یادگیری عمیق در امور مالی و بانکداری: بررسی و طبقه بندی ادبیات

یادگیری عمیق به طور گسترده ای در دید رایانه ، پردازش زبان طبیعی و شناخت صوتی و تصویری کاربرد دارد. موفقیت قریب به اتفاق یادگیری عمیق به عنوان یک تکنیک پردازش داده ، علاقه جامعه تحقیقاتی را برانگیخته است. با توجه به گسترش FinTech در سالهای اخیر ، استفاده از یادگیری عمیق در خدمات مالی و بانکی رواج یافته است. با این حال ، بررسی دقیق از کاربردهای یادگیری عمیق در امور مالی و بانکداری در ادبیات موجود وجود ندارد. این مطالعه ادبیات مربوط به استفاده از مدلهای یادگیری عمیق در حوزه های کلیدی مالی و بانکی را بررسی و تجزیه و تحلیل می کند تا ارزیابی سیستماتیک از پیش پردازش مدل ، داده های ورودی و ارزیابی مدل را ارائه دهد. سرانجام ، ما در مورد سه جنبه بحث می کنیم که می تواند بر نتایج مدل های یادگیری عمیق مالی تأثیر بگذارد. این مطالعه بینش و راهنمایی در مورد پیشرفته از مدل های یادگیری عمیق در امور مالی و بانکداری ، بینش و راهنمایی را در اختیار دانشگاهیان و پزشکان قرار می دهد.

معرفی

Deep Leaing (DL) یک تکنیک پیشرفته از یادگیری ماشین (ML) است که بر اساس الگوریتم های شبکه عصبی مصنوعی (NN) ساخته شده است. DL به عنوان شاخه امیدوارکننده از هوش مصنوعی ، در سالهای اخیر مورد توجه زیادی قرار گرفته است. در مقایسه با تکنیک های معمولی ML مانند دستگاه بردار پشتیبانی (SVM) و همسایگان K-Nearest (KNN) ، DL دارای مزایای یادگیری ویژگی های بدون نظارت ، توانایی قوی تعمیم و یک قدرت آموزش قوی برای داده های بزرگ است. در حال حاضر ، DL به طور جامع در وظایف طبقه بندی و پیش بینی ، چشم انداز رایانه ، پردازش تصویر و تشخیص صوتی و تصویری (Chai and Li 2019) استفاده شده است. اگرچه DL در زمینه علوم کامپیوتر توسعه یافته است ، اما برنامه های آن در زمینه های متنوع مانند پزشکی ، علوم اعصاب ، فیزیک و نجوم ، امور مالی و بانکی (F& B) و مدیریت عملیات نفوذ کرده است (چای و همکاران 2013 ؛ چای و NGAI 2020). ادبیات موجود فاقد یک نمای کلی از برنامه های DL در زمینه های F& B است. این مطالعه سعی در ایجاد این شکاف دارد.

در حالی که DL کانون دید رایانه است (به عنوان مثال ، ELAD و AHARON 2006 ؛ Guo و همکاران 2016) و پردازش زبان طبیعی (به عنوان مثال ، Collobert و همکاران 2011) در جریان اصلی ، برنامه های DL در F& B به سرعت در حال توسعه هستند. Shravan و Vadlamani (2016) در مورد ابزارهای استخراج متن برای دامنه های F& B تحقیق کردند. آنها الگوریتم های نماینده ML ، از جمله SVM ، KNN ، الگوریتم ژنتیکی (GA) و Adaboost را بررسی کردند. بوتارو و همکاران.(2016) عملکردهای الگوریتم های DL ، از جمله جنگل های تصادفی ، درختان تصمیم گیری و رگرسیون لجستیک منظم را مقایسه کرد. آنها دریافتند که جنگل های تصادفی بالاترین دقت طبقه بندی را در وضعیت بزهکاری کسب می کنند.

Cavalcante و همکاران.(2016) ادبیات منتشر شده از سال 2009 تا 2015 را خلاصه کرد. آنها مدل های DL ، از جمله Perceptron چند لایه (MLP) (یک کتابخانه سریع برای نزدیکترین همسایگان) ، پیوند عملکردی Chebyshev NN ، و وزن سازگار با NN را مورد تجزیه و تحلیل قرار دادند. اگرچه این مطالعه یک چارچوب پیش بینی در تجارت مالی ساخته است ، اما برخی از تکنیک های قابل توجه DL مانند مدلهای بلند مدت کوتاه مدت (LSTM) و یادگیری تقویت کننده (RL) غفلت هستند. بنابراین ، چارچوب نمی تواند مدل بهینه را در یک شرایط خاص مشخص کند.

