深度學習在金融風險管理的應用

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習在金融風險管理的應用范文，希望能給你帶來靈感和參考，敬請閱讀。

［提要］隨著科學技術(shù)的發(fā)展以及金融市場數(shù)據(jù)愈加復雜化的特性，深度學習模型更為適合金融市場上數(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，其應用不但在金融風險管理領(lǐng)域中的預測分析方法進行了提升，而且促使實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)和動態(tài)特征轉(zhuǎn)變，同時能夠更好地捕捉尾部風險，在實證領(lǐng)域的成果在一定程度上助推相關(guān)金融風險管理理論的成長與完善。但深度學習的應用也面臨著程序錯誤、主觀判斷誤差、金融監(jiān)管不足等方面的挑戰(zhàn)。為此，在金融風險管理領(lǐng)域中需要合理運用深度學習模型。

關(guān)鍵詞：深度學習；金融風險管理；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，都體現(xiàn)著風險管理的重要性。全球市場在過去的幾十年間發(fā)生了數(shù)次規(guī)模巨大的金融危機事件，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、2008年的美國次貸危機以及全球金融危機。各家公司也都面臨著各種風險。無處不在的風險日益成為懸在金融市場主體上的一把“達摩克利斯之劍”。與此同時，計算機技術(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)的應用，給具有大數(shù)據(jù)特征的金融風險管理分析帶來了機遇和挑戰(zhàn)，人工智能開始逐步應用于金融風險管理領(lǐng)域，引導著行業(yè)的變革。而在演進的發(fā)展過程中，深度學習是解決人工智能應用能夠發(fā)展的關(guān)鍵。金融市場是一個嘈雜的、具有非參數(shù)特點的動態(tài)系統(tǒng)，對金融數(shù)據(jù)進行分析與預測是一項極具挑戰(zhàn)性的工作。但是，傳統(tǒng)的計量方程模型或者是帶有參數(shù)的模型已經(jīng)不具備對復雜、高維度、帶有噪音的金融市場數(shù)據(jù)序列進行分析建模的能力，而且傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)方法也無法準確分析建模如此復雜序列的數(shù)據(jù)，同時傳統(tǒng)的機器學習的方法又十分依賴建模者的主觀設(shè)計，很容易導致模型風險。這些方法在應用過程中存在著過擬合、收斂慢等問題。而深度學習方法為金融數(shù)據(jù)分析提供了一個新的思路。近年來，深度學習被廣泛應用到人工智能任務(wù)中（如AlphaGo），并在圖像處理、人臉識別、語音識別、文本處理等方面取得一系列成果。因此，隨著金融數(shù)據(jù)復雜程度的提高，帶來了對其分析需求的提升，因而深度學習的應用已經(jīng)成為了金融風險管理領(lǐng)域的研究前沿，也必將在金融風險管理領(lǐng)域產(chǎn)生顛覆性的變革。

二、深度學習在金融風險管理領(lǐng)域主要應用研究

深度學習是通過人工神經(jīng)網(wǎng)絡(luò)發(fā)展而衍生的，包含復雜多層次的學習結(jié)構(gòu)，其建立是基于模仿人類大腦的學習機制。深度學習模型通過對每一數(shù)據(jù)特征的學習，繼而將新的特征輸入到下一層中，在這個過程中新的特征是通過對學習到的數(shù)據(jù)特征進行特定的特征變換得到的，提升了模型的預測效果。堆棧自動編碼器和深度置信網(wǎng)絡(luò)模型是由自動編碼器和受限玻爾茲曼機串聯(lián)而組成的（Najafabadietal.，2015），在針對大量數(shù)據(jù)時，這類結(jié)構(gòu)具備對其進行無監(jiān)督學習（HintonandSalakhutdinov，2006）；在運用深度置信網(wǎng)絡(luò)時，其算法主要包括馬爾科夫鏈蒙特卡羅算法、Gibbs采樣算法、受限玻爾茲曼機評估算法、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，應用原理為通過應用卷積核于局部特征提取得到新的模糊圖像。在深度學習模型中，存在傳統(tǒng)反向傳播算法和梯度下降法計算成本較高的問題，為了進一步更好地應用深度學習模型，解決這些問題，Hintonetal.（2006）提出了貪心逐層算法，大大地減少了訓練學習過程所需的時間。Raikoetal.（2012）發(fā)展了一種非線性變換方法，極大地提升了學習算法的速度，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展的判別算法，使其用于自然語言解析，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。學習率自適應方法如自適應梯度方法（Duchietal.，2011），可以提升深度結(jié)構(gòu)中訓練的收斂性并且除去超參數(shù)中存在的學習率參數(shù)；LeRouxetal.（2008，2011）提出了在學習場景中能提升訓練過程速度的算法。這一系列算法改進，極大地改善了模型的預測效果，為深度學習在金融領(lǐng)域的發(fā)展奠定了基礎(chǔ)。

