎn)監(jiān)測(cè)領(lǐng)域，優(yōu)化模型的訓(xùn)練方法，經(jīng)過(guò)測(cè)試發(fā)現(xiàn)效果顯著。Sirignano（2016）以深度神經(jīng)網(wǎng)絡(luò)為基本結(jié)構(gòu)，基于真實(shí)事件的發(fā)生概率建立了深度學(xué)習(xí)模型，通過(guò)模擬價(jià)格的深層信息的D維數(shù)據(jù)空間局部特征生成一個(gè)低維的價(jià)格空間，從而對(duì)價(jià)格進(jìn)行預(yù)測(cè)。該模型不僅能夠應(yīng)用與分析樣本外時(shí)間的最優(yōu)賣出價(jià)格和最優(yōu)買入價(jià)格的聯(lián)合分布，也能夠?qū)ο迌r(jià)指令簿的其他行為進(jìn)行建模分析，適用于對(duì)任一D維空間數(shù)據(jù)進(jìn)行分析建模。他進(jìn)一步指出，因?yàn)樯疃壬窠?jīng)網(wǎng)絡(luò)可以較好地提取限價(jià)指令簿的深層信息，故在應(yīng)用于風(fēng)險(xiǎn)管理中，能較好地處理尾部風(fēng)險(xiǎn)，其研究具有特別的意義。

（二）深度置信網(wǎng)絡(luò)在金融風(fēng)險(xiǎn)管理中的應(yīng)用。

深度置信網(wǎng)絡(luò)在金融風(fēng)險(xiǎn)管理中的應(yīng)用主要是對(duì)風(fēng)險(xiǎn)進(jìn)行度量和預(yù)警。為了解決有監(jiān)督學(xué)習(xí)問(wèn)題，使受限波爾茲曼機(jī)能夠較大程度地提取數(shù)據(jù)的行為特征，盧慕超（2017）提出了基于分類分區(qū)受限波爾茲曼機(jī)的深度置信網(wǎng)絡(luò)，利用單戶企業(yè)財(cái)務(wù)數(shù)據(jù)，建立了財(cái)務(wù)危機(jī)預(yù)警模型，相較于其他方法預(yù)測(cè)更為準(zhǔn)確。丁衛(wèi)星（2015）基于深度置信網(wǎng)絡(luò)模型，訓(xùn)練生成了一個(gè)五層的深度學(xué)習(xí)交易欺詐偵測(cè)系統(tǒng)，經(jīng)過(guò)對(duì)數(shù)據(jù)的一系列處理，檢驗(yàn)了模型的交易欺詐識(shí)別效果。

（三）堆棧自編碼網(wǎng)絡(luò)在金融風(fēng)險(xiǎn)管理中的應(yīng)用。

楊杰群（2015）認(rèn)為深度學(xué)習(xí)是處理股指期貨的有效方法，將深度學(xué)習(xí)網(wǎng)絡(luò)用于股指期貨的預(yù)測(cè)中進(jìn)行研究，基于自動(dòng)編碼器等算法建立深度學(xué)習(xí)網(wǎng)絡(luò)模型，并進(jìn)行對(duì)比分析，最終根據(jù)交易抉擇設(shè)計(jì)了用于交易的網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)。另外，對(duì)金融產(chǎn)品與工具的有效管理，能夠有效地避免一些金融市場(chǎng)上的非系統(tǒng)性風(fēng)險(xiǎn)。FehrerandFeuerriegel（2015）基于遞歸自動(dòng)編碼器預(yù)測(cè)模型，利用2004年1月至2011年6月期間的股票數(shù)據(jù)，測(cè)試對(duì)已披露財(cái)務(wù)信息的反應(yīng)。他們重點(diǎn)研究了特殊的新聞文本信息和異常收益率之間的相關(guān)關(guān)系，基于此模型對(duì)其進(jìn)行預(yù)測(cè)。還有部分文獻(xiàn)中，重點(diǎn)研究分析財(cái)務(wù)文本與風(fēng)險(xiǎn)信息的相關(guān)關(guān)系，對(duì)其進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)。從銀行、國(guó)家、歐洲三個(gè)層面，基于銀行破產(chǎn)事件、政府干預(yù)行為等來(lái)研究分析文本信息中隱藏的銀行危機(jī)信息，基于深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)挖掘其中的關(guān)系。