بررسی ادبیات موجود یا ناقص یا منسوخ است. با این حال ، مطالعه ما یک بررسی جامع و پیشرفته را ارائه می دهد که می تواند روابط بین مدلهای معمولی DL و حوزه های مختلف F& B را به خود جلب کند. ما شرایط بحرانی را برای محدود کردن مجموعه مقالات خود شناسایی کردیم. ما از پایگاه داده های دانشگاهی در Science Direct ، Joual Link Link ، IEEE Xplore ، Emerald ، JSTOR ، Database ProQuest ، پایگاه داده های تحقیقاتی EBSCoHost ، برتر جستجوی دانشگاهی ، شبکه علمی جهانی و Google Scholar برای جستجوی مقالات استفاده کردیم. ما برای جستجوی خود از دو گروه از کلمات کلیدی استفاده کردیم. یک گروه مربوط به DL است ، از جمله "یادگیری عمیق" ، "شبکه عصبی" ، "شبکه های عصبی حلقوی" (CNN) ، "شبکه عصبی مکرر" (RNN) ، "LSTM" و "RL". گروه دیگر مربوط به امور مالی از جمله "امور مالی" ، "ریسک بازار" ، "ریسک سهام" ، "ریسک اعتباری" ، "بازار سهام" و "بانکداری" است. انجام جستجوهای متقاطع بین ادبیات مرتبط با رایانه و دارایی مرتبط با آن بسیار مهم است. نظرسنجی ما منحصراً بر کاربرد مالی مدل های DL و نه سایر مدل های DL مانند SVM ، KNN یا جنگل تصادفی متمرکز است. محدوده زمانی بررسی ما بین سالهای 2014 و 2018 تعیین شده است. در این مرحله ، ما بیش از 150 مقاله را پس از جستجوی متقابل جمع آوری کردیم. ما هر مقاله را با دقت بررسی کردیم و در نظر گرفتیم که آیا شایسته ورود به استخر مقالات ما برای بررسی است. اگر آنها از مجلات معتبر یا کنفرانس های برتر حرفه ای نیستند ، مقالات را حذف کردیم. علاوه بر این ، اگر جزئیات مدل های DL مالی ارائه شده روشن نشده باشد ، مقالات دور ریخته می شوند. بنابراین ، در نهایت 40 مقاله برای این بررسی انتخاب شدند.

این مطالعه به روش های زیر به ادبیات کمک می کند. اول ، ما به طور سیستماتیک برنامه های پیشرفته DL را در زمینه های F& B مرور می کنیم. دوم ، ما چندین مدل DL را در مورد دامنه های مشخص شده F& B خلاصه می کنیم و مدل DL بهینه سناریوهای مختلف کاربردی را شناسایی می کنیم. تجزیه و تحلیل ما به روشهای پردازش داده مدلهای DL ، از جمله پیش پردازش ، داده های ورودی و قوانین ارزیابی متکی است. سوم ، بررسی ما به ترتیب تلاش می کند تا به ترتیب سطح فناوری و کاربرد DL و F& B را برطرف کنیم. ما ویژگی های مدل های مختلف DL را تشخیص می دهیم و امکان سنجی آنها را در مورد حوزه های مختلف F& B برجسته می کنیم. نفوذ DL به F& B یک روند در حال ظهور است. محققان و تحلیلگران مالی باید از ویژگی های مدلهای خاص DL به سمت یک دامنه مالی مشخص استفاده کنند. آنها معمولاً به دلیل عدم ارتباط بین حوزه های مالی اصلی و بسیاری از مدل های DL با مشکل روبرو هستند. این مطالعه این شکاف ادبیات را پر می کند و تحلیلگران مالی را راهنمایی می کند.

بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 2 زمینه ای از تکنیک های DL را ارائه می دهد. بخش 3 چارچوب و روش تحقیق ما را معرفی می کند. بخش 4 مدل های DL مستقر را تجزیه و تحلیل می کند. بخش 5 روشهای کلیدی پردازش داده ها ، از جمله پیش پردازش داده ها و ورودی های داده را تجزیه و تحلیل می کند. بخش 6 ضبط شده معیارهایی برای ارزیابی عملکرد مدل های DL است. بخش 7 مقایسه کلی مدل های DL را در برابر دامنه های F& B مشخص شده ارائه می دهد. بخش 8 در مورد عوامل تأثیرگذار در عملکرد مدلهای DL مالی بحث می کند. بخش 9 دامنه امیدوار به مطالعات آینده را نتیجه می گیرد و تشریح می کند.

زمینه یادگیری عمیق

با توجه به DL ، اصطلاح "عمیق" لایه های مختلفی را که در شبکه وجود دارد ارائه می دهد. تاریخ DL را می توان در سال 1952 به نزول شیب تصادفی ردیابی کرد که برای یک مشکل بهینه سازی استفاده می شود. تنگنا DL در آن زمان حد سخت افزار رایانه بود ، زیرا برای پردازش داده ها بسیار وقت گیر بود. امروزه ، DL با پیشرفت واحدهای پردازش گرافیک (GPU) ، ذخیره و پردازش مجموعه داده ها ، سیستم های توزیع شده و نرم افزاری مانند جریان تانسور رونق می گیرد. در این بخش به طور خلاصه مفهوم اصلی DL ، از جمله NN و شبکه عصبی عمیق (DNN) را مرور می کند. همه این مدل ها تا حد زیادی در برنامه های F& B نقش داشته اند.

ساختار اصلی NN را می توان به صورت Y = F (X T w + c) در رابطه با متغیرهای مستقل (ورودی) X، عبارات وزن w و عبارات ثابت c نشان داد. Y متغیر وابسته است و X به عنوان یک ماتریس n × m برای تعداد نمونه آموزشی n و تعداد متغیرهای ورودی m تشکیل می شود. برای اعمال این ساختار در امور مالی، Y را می توان به عنوان قیمت دوره بعدی، سطح ریسک اعتباری مشتریان یا نرخ بازده یک پرتفوی در نظر گرفت. F یک تابع فعال سازی است که منحصر به فرد و متفاوت از مدل های رگرسیونی است. F معمولاً به صورت توابع سیگموئید و توابع tanh فرموله می شود. از توابع دیگر نیز می توان استفاده کرد، از جمله توابع ReLU، توابع هویت، توابع مرحله باینری، توابع ArcTan، توابع ArcSinh، توابع ISRU، توابع ISRLU و توابع SQNL. اگر چند پرسپترون را در هر لایه ترکیب کنیم و یک لایه پنهان از Z اضافه کنیم₁به Z₄در وسط، یک لایه منفرد را شبکه عصبی می نامیم که لایه های ورودی X هستند_سو لایه های خروجی Y هستند_س. در امور مالی، Y را می توان به عنوان قیمت سهام در نظر گرفت. علاوه بر این، Y متعدد_سنیز قابل اجرا هستند؛به عنوان مثال، مدیران صندوق اغلب به قیمت ها و نوسانات آینده اهمیت می دهند. شکل 1 ساختار اصلی را نشان می دهد.

بر اساس ساختار اصلی NN نشان داده شده در شکل 1، شبکه های سنتی شامل DNN، پس انتشار (BP)، MLP، و شبکه عصبی پیشخور (FNN) هستند. استفاده از این مدل ها می تواند ترتیب داده ها و اهمیت زمان را نادیده بگیرد. همانطور که در شکل 2 نشان داده شده است، RNN دارای ساختار NN جدیدی است که می تواند مسائل مربوط به وابستگی طولانی مدت و ترتیب بین متغیرهای ورودی را بررسی کند. از آنجایی که داده های مالی در سری های زمانی بسیار رایج هستند، کشف همبستگی های پنهان در دنیای واقعی بسیار مهم است. RNN می تواند در حل این مشکل بهتر باشد، در مقایسه با سایر روش های میانگین متحرک (MA) که قبلاً اغلب مورد استفاده قرار گرفته اند. ساختار دقیق RNN برای یک دنباله در طول زمان در قسمت B از پیوست نشان داده شده است (شکل 7 را در ضمیمه ببینید).

