深度学习能预测风险散户投资者吗？中的案例研究

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：
《Can Deep Learning Predict Risky Retail Investors? A Case Study in
  Financial Risk Behavior Forecasting》
---
作者：
Yaodong Yang, Alisa Kolesnikova, Stefan Lessmann, Tiejun Ma,
  Ming-Chien Sung, Johnnie E.V. Johnson
---
最新提交年份：
2019
---
英文摘要：
  The paper examines the potential of deep learning to support decisions in financial risk management. We develop a deep learning model for predicting whether individual spread traders secure profits from future trades. This task embodies typical modeling challenges faced in risk and behavior forecasting. Conventional machine learning requires data that is representative of the feature-target relationship and relies on the often costly development, maintenance, and revision of handcrafted features. Consequently, modeling highly variable, heterogeneous patterns such as trader behavior is challenging. Deep learning promises a remedy. Learning hierarchical distributed representations of the data in an automatic manner (e.g. risk taking behavior), it uncovers generative features that determine the target (e.g., trader\'s profitability), avoids manual feature engineering, and is more robust toward change (e.g. dynamic market conditions). The results of employing a deep network for operational risk forecasting confirm the feature learning capability of deep learning, provide guidance on designing a suitable network architecture and demonstrate the superiority of deep learning over machine learning and rule-based benchmarks.
---
中文摘要：
本文探讨了深入学习支持金融风险管理决策的潜力。我们开发了一个深度学习模型，用于预测个别利差交易者是否能从未来交易中获得利润。此任务体现了风险和行为预测中面临的典型建模挑战。传统的机器学习需要代表特征-目标关系的数据，并且依赖于通常成本高昂的手工特征开发、维护和修订。因此，对交易者行为等高度可变、异构的模式进行建模是一项挑战。深度学习有望得到补救。以自动方式学习数据的分层分布式表示（如风险承担行为），它揭示了决定目标的生成性特征（如交易者的盈利能力），避免了手动特征工程，并且对变化（如动态市场条件）更为稳健。使用深度网络进行操作风险预测的结果证实了深度学习的特征学习能力，为设计合适的网络架构提供了指导，并证明了深度学习优于机器学习和基于规则的基准测试。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Risk Management        风险管理
分类描述：Measurement and management of financial risks in trading, banking, insurance, corporate and other applications
衡量和管理贸易、银行、保险、企业和其他应用中的金融风险
--
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：Statistics        统计学
二级分类：Applications        应用程序
分类描述：Biology, Education, Epidemiology, Engineering, Environmental Sciences, Medical, Physical Sciences, Quality Control, Social Sciences
生物学，教育学，流行病学，工程学，环境科学，医学，物理科学，质量控制，社会科学
--

---
PDF下载：
--> Can_Deep_Learning_Predict_Risky_Retail_Investors?_A_Case_Study_in_Financial_Risk.pdf (2.26 MB)

2022-6-11 06:49:42 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：深度学习 案例研究 投资者 Applications Hierarchical

深度学习能预测风险散户投资者吗？金融风险行为预测的案例研究。Yang+，a，a.Kim+，b，S.Lessmann+，b，T.Ma+，c，M.-c.Sung+，c，*, J、 E.V.Johnson+，南安普敦大学洪堡伯林大学南安普敦商学院伦敦大学商学院计算机科学系，南安普敦大学摘要本文探讨了深度学习支持金融风险管理决策的潜力。我们开发了一个深度学习模型，用于预测单个利差交易者是否能从未来交易中获得收益。此任务体现了风险和行为预测中面临的典型建模挑战。传统的机器学习需要能够代表特征-目标关系的数据，并且需要花费高昂的成本来开发、维护和修改手工制作的特征。因此，对交易者行为等高度可变、异构的模式进行建模是一项挑战。深入学习有望得到补救。以自动方式学习数据的分层分布式表示（如风险承担行为），它揭示了决定目标的生成性特征（如交易者的稳定性），避免了手动特征工程，并且对变化（如动态市场条件）更为稳健。使用深度网络进行操作风险预测的结果证实了深度学习的特征学习能力，为设计合适的网络架构提供了指导，并证明了深度学习优于机器学习和基于规则的基准测试。关键词：风险管理、零售金融、预测、深度学习1。本文应用最新发展的深度学习（DL）方法预测散户投资者在价差交易市场中的行为。