三、深度學(xué)習(xí)在金融風(fēng)險(xiǎn)管理領(lǐng)域中的應(yīng)用貢獻(xiàn)及挑戰(zhàn)

（一）深度學(xué)習(xí)在金融風(fēng)險(xiǎn)管理領(lǐng)域中的應(yīng)用貢獻(xiàn)。

傳統(tǒng)方法在應(yīng)用于具有復(fù)雜數(shù)據(jù)特征的金融風(fēng)險(xiǎn)管理領(lǐng)域容易出現(xiàn)以下問(wèn)題：第一，傳統(tǒng)建模方法往往難以挖掘復(fù)雜的數(shù)據(jù)特征，傳統(tǒng)方法無(wú)法準(zhǔn)確地反映金融市場(chǎng)特征，容易忽略很多外因，如政策變化、經(jīng)濟(jì)發(fā)展水平、行為人預(yù)期及心理變化等與市場(chǎng)相關(guān)的因素，這些因素增加了發(fā)現(xiàn)金融風(fēng)險(xiǎn)隱藏的經(jīng)濟(jì)理論邏輯的困難（尚玉皇和鄭挺國(guó)，2016）；第二，傳統(tǒng)模型由于過(guò)度依靠研究者的主觀設(shè)計(jì)，包含了主觀因素，導(dǎo)致設(shè)計(jì)具有不完整性的特征。另外，傳統(tǒng)的線性方法需要強(qiáng)烈的“線性”假設(shè)，而傳統(tǒng)的機(jī)器學(xué)習(xí)方法無(wú)法較好地處理噪音信號(hào)。這些問(wèn)題制約了對(duì)金融市場(chǎng)中數(shù)據(jù)的準(zhǔn)確預(yù)測(cè)與分析。通過(guò)梳理已有相關(guān)國(guó)內(nèi)外研究文獻(xiàn)，在金融風(fēng)險(xiǎn)管理領(lǐng)域中，深度學(xué)習(xí)的貢獻(xiàn)主要分為兩個(gè)方面：一是深度學(xué)習(xí)具備強(qiáng)大的挖掘?qū)W習(xí)能力，能夠更為準(zhǔn)確地挖掘隱藏于數(shù)據(jù)深層的規(guī)律，更適用于具備規(guī)模大、維度高以及流數(shù)據(jù)的數(shù)據(jù)特征的金融市場(chǎng)，深度學(xué)習(xí)的應(yīng)用不但推動(dòng)了該領(lǐng)域中的預(yù)測(cè)方法的改進(jìn)，還優(yōu)化了適用于深度網(wǎng)絡(luò)、解決無(wú)效訓(xùn)練問(wèn)題的算法，帶來(lái)了傳統(tǒng)實(shí)證應(yīng)用研究方法的進(jìn)步；二是深度學(xué)習(xí)在金融風(fēng)險(xiǎn)管理領(lǐng)域數(shù)據(jù)分析方法的成果也推動(dòng)了相關(guān)經(jīng)濟(jì)理論的發(fā)展與完善。

（二）深度學(xué)習(xí)在金融風(fēng)險(xiǎn)管理領(lǐng)域中的應(yīng)用挑戰(zhàn)。

金融科技的不斷發(fā)展給金融風(fēng)險(xiǎn)管理領(lǐng)域帶來(lái)了機(jī)遇，同時(shí)深度學(xué)習(xí)在金融風(fēng)險(xiǎn)管理領(lǐng)域也面臨著諸多挑戰(zhàn)。第一，深度學(xué)習(xí)的應(yīng)用面臨著程序出錯(cuò)的風(fēng)險(xiǎn)，如果發(fā)生，那么基于此的數(shù)據(jù)分析就容易得到有誤的結(jié)論。在金融風(fēng)險(xiǎn)管理過(guò)程中，基于對(duì)大量數(shù)據(jù)分析的結(jié)果，進(jìn)而對(duì)風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)和評(píng)估分析。如果程序發(fā)生了錯(cuò)誤，研究者就無(wú)法做出正確的風(fēng)險(xiǎn)管理決策，進(jìn)而遭受損失；第二，深度學(xué)習(xí)模型的正確運(yùn)用需要研究者對(duì)深度學(xué)習(xí)模型具備深刻的理解，并且能夠結(jié)合在金融風(fēng)險(xiǎn)管理領(lǐng)域的專業(yè)理論知識(shí)。由于模型的構(gòu)建與優(yōu)化較為復(fù)雜，研究者對(duì)金融市場(chǎng)及風(fēng)險(xiǎn)管理理論的準(zhǔn)確認(rèn)識(shí)極為重要，不了解相關(guān)理論知識(shí)，而單純應(yīng)用深度學(xué)習(xí)無(wú)法發(fā)揮模型的作用；第三，深度學(xué)習(xí)模型的發(fā)展及推廣應(yīng)用使得許多金融傳統(tǒng)業(yè)務(wù)的運(yùn)作模式發(fā)生了改變，使金融監(jiān)管面臨著新的挑戰(zhàn)。現(xiàn)有的金融監(jiān)管體系下難以界定由于金融科技故障進(jìn)而導(dǎo)致的風(fēng)險(xiǎn)事件責(zé)任。這些都使得深度學(xué)習(xí)模型的應(yīng)用存在一些問(wèn)題。