اگرچه RNN می تواند مسئله ترتیب سری های زمانی را حل کند، اما مسئله وابستگی های بلندمدت همچنان باقی است. یافتن وزن بهینه برای داده های بلند مدت دشوار است. LSTM، به عنوان یک نوع RNN، یک سلول دروازه دار را برای غلبه بر وابستگی های طولانی مدت با ترکیب توابع فعال سازی مختلف (مانند سیگموئید یا tanh) اضافه کرد. با توجه به اینکه LSTM اغلب برای پیش بینی در ادبیات مالی استفاده می شود، ما LSTM را از مدل های RNN استخراج می کنیم و سایر ساختارهای RNN استاندارد را به عنوان RNN(O) نام می بریم.

همانطور که ما به جای جنبه DL نظری بر روی برنامه تمرکز می کنیم ، این مطالعه دیگر الگوریتم های محبوب DL ، از جمله CNN و RL ، و همچنین مدل های متغیر نهفته مانند خودروهای متغیر و شبکه مخالف تولیدی را در نظر نمی گیرد. جدول 6 در پیوست یک یادداشت افسانه ای برای توضیح اختصارات مورد استفاده در این مقاله نشان می دهد. ما رابطه بین مدلهای DL متداول را در شکل 3 خلاصه می کنیم.

چارچوب تحقیق و روش

چارچوب تحقیق ما در شکل 4 نشان داده شده است. ما تجزیه و تحلیل های کیفی و کمی از مقالات موجود در این مطالعه را با هم ترکیب می کنیم. بر اساس بررسی ما ، ما هفت دامنه F& B هسته اصلی را تشخیص داده و شناسایی می کنیم ، همانطور که در شکل 5 نشان داده شده است. برای اتصال سمت DL و سمت F& B ، بررسی خود را در مورد کاربرد مدل DL در هفت حوزه F& B در بخش 4 ارائه می دهیم. تجزیه و تحلیل امکان سنجی یک مدل DL نسبت به حوزه های خاص بسیار مهم است. برای این کار ، ما با توجه به مجموعه مقالات ما ، خلاصه ای را در سه جنبه اصلی ، از جمله پیش پردازش داده ها ، ورودی داده ها و قوانین ارزیابی ارائه می دهیم. سرانجام ، ما مدلهای DL بهینه را در مورد دامنه های شناسایی شده تعیین می کنیم. ما بیشتر در مورد دو موضوع مشترک در استفاده از مدل های DL برای F& B بحث می کنیم: بیش از حد و پایداری.

شکل 5 نشان می دهد که دامنه های برنامه را می توان به دو حوزه اصلی تقسیم کرد: (1) ریسک بانکی و اعتباری و (2) سرمایه گذاری در بازار مالی. اولی شامل دو حوزه است: پیش بینی ریسک اعتباری و پیش بینی اقتصاد کلان. دومی حاوی پیش بینی مالی ، تجارت و مدیریت نمونه کارها است. وظایف پیش بینی بسیار مهم است ، همانطور که توسط Cavalcante و همکاران تأکید شده است.(2016). ما این دامنه را از سه جنبه پیش بینی ، از جمله نرخ ارز ، بازار سهام و قیمت نفت مطالعه می کنیم. ما این ساختار دامنه های برنامه را در F& B نشان می دهیم.

شکل 6 آماری را در حوزه های F& B ذکر شده نشان می دهد. ما دامنه های برنامه های مالی را در محور X نشان می دهیم و تعداد مقالات موجود در محور Y را می شماریم. توجه داشته باشید که یک مقاله مرور شده می تواند بیش از یک دامنه را در این شکل پوشش دهد. بنابراین ، مجموع شمارش (45) از اندازه استخر بررسی ما (40 مقاله) بزرگتر است. همانطور که در شکل 6 نشان داده شده است ، پیش بینی و معاملات بازاریابی سهام بر دامنه های ذکر شده حاکم است و به دنبال آن پیش بینی نرخ ارز است. علاوه بر این ، ما دو مقاله در مورد ریسک اعتباری بانکی و دو مقاله در مورد مدیریت نمونه کارها پیدا کردیم. پیش بینی قیمت و پیش بینی اقتصاد کلان دو موضوع بالقوه است که مستحق مطالعات بیشتر است.

