ARXIV：深度学习在金融领域中的应用 | 唧唧堂论文解析( 二 ) _模型

由于其优良的时间序列预测应用性，LSTM模型成为进行金融研究的首选模型。因此只要金融数据的时变性依旧存在，LSTM及相关衍生模型仍将为人热衷。最近两年，CNN也逐渐流行起来。CNN更适用于非时变或静态数据，而大多数金融数据随时间变化，因此研究员们创新性地将具有时变性的金融数据转换为二维的如静态图象的数据，从而将CNN应用到分类问题上。DRL日渐热门，算法交易是其应用热门领域，但同时在其它领域，它也展现出了不俗的实力。
在大多数论文中，混合模型比单一模型性能更好。但挑战是这些模型不容易构建，可能很难阐述。
虽然很难量化DL相比ML的改进量，但不得不说DL模型比ML性能优异。这凸显在基于趋势预测的算法交易实现和文本挖掘研究中。
2．应用领域
价格及趋势预测和算法交易一直是深度学习应用的热门领域。金融文本挖掘是最受关注的，这也是得益于网络技术的日益发达，金融新闻、推文、公告、博客等媒体信息为研究提供了数据素材，而研究往往是将文本挖掘与情感分析结合起来。
未来热门研究方向将会包括加密货币，区块链研究。这类主题比较新，且研究投入-产出比可观，会有更多的研究出现。
3．开放性问题及未来工作
（1）模型
Tips 1: CNN继续火热，新兴模型如GAN、胶囊网络等或许成为现有金融研究模型的更好替代方法。
Tips 2 : 金融文本挖掘未来或可和NLP集成模型结合起来。
Tips 3: 混合模型将比单一模型更多采用。
（2）应用
新研究领域或创新领域包括如下：
加密货币和区块链技术
投资组合管理：使用集成模型进行优化
金融衍生品市场：期权策略优化、期货交易、期权定价、套利交易等
高频交易：研究嵌入GPU 或FPGA的DL模型以提高模型运算速度
（3）建议
行为金融是个可能的实施领域。
参考文献：
, A.M., , M.U., & Sezer, O.B. (2020). Deepfor: A .
解析作者: R&F
【ARXIV：深度学习在金融领域中的应用 | 唧唧堂论文解析】

文章插图