神经网络和深度学习在量化投资中的应用

谷歌Alphago在围棋比赛中以压倒性优势击败著名九段棋手李世石的消息引起了人们极大的关注,人工智能和深度学习也开始为更多的人所了解。深度学习是在人工神经网络的基础上提出的,它是包含多个隐含层的神经网络,相比于简单的神经网络它具备更加强大的学习能力,能够对数据做出更高层次的抽象,因此实际应用效果也更好。但是深度神经网络的训练一直是个难题,在2006年以前,深度神经网络很少在机器学习领域被提起,因为它不好训练,而且很容易过度拟合导致泛化能力差。直到2006年,Hinton[6]教授提出了深度学习的概念,并通过逐层训练的方法解决了深度神经网络难以训练的问题。之后,Hinton[7]等人又提出了解决神经网络过度拟合的Dropout方法,使得深度网络的泛化能力得到提高。目前,深度学习已经广泛的应用到了图像识别、语音识别以及自然语言处理等领域,并掀起了研究的热潮。本文中将对神经网络和深度学习的理论进行简介和概述,并尝试将这些理论模型应用到金融数据中以检验其实际应用效果。全文共分为四章：第一章简单介绍神经网络和深度学习的发展以及本文的组织结构；第二章则详细介绍简单神经网络以及它的一些改进方法；第三章介绍深度学习的障碍以及深度学习模型；第四章则将神经网络和深度学习方法应用到股指期货数据中并比较分析两者效果。文中从最基础的感知机模型开始介绍神经网络,之后介绍sigmoid神经元以及神经网络,介绍完神经网络接着介绍它的训练方法以及训练中最常用最基础的误差反向传播算法。之后会对神经网络中的一些问题进行分析并针对具体问题介绍它的相应改善方法。在介绍完简单的神经网络以后,本文会以一个具体例子来介绍深度神经网络训练时的困难之处,然后会介绍使这些困难得到成功解决的深度学习模型。其中会讲到受限玻尔兹曼机,它是深度信念网络的基础,文中会对它做详细介绍；还会讲到另外一种在图像识别中常用的深度学习模型卷积神经网络模型,文中会对其核心思想进行详细介绍。在介绍完理论部分后,文章的最后尝试将简单神经网络和深度学习模型应用到股指期货收盘价涨跌预测中,其中模型输入会用到当前交易时刻的价格、交易数据以及部分技术指标,输出则是下一个交易时刻收盘价的涨跌,若上涨则输出为1若下跌则为0,模型训练好以后我们输入新的数据,并将模型输出与真实数据进行比较,从而判断模型的应用效果,并分别对简单神经网络和深度学习模型应用效果进行分析比较。