做市商依靠对交易员未来成功的准确预测来管理金融风险。通过开发基于DL的预测模型并确认基于模型的套期保值策略的可行性，我们提供了证据表明，DL的特征可以推广到零售金融和决策支持中常用的结构化数据集。深度神经网络（DNN）以阶段方式运行。每个层接收来自前一层的输入，学习输入的高级表示，并将表示（即输出）传递给后续层。人脸识别中的应用举例说明了这种方法。为了检测animage中的人脸，第一个DNN层从原始像素中学习线和边界等低级概念。深层将下层输出概括为更复杂的概念，例如最终形成面的正方形和三角形【1】。决策支持中的一个类似示例可以是企业信用风险建模。*+作者的贡献是平等的。发表于《欧洲运筹学杂志》（EOR16143/EJOR-D-18-00153）。电子邮件地址：姚东。yang@outlook.com（Y.Yang+，），alisa。k@protonmail.com（A.Kim+，），stefan。lessmann@hu-柏林。de（S.Lessmann+，），tiejun。ma@soton.ac.uk（T.Ma+，），M。SUNG@soton.ac.uk[通讯作者]（M.-C.Sung+，），J.E。Johnson@soton.ac.uk（J.E.V.Johnson+，）提交给Elsevier的预印本2019年11月19日破产预测模型根据会计变量的比率（如总资产/总负债）估计违约概率[2]。在DL框架中，这样的比率表示低级别的表示。使用资产负债表数据作为输入，DNN中的下层可以以数据驱动的方式关联报表变量和计算信息比率。然后，数据的更高层次表示可以包括财务比率的趋势或比率变量之间的相互依赖关系。

具体表示是自主计算的。不同复杂性表示的分层组合使DNN能够学习抽象概念，如拖欠借款人的概念。表示学习还增强了模型提取训练数据中未很好表示的模式的能力，这是机器学习（ML）模型的一个问题[3]。DL方法在计算机视觉、语言处理等应用中取得了优异的结果[4]。这一成功确立了基于DL的特征学习在依赖非结构化数据的应用程序中的有效性[5]。传统ML的应用是多方面的。营销模型支持客户生命周期的所有阶段，包括响应建模、交叉/追加销售[6]和客户流失预测[7]。金融机构使用ML预测金融市场的发展【8】，预测公司借款人的偿付能力【9】，或通知信贷批准决定【10】。此类应用程序依赖于结构化数据，如过去的客户交易、价格动态或贷款还款。DL非结构化数据处理的成功能否推广到结构化数据占主导地位的决策支持应用程序，这一点并不明显。因此，本文的目标是检验DL在决策支持中的有效性，测试其特征学习能力是否可以推广到该领域通常遇到的结构化数据集，并为如何建立基于DL的决策支持模型提供指导。我们在财务风险管理背景下追求我们的目标。利用利差交易市场（spread tradingmarket）的数据，我们预测了单个交易员的盈利能力。建模的目标是识别对做市商构成高风险的交易员，并推荐一种使做市商利润最大化的对冲政策。

除了此类政策对利差交易公司的效用之外，交易员风险预测任务还代表了基于ML的决策支持中常见的挑战。第一个挑战是阶级不平衡。借款人违约等不良事件代表了其人口中的少数群体，这阻碍了ML[7]。第二个挑战称为概念漂移，出现在动态环境中。ML模型从过去的数据中学习主题特征（例如，客户以前的交易）和目标（例如，交易者的可操作性）之间的函数关系。环境的变化使得这种关系更加不稳定，更难推断。维度诅咒是另一个建模挑战。公司数据仓库提供了大量关于建模主题（如交易者）的信息，在存在大量特征的情况下很难学习可归纳的模式【11】。最后，ML的成功取决于信息特性的可用性。Featureengineering由领域专家手动执行。考虑到劳动力成本高、技能分析师短缺以及需要修改手工特征以应对外部变化（例如，在traderbehavior中），手动特征工程降低了ML的效率，并成为基于toML的决策支持的障碍。建模挑战的共同点是，它们降低了培训数据的代表性。作为一种数据驱动的方法，ML克服了代表性降低的问题，这表明挑战降低了数据驱动ML模型的有效性和效率。以我们的应用程序设置为例，DL的表示学习能力有助于识别高风险交易者交易文件的更通用表示，而不是手工制作的特征。

推断出的特征-目标关系更具普遍性，将对交易行为的外部变化具有更高的稳健性；例如，商业周期、市场条件、公司运营等变化带来的变化，取代昂贵的手动功能工程的需要，也将提高基于模型的决策支持的效率。通过研究DL在多大程度上解决了决策支持中常见的建模难题，本文做出了以下贡献。首先，这是第一项结合结构化、个人层面的客户行为数据来检验DL的效果的研究之一。预测个体交易者的风险承担行为，我们将重点放在零售金融上，这是运筹学[12]的一个关键应用领域，据我们所知，之前的DL研究没有考虑过这一领域。实证结果表明，DL方法比ML方法的预测准确得多。其次，我们演示了DL能够自动从操作数据中学习信息性特征。之前的研究已经证实了非结构化数据的这种能力[1]。我们将以前的结果扩展到事务和行为客户数据。这一发现在管理上很有意义，因为许多企业使用结构化数据来提供决策支持。第三，本文有助于金融风险预测实践，因为它提出了一种基于DNN的方法来有效管理风险，并为投机金融市场的对冲决策提供信息。我们在本文中采用的DL方法并不是新的。然而，DL及其组成概念（如分布式表示）很少用业务函数语言进行解释。业务用户可以从对DL概念的理解中获益，从而使他们能够在知情的基础上与数据科学家和顾问接触。

