基于模块化网络学习的财务风险与收益预测

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Financial Risk and Returns Prediction with Modular Networked Learning》
---
作者：
Carlos Pedro Gon\\c{c}alves
---
最新提交年份：
2018
---
英文摘要：
  An artificial agent for financial risk and returns\' prediction is built with a modular cognitive system comprised of interconnected recurrent neural networks, such that the agent learns to predict the financial returns, and learns to predict the squared deviation around these predicted returns. These two expectations are used to build a volatility-sensitive interval prediction for financial returns, which is evaluated on three major financial indices and shown to be able to predict financial returns with higher than 80% success rate in interval prediction in both training and testing, raising into question the Efficient Market Hypothesis. The agent is introduced as an example of a class of artificial intelligent systems that are equipped with a Modular Networked Learning cognitive system, defined as an integrated networked system of machine learning modules, where each module constitutes a functional unit that is trained for a given specific task that solves a subproblem of a complex main problem expressed as a network of linked subproblems. In the case of neural networks, these systems function as a form of an \"artificial brain\", where each module is like a specialized brain region comprised of a neural network with a specific architecture.
---
中文摘要：
金融风险和收益预测的人工智能体由一个由互连的递归神经网络组成的模块化认知系统构建，以便智能体学习预测金融收益，并学习预测这些预测收益的平方偏差。这两个预期用于构建金融收益的波动敏感区间预测，该预测基于三个主要金融指数进行评估，并证明能够预测金融收益，在培训和测试中的区间预测成功率高于80%，从而对有效市场假设提出质疑。作为一类人工智能系统的一个示例，引入了agent，该系统配备了模块化网络学习认知系统，定义为机器学习模块的集成网络系统，其中，每个模块构成一个功能单元，该功能单元针对一个给定的特定任务进行培训，该任务解决一个复杂主问题的子问题，该问题表示为一个链接子问题网络。在神经网络的情况下，这些系统作为“人工大脑”的一种形式发挥作用，其中每个模块就像一个专门的大脑区域，由具有特定架构的神经网络组成。
---
分类信息：

一级分类：Computer Science        计算机科学
二级分类：Machine Learning        机器学习
分类描述：Papers on all aspects of machine learning research (supervised, unsupervised, reinforcement learning, bandit problems, and so on) including also robustness, explanation, fairness, and methodology. cs.LG is also an appropriate primary category for applications of machine learning methods.
关于机器学习研究的所有方面的论文（有监督的，无监督的，强化学习，强盗问题，等等），包括健壮性，解释性，公平性和方法论。对于机器学习方法的应用，CS.LG也是一个合适的主要类别。
--
一级分类：Computer Science        计算机科学
二级分类：Computational Engineering, Finance, and Science        计算工程、金融和科学
分类描述：Covers applications of computer science to the mathematical modeling of complex systems in the fields of science, engineering, and finance. Papers here are interdisciplinary and applications-oriented, focusing on techniques and tools that enable challenging computational simulations to be performed, for which the use of supercomputers or distributed computing platforms is often required. Includes material in ACM Subject Classes J.2, J.3, and J.4 (economics).
涵盖了计算机科学在科学、工程和金融领域复杂系统的数学建模中的应用。这里的论文是跨学科和面向应用的，集中在技术和工具，使挑战性的计算模拟能够执行，其中往往需要使用超级计算机或分布式计算平台。包括ACM学科课程J.2、J.3和J.4（经济学）中的材料。
--
一级分类：Computer Science        计算机科学
二级分类：Neural and Evolutionary Computing        神经与进化计算
分类描述：Covers neural networks, connectionism, genetic algorithms, artificial life, adaptive behavior. Roughly includes some material in ACM Subject Class C.1.3, I.2.6, I.5.
涵盖神经网络，连接主义，遗传算法，人工生命，自适应行为。大致包括ACM学科类C.1.3、I.2.6、I.5中的一些材料。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Computational Finance        计算金融学
分类描述：Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法，包括蒙特卡罗，偏微分方程，格子和其他数值方法，并应用于金融建模
--
一级分类：Statistics        统计学
二级分类：Machine Learning        机器学习
分类描述：Covers machine learning papers (supervised, unsupervised, semi-supervised learning, graphical models, reinforcement learning, bandits, high dimensional inference, etc.) with a statistical or theoretical grounding
覆盖机器学习论文（监督，无监督，半监督学习，图形模型，强化学习，强盗，高维推理等）与统计或理论基础
--

---
PDF下载：
--> Financial_Risk_and_Returns_Prediction_with_Modular_Networked_Learning.pdf (713.16 KB)

2022-6-10 04:07:45 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：模块化网络 财务风险 学习的 网络学 模块化

