机器学习白皮书系列之三：深度学习的方法介绍及金融领域应用实例

AI 全书内容总结

这是长江证券2018年1月发布的机器学习白皮书系列第三篇金融工程专题，系统介绍深度学习常用算法及其在金融领域的应用实例。报告先概述深度学习在图像识别、语音识别、翻译、AlphaGo等领域的成功，并分析其在金融应用受限的原因：量化策略多依赖相对完善的金融逻辑、金融数据量不足易致过拟合、市场多变且信噪比低，认为有效实践可能率先出现在日内或高频交易。方法部分依次讲解：监督学习中的激活函数演进（sigmoid、tanh、ReLU）、深度神经网络DNN、循环神经网络RNN与LSTM、卷积神经网络CNN；无监督的限制波尔兹曼机RBM（特征提取与降维）；强化学习与Q学习算法。应用实例方面，报告在统一的多因子选股框架下分别用DNN与LSTM回测（2005-2017年样本、17个因子、月度调仓），DNN分组收益单调性较好、第一组年化超额约23.6%，LSTM整体弱于DNN，并讨论训练成本偏高与“记忆的是信息还是噪音”等问题；另介绍摩根大通用强化学习开发限价订单执行模块的案例，最后比较深度学习与传统机器学习的适用场景。适合想了解深度学习技术体系及其量化应用边界的读者，回测结论基于历史数据。