近年來，隨著人工智能領(lǐng)域的快速發(fā)展和金融行業(yè)對高效、準(zhǔn)確決策需求的提升，深度學(xué)習(xí)技術(shù)逐漸走進(jìn)了金融市場。這種基于神經(jīng)網(wǎng)絡(luò)模型和大數(shù)據(jù)分析方法相結(jié)合的新興技術(shù)，在預(yù)測股票價(jià)格、風(fēng)險(xiǎn)控制以及投資組合優(yōu)化等方面顯示出巨大潛力。

深度學(xué)習(xí)是一種機(jī)器學(xué)習(xí)算法，通過多層次非線性變換進(jìn)行特征抽取與表示，并利用反向傳播算法訓(xùn)練模型參數(shù)。它具備自動識別復(fù)雜關(guān)聯(lián)規(guī)律、處理海量數(shù)據(jù)并實(shí)現(xiàn)端到端建模等優(yōu)勢，因此被廣泛認(rèn)為可解決傳統(tǒng)統(tǒng)計(jì)方法無法涵蓋問題所帶來的挑戰(zhàn)。

首先, 深度學(xué)習(xí)在股票預(yù)測中表現(xiàn)出色。由于股價(jià)受眾多因素影響且呈現(xiàn)高度不確定性, 采用傳統(tǒng)方法進(jìn)行精準(zhǔn)預(yù)測十分困難. 然而, 基于深度神經(jīng)網(wǎng)絡(luò)構(gòu)建起來的預(yù)測模型可以更好地捕捉歷史趨勢和未知信息之間隱藏關(guān)系; 同時, 它還能夠根據(jù)時間序列數(shù)據(jù)推斷出未來可能產(chǎn)生影響力或主導(dǎo)作用事件.

其次, 在風(fēng)險(xiǎn)控制領(lǐng)域也有顯著突破. 風(fēng)險(xiǎn)管理是每個金融機(jī)構(gòu)都必須重視且需要持續(xù)改善的環(huán)節(jié). 利用深度學(xué)習(xí)除了從過去獲取教訓(xùn)外 , 還可以有效整理當(dāng)前系統(tǒng)各要素存在漏洞或異常情形 ; 并迅速做出判斷 , 提供有效防范手段 . 囊括交易流程監(jiān)管 ，內(nèi)部操作審查甚至客戶信貸評級體系 .

最后值得一提 的 是 投 資 組 合 優(yōu) 化 。 根據(jù) 數(shù) 字 數(shù)據(jù) 和 大 角 度 分 析 不同證券之間相關(guān)性 只會增加 收 益率 并 減 少 波 動 性 。 具體 來說 ， 對數(shù) 模 散點(diǎn)圖 (log-scaled scatter plot) 強(qiáng)調(diào)兩只 或者 更 多 股 票 如何 移 動 關(guān) 注目標(biāo)指數(shù)上 下 單位 百 分比 方式 行駛 中心位置 目前 已然 成為 流 行數(shù)字 圖像科 學(xué)家們 探索 新奇 方法

盡管如此 ，令人驚訝 的 是 當(dāng)今 許多 專家依然保留懷疑態(tài) 廓 。他們 主張 高頻交 易活動 自造成 執(zhí)行結(jié)果 上 缺少 解釋意義；再 加上 實(shí)施 過程中 往 往遭遇 內(nèi)存容量限制（memory capacity limits）【待補(bǔ)充】 【描述下感覺】

共享單車公司ofo曾使用過類似方式設(shè)計(jì)運(yùn)營路線(operating routes)，但該企業(yè)已倒閉(bankrupt). 此例說明即使某些思路看起來極富商業(yè)前景(justifiable commercial prospects),事實(shí)上也不能完全排除失敗(failure)風(fēng)險(xiǎn)(risk).

雖然目前 深入 開 展 商務(wù)開 發(fā)項(xiàng)目 料將 至少持 續(xù)5-10年 時間才達(dá) 達(dá)到 結(jié)果期 （resultant phase），但 這項(xiàng)革命 性 技術(shù)既給予我們催眠般美夢(hypnotic dreams of beauty and grace)，同時 必定 導(dǎo)致 我們重新考慮“是否”選擇(wondering if we should or shouldn’t have )。