（一）深度卷積神經(jīng)網(wǎng)絡(luò)在金融風險管理中的應用。

在金融風險管理領(lǐng)域，深度卷積神經(jīng)網(wǎng)絡(luò)主要應用于預測及評估風險。不同于傳統(tǒng)方法，深度學習模型不需要對收益率的分布進行假設(shè)和方差的估算。李卓（2017）提出了深度學習VaR測算方法，基于損失序列本身構(gòu)建深度學習模型，研究發(fā)現(xiàn)此方法相較于ARCH族模型下的VaR計算更為精確?；诖?，韓正一（2016）拓寬了銀行風險監(jiān)測和管理的方法和思路，應用最新的人工智能技術(shù)，即深度神經(jīng)網(wǎng)絡(luò)方法，于信貸風險監(jiān)測領(lǐng)域，優(yōu)化模型的訓練方法，經(jīng)過測試發(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)，基于真實事件的發(fā)生概率建立了深度學習模型，通過模擬價格的深層信息的D維數(shù)據(jù)空間局部特征生成一個低維的價格空間，從而對價格進行預測。該模型不僅能夠應用與分析樣本外時間的最優(yōu)賣出價格和最優(yōu)買入價格的聯(lián)合分布，也能夠?qū)ο迌r指令簿的其他行為進行建模分析，適用于對任一D維空間數(shù)據(jù)進行分析建模。他進一步指出，因為深度神經(jīng)網(wǎng)絡(luò)可以較好地提取限價指令簿的深層信息，故在應用于風險管理中，能較好地處理尾部風險，其研究具有特別的意義。

（二）深度置信網(wǎng)絡(luò)在金融風險管理中的應用。

深度置信網(wǎng)絡(luò)在金融風險管理中的應用主要是對風險進行度量和預警。為了解決有監(jiān)督學習問題，使受限波爾茲曼機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)受限波爾茲曼機的深度置信網(wǎng)絡(luò)，利用單戶企業(yè)財務(wù)數(shù)據(jù)，建立了財務(wù)危機預警模型，相較于其他方法預測更為準確。丁衛(wèi)星（2015）基于深度置信網(wǎng)絡(luò)模型，訓練生成了一個五層的深度學習交易欺詐偵測系統(tǒng)，經(jīng)過對數(shù)據(jù)的一系列處理，檢驗了模型的交易欺詐識別效果。

（三）堆棧自編碼網(wǎng)絡(luò)在金融風險管理中的應用。

楊杰群（2015）認為深度學習是處理股指期貨的有效方法，將深度學習網(wǎng)絡(luò)用于股指期貨的預測中進行研究，基于自動編碼器等算法建立深度學習網(wǎng)絡(luò)模型，并進行對比分析，最終根據(jù)交易抉擇設(shè)計了用于交易的網(wǎng)絡(luò)預測系統(tǒng)。另外，對金融產(chǎn)品與工具的有效管理，能夠有效地避免一些金融市場上的非系統(tǒng)性風險。FehrerandFeuerriegel（2015）基于遞歸自動編碼器預測模型，利用2004年1月至2011年6月期間的股票數(shù)據(jù)，測試對已披露財務(wù)信息的反應。他們重點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，基于此模型對其進行預測。還有部分文獻中，重點研究分析財務(wù)文本與風險信息的相關(guān)關(guān)系，對其進行風險預測。從銀行、國家、歐洲三個層面，基于銀行破產(chǎn)事件、政府干預行為等來研究分析文本信息中隱藏的銀行危機信息，基于深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來挖掘其中的關(guān)系。

三、深度學習在金融風險管理領(lǐng)域中的應用貢獻及挑戰(zhàn)