利用模块化网络学习进行金融风险和回报预测Carlos Pedro Goncalves 2018年6月18日里斯本大学政治社会高级研究所（ISCSP），cgoncalves@iscsp.ulisboa.ptAbstractAn金融风险和回报预测的人工智能体由一个模块化的认知系统构成，该系统由相互关联的递归神经网络组成，这样，智能体可以学习预测金融回报，并学习预测这些预测回报的平方偏差。这两个预期用于构建对财务回报的偏好敏感区间预测，该区间预测基于三个主要财务指标进行评估，并显示能够预测财务回报，在培训和测试中，区间预测的成功率均高于80%，这对有效市场假设提出了质疑。该代理作为一类配有模块化网络学习认知系统的人工智能系统的一个示例引入，该系统被定义为机器学习模块的集成网络系统，其中，每个模块组成一个功能单元，该功能单元针对一个给定的特定任务进行培训，该任务解决一个复杂主问题的子问题，该问题表示为一个链接子问题网络。在神经网络的情况下，这些系统作为“艺术大脑”的一种形式发挥作用，其中每个模块就像一个特殊的大脑区域，由一个具有特殊架构的神经网络组成。关键词：模块化网络学习、长短记忆、网关电流单元、金融动荡、金融管理1介绍在人工智能（AI）的背景下，机器学习允许开发能够学习解决问题的智能系统[1、2、3]。

当一个问题为一个人工智能体提供了一个信息特征向量、一个目标变量和一个单一的优化目标时，当处理更复杂的问题时，可以通过使用一些合适的单机学习体系结构对智能体进行编程来解决，这些问题可以表示为一个链接子问题的网络，每个子问题都有自己的目标和优化目标，艺术代理人的认知架构需要扩展。利用机器学习的框架，通过跟踪不同子问题之间的网络关系，这种扩展成为可能。在这种情况下，可以根据模型网络学习（MNL）系统设计agent的认知结构，其中每个模块都是一个认知单元，可以由任何机器学习体系结构组成。每个模块都可以从其链接的其他模块接收输入，也可以接收外部输入。按照主要问题的网络化结构，每个学习单元都基于一个模块特定的目标进行训练，因此，MNL系统不是单一的回归或分类问题，而是与多个目标协同工作，这些目标与相互关联的子问题相关联，起到模块化的学习单元相互关联系统的作用。从这个意义上讲，MNL系统是一个由机器学习模块组成的集成系统，其中每个学习模块构成一个功能单元，该功能单元针对一个给定的特定任务进行训练，该任务解决复杂主问题的一个子问题，该子问题由不同的互连子问题组成。

这创造了一个层次结构的模块认知系统，其中模块层次结构来源于不同模块之间的网络关系，反映了不同子问题之间的网络关系。在人工神经网络的情况下，对于一般MNL系统，每个模块都是一个神经网络，MNL系统本身就是一个神经网络，也就是说，一个模块化的神经网络，其中每个模块都是一个神经网络，因此，每个学习模块的功能就像一个专门的（人工）“大脑区域”，为特定目标上的特定任务而训练，解决特定子问题。如上所述，模块系统中不同神经网络之间的联系与MNL系统旨在解决的主要网络问题的网络结构有关。在财务方面，MNL系统的应用为财务建模、管理和分析提供了不同的方式。也就是说，传统金融理论使用两种主要的统计指标来衡量投资组合管理和风险管理：预期回报和预期回报的方差[4、5、6]。

然而，该理论的主要假设是金融市场是有效的，这导致了一种假设，即无法根据过去的回报预测未来的回报，最后一期的价格资本化，使用固定的预期回报率，这是价格的最佳预测者，这一假设导致了价格变动的次参与统计假设[7，8]。与这一理论形成对比的是，基础分析和技术分析等金融管理学院假设存在可用于预测价格变动的信息，并根据过去的市场数据建立了不同的交易规则[5、9、10]。复杂系统科学和混沌理论在经济和金融领域的应用也提高了突发非线性动力学和随机噪声在金融回报动态中存在的可能性，并对金融理论发展和金融管理产生了影响【7、8、11、12、13、14、15、16、17】。引入了随机和确定性波动率建议【7、8、14】，包括分形和多重分形风险和回报模型【18、19、20、16、17】，并证明了至少在一定程度上解释了金融动荡中存在紧急非线性依赖，影响了预期金融回报周围的方差。在21世纪，随着金融技术行业的兴起和机器学习在金融交易中的集成，导致了金融行业的自动化浪潮【22、23】，非线性市场动力学问题是学术界、金融界和监管机构的一个中间问题【24、25、26】。在目前的工作中，我们将MNL应用于金融风险和回报预测，具体而言，我们解决了有效市场假说支持者所确定的两个主要参数：预期回报和预期回报的方差。

