深度学习的方法介绍及金融领域应用实例-长江证券-20180122
由qxiao创建，最终由qxiao 被浏览 165 用户
摘要
深度学习介绍及应用案例
本篇报告将焦点放在深度学习上，介绍了深度学习的常用算法和在金融领域上可以运用的场景，并给出了两个具体的案例。
监督类方法介绍
监督的深度学习算法基于神经网络结构，这种系统一般由多个层堆叠组成特定神经网络，不同算法的差别来自层的组成结构及层与层之间的关系。深度神经网络在普通神经网络的基础上，增加隐含层的数量，学习输入与输出之间的非线性关系。循环神经网络随数据的输入生成动态模型，以捕捉之前的输出和当前输出的关系，并衍生出了如LSTM的结构，解决遗忘较长时间信息的问题。卷积神经网络主要通过卷积和池化的方式连接每层的输入和输出，达到降低数据维数，捕捉主要信息的目的
无监督类方法介绍
限制波尔兹曼机是一种既可以做监督学习也可以做无监督学习的网络结构。区别于一般的深度学习网络，限制波尔兹曼机仅由输入层和隐含层两层组成，隐含层可以是多个。限制波尔兹曼机可以实现数据的重构，得到输入数据的分布，在特征提取和数据降维方面有很好的效果
强化学习介绍
强化学习是一种介于监督学习和无监督学习之间的方法，以一种稀疏且具有延时的标签，探索环境到行为的最大奖励化的映射关系。强化学习可以真正实现摆脱数据的指导，根据每次行动得到的反馈找到最优策略。本文介绍了强化学习中最常使用的Q学习算法
深度学习与传统机器学习的比较
通过模型效率、结构、泛化能力及适用场景等维度比较深度学习和传统机器学习。目前在金融领域中深度学习的实践应用有限，积累的数据量并未能够利用深度学习在处理大数据上的优势，在自动提取特征上也不及人为的金融分析逻辑，且模型复杂度的增加会伴随着计算量的增大，与传统机器学习相比，在某些场景上更容易出现过拟合，因此更多是通过间接的方式例如利用其在搜集大数据上的优势获取新的数据源来辅助投资
正文
/wiki/static/upload/fa/fa8b6de3-8f4a-474e-b460-0bdbbd09b8ec.pdf
\