基于模块化网络学习的财务风险与收益预测

虽然后面的这项工作主要涉及一种特定形式的机器学习体系结构，但在当前的工作中，我们提出了MNL系统的概念，它是一个集成的认知系统，由可以具有任何机器学习体系结构的模块组成。我们的工作从神经科学[27、28、29、31]中获得了计算和认知基础，特别是在神经认知中同时进行功能专门化和功能相互依存的重要性，正如Changeux和Dehaene[31]所述，这种相互依存关系适用于不同层次的神经功能组织。考虑到这个框架，我们现在引入MNL系统的概念。2.1模块化网络学习系统在其一般形式中，MNL系统可以定义为一个由模块网络组成的艺术学习系统，其中每个学习模块是一个认知单元，可以具有任何机器学习架构。我们考虑两种一般类型的模块：o转换单元：其任务是执行数据转换，可用于提取学习特征；o学习单元：旨在学习解决特定任务并采用一些机器学习架构。每个模块都可以接收来自与其链接的其他模块的输入，也可以接收外部输入。

这导致模块的第二个分类：o感觉模块：其输入特征仅由外部数据组成；o内部模块：其输入功能仅由其他模块的输出组成；o混合模块：其输入功能由外部数据和其他模块的输出组成。MNL系统中的每个学习单元都按照模块特定目标进行训练，为该目标生成预测值，因此，MNL系统不是单一的回归或分类问题，而是处理多个目标和（层次）关联问题，作为层次模块互连系统发挥作用。模块之间的连接引入了一种局部分层信息处理形式，其中给定模块可以使用其他模块的输出作为其各自功能的输入，在这种情况下，这就是其特定任务的解决方案。因此，整个系统处理复杂的问题，涉及多个相互关联的子问题。层次结构来自不同模块之间的互连，而这些模块又来自不同子问题之间的互连。

因此，模块（就学习单元而言，模块本身就是一个艺术学习系统）及其之间的连接不是通过将层次结构作为基本结构来设计系统，而是系统工程的基本基础，层次结构是模块之间连接的序列，而模块之间的连接反过来，反映了MNL系统必须解决的复杂问题的性质。MNL系统的培训协议必须遵循模块间知识，因此，必须首先对感觉模块进行培训，因为它们不接收任何内部输入，只处理外部数据，然后，培训必须遵循链接的顺序，以便在每个培训阶段，只在输入学习单元的所有培训之后对特定学习单元进行培训，由于它必须接收这些单元的输出，为了能够学习，它必须学会响应已经优化的输入学习单元。事实上，在目前的工作中，我们正在处理一个合作网络的例子，这些网络经过培训，可以在彼此工作的基础上解决不同的互连目标。在这种情况下，为了进行适当的优化，给定的学习单元需要对其功能依赖的学习单元进行培训。由于可以为模块选择任何机器学习体系结构，这取决于所使用的体系结构，因此我们可以拥有不同的模块系统。

然而，仅由神经网络组成的MNL系统具有特殊的特性：系统本身是一个神经网络，也就是说，我们有一个神经网络的模型系统，也就是说，它本身是一个神经网络，它为深度学习提供了另一个层次，可以描述为深度模块化分层学习的形式，因为每个神经网络都专门处理ASUBP问题，但网络的处理是相互关联的，这意味着，在更高的层次（更高的认知功能），模块需要与其他模块的处理输出协同工作，从感觉模块开始。这允许开发深度模块化网络学习，其中每个学习单元可以使用（可能不同的）深度学习架构。对于学习单元为递归神经网络的递归神经网络，两个学习单元之间的连接需要一个中间工作记忆单元，可以定义为转换单元。我们将在下一节中展示这方面的一个示例。任何类型的神经网络都可以用于不同的模块，每个模块的网络架构取决于它所要解决的特定问题。其他机器学习架构也是如此。为了举例说明MNL系统在互联问题中的应用，我们现在将MNL应用于金融风险和收益预测。2.2使用模块化网络学习的金融风险和回报预测代理Fama于1970年提出的有效市场假说（EMH）[34]指出，金融资产的价格总是充分反映所有可用信息，该假说被纳入了从1950年代到1980年代和1990年代发展的现代金融理论中[4、5、6、19、35]。

如Fama所述，有效市场假说有三种版本【34】：弱版本假设所有历史价格信息都已经反映在价格中，半强版本扩展假设以包括所有公开可用信息，强版本扩展假设以包括所有相关信息（公共和私人），这意味着在最后一种情况下，这种人不可能一直从内幕交易中获利。EMH版本是嵌套的，即如果半强版本失败，强版本也会失败，即使弱版本可能不会失败，另一方面，如果弱版本失败，强版本和半强版本也会失败，EMH本身也会失败。弱版本的主要统计含义是，我们无法使用过去的价格信息来预测下一个时期的价格。