四、在金融風(fēng)險(xiǎn)管理領(lǐng)域中合理運(yùn)用深度學(xué)習(xí)的對(duì)策建議

在金融風(fēng)險(xiǎn)管理領(lǐng)域正確地運(yùn)用深度學(xué)習(xí)模型有利于提升金融數(shù)據(jù)的處理速度、極大減少人力成本，進(jìn)而推動(dòng)金融風(fēng)險(xiǎn)管理過(guò)程的改進(jìn)。同時(shí)，其應(yīng)用也會(huì)存在著挑戰(zhàn)。為此，探討如何合理運(yùn)用深度學(xué)習(xí)模型的問(wèn)題具有深刻的意義。首先，需要正確認(rèn)識(shí)金融系統(tǒng)中的深度學(xué)習(xí)運(yùn)用，完善模型程序設(shè)計(jì)的原則及流程，盡量降低程序出現(xiàn)錯(cuò)誤的概率；其次，完善深度學(xué)習(xí)的應(yīng)用體系，制定相關(guān)的維護(hù)技術(shù)措施、人力措施，引進(jìn)及培養(yǎng)相應(yīng)領(lǐng)域的人才，加快轉(zhuǎn)型；最后，完善深度學(xué)習(xí)在金融風(fēng)險(xiǎn)管理領(lǐng)域應(yīng)用的監(jiān)督措施，確保出現(xiàn)由于人工智能應(yīng)用導(dǎo)致的重大問(wèn)題或隱患時(shí)，具備相應(yīng)的準(zhǔn)則來(lái)界定風(fēng)險(xiǎn)處置責(zé)任。深度學(xué)習(xí)模型的應(yīng)用在相關(guān)領(lǐng)域的完善也必將推動(dòng)金融風(fēng)險(xiǎn)管理領(lǐng)域的快速發(fā)展。

主要參考文獻(xiàn)：

［1］于孝建，彭永喻.人工智能在金融風(fēng)險(xiǎn)管理領(lǐng)域的應(yīng)用及挑戰(zhàn)［J］.南方金融，2017（9）.

［2］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）.

［3］于振，丁冰冰，劉永健.深度學(xué)習(xí)在農(nóng)村金融行業(yè)風(fēng)險(xiǎn)管理中的應(yīng)用研究［J］.科技資訊，2017.15（15）.

［4］劉建偉，劉媛，羅雄麟.深度學(xué)習(xí)研究進(jìn)展［J］.計(jì)算機(jī)應(yīng)用研究，2014.31（7）.

［5］盧慕超.基于深度置信網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)預(yù)測(cè)實(shí)證研究［D］.太原理工大學(xué)，2017.

［6］李卓.基于深度學(xué)習(xí)的VaR測(cè)算研究［D］.蘭州財(cái)經(jīng)大學(xué)，2017.

［7］韓正一.基于深度神經(jīng)網(wǎng)絡(luò)的銀行信貸風(fēng)險(xiǎn)監(jiān)測(cè)模型研究及實(shí)驗(yàn)［D］.鄭州大學(xué)，2016.

［8］楊杰群.基于深度學(xué)習(xí)之股指期貨交易［D］.中國(guó)科學(xué)技術(shù)大學(xué)，2015.

［9］尚玉皇，鄭挺國(guó).短期利率波動(dòng)測(cè)度與預(yù)測(cè)：基于混頻宏觀-短期利率模型［J］.金融研究，2016（11）.

作者：席悅欣 盧萬(wàn)青 單位：廣東外語(yǔ)外貿(mào)大學(xué)金融學(xué)院