（一）深度學習在金融風險管理領(lǐng)域中的應用貢獻。

傳統(tǒng)方法在應用于具有復雜數(shù)據(jù)特征的金融風險管理領(lǐng)域容易出現(xiàn)以下問題：第一，傳統(tǒng)建模方法往往難以挖掘復雜的數(shù)據(jù)特征，傳統(tǒng)方法無法準確地反映金融市場特征，容易忽略很多外因，如政策變化、經(jīng)濟發(fā)展水平、行為人預期及心理變化等與市場相關(guān)的因素，這些因素增加了發(fā)現(xiàn)金融風險隱藏的經(jīng)濟理論邏輯的困難（尚玉皇和鄭挺國，2016）；第二，傳統(tǒng)模型由于過度依靠研究者的主觀設(shè)計，包含了主觀因素，導致設(shè)計具有不完整性的特征。另外，傳統(tǒng)的線性方法需要強烈的“線性”假設(shè)，而傳統(tǒng)的機器學習方法無法較好地處理噪音信號。這些問題制約了對金融市場中數(shù)據(jù)的準確預測與分析。通過梳理已有相關(guān)國內(nèi)外研究文獻，在金融風險管理領(lǐng)域中，深度學習的貢獻主要分為兩個方面：一是深度學習具備強大的挖掘?qū)W習能力，能夠更為準確地挖掘隱藏于數(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，深度學習的應用不但推動了該領(lǐng)域中的預測方法的改進，還優(yōu)化了適用于深度網(wǎng)絡(luò)、解決無效訓練問題的算法，帶來了傳統(tǒng)實證應用研究方法的進步；二是深度學習在金融風險管理領(lǐng)域數(shù)據(jù)分析方法的成果也推動了相關(guān)經(jīng)濟理論的發(fā)展與完善。

（二）深度學習在金融風險管理領(lǐng)域中的應用挑戰(zhàn)。

金融科技的不斷發(fā)展給金融風險管理領(lǐng)域帶來了機遇，同時深度學習在金融風險管理領(lǐng)域也面臨著諸多挑戰(zhàn)。第一，深度學習的應用面臨著程序出錯的風險，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。在金融風險管理過程中，基于對大量數(shù)據(jù)分析的結(jié)果，進而對風險進行預測和評估分析。如果程序發(fā)生了錯誤，研究者就無法做出正確的風險管理決策，進而遭受損失；第二，深度學習模型的正確運用需要研究者對深度學習模型具備深刻的理解，并且能夠結(jié)合在金融風險管理領(lǐng)域的專業(yè)理論知識。由于模型的構(gòu)建與優(yōu)化較為復雜，研究者對金融市場及風險管理理論的準確認識極為重要，不了解相關(guān)理論知識，而單純應用深度學習無法發(fā)揮模型的作用；第三，深度學習模型的發(fā)展及推廣應用使得許多金融傳統(tǒng)業(yè)務(wù)的運作模式發(fā)生了改變，使金融監(jiān)管面臨著新的挑戰(zhàn)?，F(xiàn)有的金融監(jiān)管體系下難以界定由于金融科技故障進而導致的風險事件責任。這些都使得深度學習模型的應用存在一些問題。

四、在金融風險管理領(lǐng)域中合理運用深度學習的對策建議

在金融風險管理領(lǐng)域正確地運用深度學習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，進而推動金融風險管理過程的改進。同時，其應用也會存在著挑戰(zhàn)。為此，探討如何合理運用深度學習模型的問題具有深刻的意義。首先，需要正確認識金融系統(tǒng)中的深度學習運用，完善模型程序設(shè)計的原則及流程，盡量降低程序出現(xiàn)錯誤的概率；其次，完善深度學習的應用體系，制定相關(guān)的維護技術(shù)措施、人力措施，引進及培養(yǎng)相應領(lǐng)域的人才，加快轉(zhuǎn)型；最后，完善深度學習在金融風險管理領(lǐng)域應用的監(jiān)督措施，確保出現(xiàn)由于人工智能應用導致的重大問題或隱患時，具備相應的準則來界定風險處置責任。深度學習模型的應用在相關(guān)領(lǐng)域的完善也必將推動金融風險管理領(lǐng)域的快速發(fā)展。

主要參考文獻：

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

［2］蘇治，盧曼，李德軒.深度學習的金融實證應用：動態(tài)、貢獻與展望［J］.金融研究，2017（5）.

［3］于振，丁冰冰，劉永健.深度學習在農(nóng)村金融行業(yè)風險管理中的應用研究［J］.科技資訊，2017.15（15）.

［4］劉建偉，劉媛，羅雄麟.深度學習研究進展［J］.計算機應用研究，2014.31（7）.

［5］盧慕超.基于深度置信網(wǎng)絡(luò)的商業(yè)銀行信用風險預測實證研究［D］.太原理工大學，2017.

［6］李卓.基于深度學習的VaR測算研究［D］.蘭州財經(jīng)大學，2017.

［7］韓正一.基于深度神經(jīng)網(wǎng)絡(luò)的銀行信貸風險監(jiān)測模型研究及實驗［D］.鄭州大學，2016.

［8］楊杰群.基于深度學習之股指期貨交易［D］.中國科學技術(shù)大學，2015.

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

作者：席悅欣 盧萬青 單位：廣東外語外貿(mào)大學金融學院