استفاده از مدل های DL در حوزه های F& B

بر اساس بررسی ما ، شش نوع مدل DL گزارش شده است. آنها FNN ، CNN ، RNN ، RL ، شبکه های اعتقاد عمیق (DBN) و دستگاه Boltzma محدود (RBM) هستند. با توجه به FNN ، چندین مقاله از اصطلاحات جایگزین شبکه عصبی مصنوعی (ANN) ، FNN ، MLP و DNN استفاده می کنند. آنها یک ساختار یکسان دارند. با توجه به RNN ، یکی از مدلهای شناخته شده آن در تجزیه و تحلیل سری زمانی LSTM نامیده می شود. تقریبا نیمی از مقالات بررسی شده FNN را به عنوان تکنیک اصلی DL اعمال می کنند. نه مقاله از LSTM استفاده می شود ، به دنبال آن هشت مقاله برای RL و شش مقاله برای RNN. موارد جزئی که در F& B اعمال می شود شامل CNN ، DBM و RBM است. ما تعداد مقالاتی را که از مدل های مختلف DL در هفت حوزه F& B استفاده می کنند ، شمارش می کنیم ، همانطور که در جدول 1 نشان داده شده است. FNN مدل اصلی است که در نرخ ارز ، قیمت و پیش بینی های کلان اقتصادی و همچنین ریسک و اعتبار پیش فرض بانکی استفاده می شود. LSTM و FNN دو نوع مدل محبوب برای پیش بینی بازار سهام هستند. به طور متفاوتی ، RL و FNN اغلب در مورد تجارت سهام استفاده می شوند. FNN ، RL و RNN ساده را می توان در مدیریت نمونه کارها انجام داد. FNN مدل اصلی در پیش بینی خطر کلان اقتصادی و بانکی است. CNN ، LSTM و RL رویکردهای تحقیقاتی در حال ظهور در پیش بینی خطر بانکی هستند. آمار مفصلی که حاوی مقالات خاص است را می توان در جدول 5 در پیوست یافت.

قسمت C. لیست اختصارات

جدول 6 جدول خلاصه ای از اختصارات مورد استفاده در این مقاله

حقوق و مجوزها

دسترسی آزاد این مقاله تحت مجوز بین المللی Creative Commons Attribution 4. 0 مجوز است ، که اجازه می دهد تا زمانی که اعتبار مناسبی را به نویسنده اصلی (ها) و منبع بدهید ، به استفاده ، اشتراک ، سازگاری ، توزیع و تولید مثل اجازه دهید. پیوندی به مجوز Creative Commons ارائه دهید و نشان دهید که آیا تغییرات ایجاد شده است. تصاویر یا سایر مطالب شخص ثالث در این مقاله در مجوز Creative Commons مقاله گنجانده شده است ، مگر اینکه در یک خط اعتباری به مطالب مشخص شود. اگر مطالب در مجوز Creative Commons در مقاله گنجانده نشده باشد و استفاده در نظر گرفته شده شما توسط مقررات قانونی مجاز نیست یا از استفاده مجاز فراتر می رود ، باید مستقیماً از دارنده حق چاپ مجوز دریافت کنید. برای مشاهده نسخه ای از این مجوز ، به http://creativeecommons. org/licenses/by/4. 0/ مراجعه کنید.

در مورد این مقاله

این مقاله را ذکر کنید

Huang ، J. ، Chai ، J. & Cho ، S. Leaing Deep در امور مالی و بانکداری: بررسی و طبقه بندی ادبیات. جلو. اتوبوس. resچین 14 ، 13 (2020). https://doi. org/10. 1186/S11782-020-00082-6

• دریافت شده: 02 سپتامبر 2019
• پذیرفته شده: 30 آوریل 2020
• منتشر شده: 08 ژوئن 2020
• doi: https://doi. org/10. 1186/S11782-020-00082-6

این مقاله را به اشتراک بگذارید

هرکسی که لینک زیر را با آن به اشتراک بگذارید قادر به خواندن این محتوا خواهد بود:

لینک اشتراکی دریافت کنید

با عرض پوزش ، یک لینک قابل اشتراک در حال حاضر برای این مقاله در دسترس نیست.

کپی به کلیپ بورد

ارائه شده توسط SPRINGER NATURE SHAREDIT SICTIONATION CONTENT

کلید واژه ها

• بررسی ادبیات
• یادگیری عمیق
• دارایی، مالیه، سرمایه گذاری
• بانکداری
• فین فن آوری