在事先不了解回报分布的情况下，我们的目标是让一名艺术代理人达到以下目标：1。根据过去的财务回报时间窗口，学习对下一期回报产生有条件的预期；2、根据以往观测值与预测值的平方偏差记录，学习围绕下一期收益预测，对下一期的平方偏差产生条件预期，从而学习对自己的预测误差产生预期，并以此方式，提供概率时变方差的机器学习替换；3、使用这两个预期为下一个时期的回报率生成一个预测区间，该区间考虑了预测波动率风险，由下一时期预测的平方根波动率来衡量。第三个任务是主要问题，可以通过使用第一个和第二个任务（这是两个链接的子问题）的输出来解决。FirstTask可以通过一个经过培训的模块来解决，该模块可以根据过去的回报预测下一期的回报。在给定的时间窗口内，这是主要的预测模块。

另一方面，第二个任务与第一个任务的模块有层次依赖关系，因为它与方差的概念相结合，方差是给定目标随机信号的期望值周围的平方偏差的期望值。金融收益率动力学中存在非线性波动动力学的证据【7、8、14、15】意味着条件方差必须随时间变化，因此，第二项任务必须采用学习模块，学习预测围绕第一个模块下一期预测的下一期方差平方，使用过去记录的观测值和预测值之间的平方偏差。从认知上来说，这意味着人工智能体能够预测目标变量，在这种情况下，即财务回报（主要预测模块专门用于此任务），但智能体还保留过去预测性能的内部工作记忆记录，即过去的平方偏差（这是第二个模块，扮演工作记忆单元的角色），并使用该记录预测第一个模块预测的下一期方差平方（这是第三个模块，对应于预测市场波动的离散预测单元）。因此，我们有一个代理，它不仅学习预测目标变量，还学习预测下一个周期预测的平方偏差，量化与时间预测任务相关的不确定性的预期值，这允许代理发出以第一个模块的预测为中心的预测间隔，但也考虑了预测偏差。

通过这种方式，代理人能够为财务回报输出经波动性调整的前瞻性时变预测间期。当离散度预测单元生成条件方差的机器学习版本时，对于区间预测，我们需要取该模块输出的平方根，从而在预期收益周围，在相当于条件标准偏差的一定数量的单位内生成一个区间。就金融理论而言，我们有一个模块化系统，该系统能够捕捉收益动态中的模式，以产生对下一期收益值的预期，但它也能够利用其预测周围平方偏差的过去跟踪记录来预测下一期的市场波动，因此，结合与市场波动性相关的二阶非线性。主预测模块在第一个任务上进行训练，而色散预测模块在第二个任务上进行训练。工作安排如下，在第2节中，我们首先讨论神经科学和人工智能研究中的模块化层次认知结构。在这项研究的基础上，在第2.1小节中，我们介绍了anMNL系统的概念，阐述了其一般结构和计算特性。在第2.2小节中，我们使用第2.1小节中定义的方法解决了财务风险和收益预测代理问题。

在第2.3小节中，我们为agent的模块单元介绍了两种学习体系结构，一种基于长短时记忆（LSTM）网络，另一种基于选通递归单元（GRU）。我们证明，LSTM和GRU本身都是神经网络的模块化系统，因此，当我们将它们连接到MNL系统中时，我们会得到一个更复杂的模块层次结构，其中每个学习模块都是自己的模块化系统。当MNL系统是一个层次化模块化神经网络，由学习模块组成，这些模块本身就是针对特定任务的模块化神经网络时，认知系统不仅能够解决与复杂问题相关的子问题连通性，而且每个子问题也能由针对特定子问题进行优化的模块化系统自适应解决。这产生了从局部功能模块水平到整个艺术认知系统更高尺度的缩放适应性。在第3节中，我们比较了这两种架构在三个金融指数上的表现：标准普尔500指数、纳斯达克综合指数和罗素2000指数。在第4节中，我们总结了工作，讨论了主要结果对融资的影响。2针对金融风险和回报预测的模块化网络学习模块化网络认知将适应性、功能性和信息流联系起来，以解决复杂问题。

在模块化网络认知系统中，每个模块的自适应功能都会提高整个系统的自适应能力。模块之间的信息流以及模块之间的链接方式在整个系统的自适应响应中起着基础性作用，因为考虑到任何依赖于其他模块输入的给定模块，其对认知系统中功能角色的充分发挥的自适应响应，以这种方式取决于其他模块的自适应响应，整个系统的进化成功取决于每个模块的自适应响应。在神经科学中，可以根据局部拓扑结构来确定大脑的模块化结构，该结构在生物体的神经处理和认知中具有一定的功能【27、28、29】。模块化可以通过大脑区域或甚至是模块层次结构中组织的多层结构来识别【27，28】。从进化的角度来看，模块化，即生物大脑中的模块化，被认为是促进进化、节约布线成本，以及作为专门信息处理和功能的基础[29]。在认知科学中，模块化重要性的论据并不新鲜，例如，福多尔（Fodor）[30]提出了一个认知的模块化论题。Changeux和Dehaene还从进化生物学和神经科学的角度扩展了认知科学的模块化论文[31]。最近，Kurzweil【32】基于模式识别模块的层次模块化，构建了一种认知模式识别方法，以接近新皮质的计算模型，旨在研究onAI。