白癜风治疗医院哪家最好 http://m.39.net/pf/bdfyy/bjzkbdfyy/

在年《EuropeanJournalofOperationalResearch》上发表了一篇关于深度学习支持财务决策的文章《Candeeplearningpredictriskyretailinvestors?Acasestudyinfifinancialriskbehaviorforecasting》。来自柏林洪堡大学、南安普顿大学、伦敦大学的A.Kim等人进行了该项研究。

该文研究了深度学习如何支持财务风险管理决策。研究团队开发了一个深度学习模型来预测个体价差交易者是否能从未来交易中盈利。而这一任务是风险和行为预测建模曾经面临的典型挑战。传统的机器学习需要与目标相关的特征变量数据，这些特征变量都需要手工开发、维护和修订，而这些开发、维护和修订的成本通常很高。因此，想要对交易者行为这种具有高度不确定性与易变性的模式进行建模非常困难，而深度学习可以很好地解决这一问题，它可以自动学习数据的分层分布与表示，并且它能够自动生成特征变量(例如交易人员的盈利能力)，避免了由人工来生成特征，并且机器生成的特征在不同的条件下(例如动态市场条件)有着更好的适用性。这一研究的结果验证了深度学习的特征学习能力，为设计合适的网络架构提供了指导，并展示了深度学习相对于机器学习和传统方法的优越性。（以下来自：《Candeeplearningpredictriskyretailinvestors?Acasestudyinfifinancialriskbehaviorforecasting》）

1绪论

本文应用最近开发的深度学习(DL)方法来预测价差交易市场中散户投资者的行为。做市商依靠对交易员未来成功的准确预测来管理金融风险。我们通过DL开发一个预测模型并确定基于模型的对冲策略的盈利能力，证明了DL生成的DL风格的特征可以推广到零售金融和决策支持中。

深度神经网络(DNN)以分层的方式运行。每一层都会接收来自前一层的输入，并且将输入数据特征化，再输出到后面一层到后续层。人脸识别就是这种方法的例证，为了在图像中检测人脸，首先DNN从原始像素中抽取低层次的概念，如线和边界。较深的层次将较低层次的输出泛化为更复杂的概念，如正方形和三角形，最终形成一个面。决策支持中的一个类似的例子是企业信用风险建模。破产预测模型根据会计变量(如总资产/总负债)的比率来估计违约概率。而在DL框架中，这样的比率是低级别的表示。使用资产负债表数据作为输入，DNN的低层可以关联报表变量并以数据驱动的方式计算信息比率。更高层次的数据表示可以包括财务比率的趋势或比率变量之间的相互依赖关系。具体的表示是自主计算的。不同复杂性表示的层次组合使DNN能够学习抽象概念，如拖欠借款人的概念。这种学习方法还能较为有效的提取训练数据中没有很好地在模型中表示的部分模式的能力，而机器学习(ML)模型很难做到这一点。DL方法在计算机视觉、语言处理等应用中取得了优异的效果。这一成功确立了基于DL的特征学习在依赖非结构化数据的程序中的有效性。

传统的ML可以应用于许多方面。营销模型可以支持客户商业周期的所有阶段，包括响应建模、交叉/升级销售(Chen,Fan，Sun,)和客户流失预测(Verbeke,Dejaeger,Martens,Hur，Baesens,)。金融机构使用ML预测金融市场发展(Oztekin,Kizilaslan,Freund，Iseri,a)，预测企业借款人的偿付能力(duJardin,)，或通知信贷审批决定(Lessmann,Baesens,Seow，Thomas,)。这类应用程序依赖于结构化数据，如过去的客户交易、价格变化或贷款偿还情况。DL在非结构化数据处理方面的成功能否推广到结构化数据占主导地位的决策支持应用程序还不能确定。因此，本文的目标是检验DL在决策支持方面的有效性，检验其特征学习能力是否能推广到该领域中常见的结构化数据集，并为如何建立基于DL的决策支持模型提供指导。

我们要在财务风险管理的背景下达成我们的目标。利用价差交易市场的数据，我们预测了个体交易者的盈利能力。模型的目标是识别对做市商构成高风险的交易者，并建议套期保值政策，使做市商的利润最大化。交易员风险预测除了可以实际使用于价差交易公司，还代表了基于ML的决策支持中经常遇到的挑战。

第一个挑战是比例问题。发生借款人违约等不良事件的人只代表少数群体，这阻碍了ML的发展(Verbekeetal.，)。第二个挑战是在动态环境中出现的概念转移。ML模型从过去的数据中学习主题特征(例如客户以前的交易)和目标(例如交易员盈利能力)之间的函数关系。环境的变化使这种关系更加不稳定，也更难推断。维度是另一个建模挑战。企业数据仓库提供了关于建模主题(如交易员)的大量信息，在存在大量特性的情况下很难学习可归纳的模式(Hastie,Tibshirani，Friedman,)。最后，ML的成功取决于信息特征的可用性。特征工程是由领域专家手动进行的。考虑到高昂的劳动力成本、缺乏熟练的分析师以及应对外部变化时，这些特征要通过手工修改，手工特征工程降低了ML的效率，并成为基于ML的决策支持的障碍。

这些挑战的共同点是它们降低了训练数据的代表性。ML作为一种数据驱动的方法非常依赖其数据的代表性，所以这些挑战会降低数据驱动的ML模型的有效性和效率。以我们的应用为例，DL的学习能力让其能够比手工建立特征更好地识别高风险交易者。特征-目标关系的泛化程度越高，对交易行为的外部变化的适应性也越好（例如由商业周期、市场状况、公司运营等变化引起的变化）。取代昂贵的人工特征工程也将提高基于模型的决策支持系统的效率。

考虑到深度数据挖掘克服决策支持中常见建模挑战的能力，本文做出了以下贡献。首先，它是第一批检验DL与结构化的、个人层次的行为客户数据结合的有效性的研究之一。在预测个体交易者的冒险行为时，我们