更好的理解还可能导致对形式化数学模型的更多理解，并有助于克服组织惯性，这是基于事实的决策支持的一个众所周知的方法[13,14]。在此背景下，本文的最终贡献在于，通过证明DL的潜力，并提供如何建立、培训和实施基于DNN的决策支持方法的具体方法，提高了业务中对DL的认识。为了实现这一点，我们详细阐述了DL的方法论基础以及我们为交易员风险分类设计的决策模型。我们注意到，Kraus等人在最近的一篇相关论文中独立追求了一个类似的目标。2、相关工作关于DL的文献正在高速增长[1、4、5]。我们专注于DL在金融领域的应用。表1分析了与预测设置、基础数据和神经网络拓扑相关的不同维度的相应研究。为了澄清论文的选择，我们承认DL在财务方面除了预测之外还有其他应用，包括指数跟踪【16】或在有限订单数据中建模状态动态【17】。DL还用于根据文本数据生成财务预测【18】。表1不包括此类研究，因为它们不专注于预测或考虑不同的数据来源。最后，有人可能会认为，递归神经网络（RNN）从定义上讲是DNN，因为递归细胞具有时间深度。随着DL的兴起，LSTM（长短时记忆）等门控RNN越来越流行，通常被称为DNN【19】。这对于他们的前辈来说并不是必然的，他们中的一些人已经被用于金融[20]。

表1分析了使用当代门控RNN的研究，省略了使用早期类型RNN的研究。表1显示，之前的大多数研究（约60%）预测了金融市场的发展，如价格波动[21]、波动[22]或市场崩溃[23]。在风险分析中的应用，如财务困境预测[24]或信用评分[25]也很流行。考虑到预测的目的，第二列和第三列显示，之前的研究没有考虑预测人类行为，这是本文的重点。输入数据的类型代表了大多数先前研究和本文之间的第二个差异。预测金融市场价格的DNN通常会收到滞后价格作为输入。例如，[21]和[19]使用分钟和天级别的价格回报作为输入。相比之下，我们面临的风险建模任务由具有不同类型预测变量的动态回归问题组成（见第5.1节）。表1中的特征列表明，之前很少有研究将数值和离散输入变量混合在一起。DNNs的一个核心功能是能够从输入数据中自动提取预测特征[26]。本文的一个目标是在风险管理背景下确认特征学习能力。输入数据类型的巨大差异对特征学习有影响。不明显的是，在时间序列设置中观察到的结果会推广到具有不同输入变量的动态回归设置。关于风险管理，我们从表1的列模拟中观察到，大多数以前的工作都没有研究基于DL的风险管理方法的经济影响；【25】作为例外。除了应用程序设置和输入数据外，大多数以前的工作与本研究之间的第三个区别涉及DNN的体系结构。

表1列出了前三列网络的拓扑结构。鉴于我们对预测研究的关注，每个网络都包含一个监督学习机制，这意味着网络中的权重是通过最小化训练数据集上的经验分配来训练的【27】。这通常通过完全连接的输出层实现。该层只需要一个具有线性或softmax激活函数的单元，即可分别解决回归和分类问题。表1显示，在以前的工作中，纯监督学习网络占主导地位。从这一观察中，我们得出结论，需要对具有监督层和非监督层的网络进行更多的研究。总共有九项研究考虑了无监督的预培训。大多数人使用深层信念网络进行预培训。早在预训练普及之前，就有一项开创性的研究提出了用于无监督时间序列模式提取的自组织地图[28]。堆叠去噪自动编码器（SdA）是我们用于特征学习的方法，但很少受到关注。本文最初提供了它们在风险分析中有效性的证据。总之，我们的工作对文献的贡献是通过结合预测设置、使用的数据以及我们通过使用最先进的网络培训和无监督预培训方法设计和评估基于模型的套期保值决策的可行性来评估基于DL的预测模型的方式。与我们的工作最相关的研究是[25]。作者根据一组超过35亿个贷款月的观察数据估计了DNN，其中272个变量与贷款特征和当地经济因素有关，以支持投资组合管理。

为此，[25]对各州之间个人贷款的转移概率进行建模，范围从当前不同的延迟付款州到拖欠或止赎。我们的研究在应用设置和DL方法方面与[25]有所不同。[25]的DL模型由多达7层的前馈网络（及其集合）组成。深度前馈网络是之前工作中广泛使用的三层网络的推广（[29]）。此处提出的DNN架构有所不同。它使用多层不同类型的单元，并依靠无监督的预训练来提取预测特征。培训前要素提供了独特的优势，并在金融应用中发挥了有效作用【16】。因此，我们进一步提出了[25]的方法。抵押贷款风险建模[25]和信用评分通常与交易员风险预测有很大不同。信贷产品可视为看跌期权。贷款人有权发放信贷，但没有义务这样做。信贷也可以由抵押品担保，最重要的是，它可以对冲风险，同时仍能从佣金中获利。然而，我们认为，做市商有义务接受客户订单的利差交易环境。这些订单类似于具有任意罢工日期的未来合同。与信贷行业不同的是，在利差交易市场中，知情交易者或内部人士可以从市场上获得无限利润。与此同时，利差交易市场的经济性要求市场庄家有选择地对冲风险，因为对冲很快会将收入降至零。因此，我们的预测任务是识别那些对做市商构成重大风险的交易员。3.