ARXIV：深度学习在金融领域中的应用 | 唧唧堂论文解析 _模型

文章插图
在预测股票价格趋势的文献中，有用到RSI指标（相对强弱指数）、MACD等技术分析指标、股票数据、限价订单数据来进行预测。还有一些研究侧重利用基于CNN的模型。他们使用技术分析将金融数据时间序列转换为二维图像，再利用CNN将其分类。Sezer 等人 [62] 直接使用条形图图像作为 CNN的输入，并将预测图像分类，确定是买入、持有还是卖出。
（3）其它

文章插图
2.2 风险评估
大多数风险评估研究集中于信用评分和银行困境分类。
（1）信用评分及分类

文章插图
（2）财务困境、破产、银行风险、贷款风险、危机预测研究
用来分析的指标主要是文本挖掘进行的情感分析、股指数据、价格等，常使用DBN与SVM结合进行研究，进行分类。

文章插图
2.3 金融欺诈

文章插图
这些类型的研究大多可视为异常检测，通常是分类问题。
2.4 投资组合管理
投资组合管理实际上是一个优化问题。因此，有许多 EA 模型是为此目的开发的。等人 [126] 调查了适用投资组合优化问题上的 MOEA 。
然而，一些DL研究人员设法使用学习模型，并得到了优良的结果。由于投资组合管理的智能咨询正在兴起，深度学习有可能在不远的将来对金融业产生更大的影响。

文章插图
2.5 资产定价与衍生品交易

文章插图
2.6 加密货币与区块链研究
已经出现一些关于加密货币的研究，主要是价格预测或交易系统。但是，总的来说，区块链研究仍然缺乏深度学习方面的研究。

文章插图

文章插图
2.7 金融情感分析和行为金融学

文章插图
2.8 金融文本挖掘

文章插图
2. 9 理论或概念性研究

文章插图
2.10 其它
这些研究包括社会保障支付服务、银行电话营销成功预测、加快金融交易处理的硬件解决方案等。

文章插图
文献快照
通过研究已发表的144篇文章，重点分析了已发表的论文的研究的主题、期刊类型、问题总类、研究方法、数据来源以及绩效标准。
（1）主题
主要是集中在金融文本挖掘、算法交易和风险评估这三个领域。
（2）发表时间
大多数文章在近三年发表，呈现竞秀之势。值得一提的是，2013年以前发表的论文均使用RNN模型。
（3）深度学习模型
主要是利用RNN、DMLP（深度多层感知模型）和CNN 。而但凡涉及RNN的模型中，又主要使用LSTM模型。
（4）软件环境
80%以上论文使用进行研究，10%选择R 。
（5）发表期刊
这些已发表的论文，主要来自于计算机科学与工程学的期刊。
未来工作展望
1．深度学习模型