Page 192 - 计算机应用软件开发技术研究

计算机应用软件开发技术研究
Research on Computer Application Software Development Technology

模巨大的金融危机事件，如影响全球股市的 1987 年的黑色星期一事件、1997 年
的亚洲金融危机、2008 年的美国次贷危机以及全球金融危机。各家公司也都面
临着各种风险。无处不在的风险日益成为悬在金融市场主体上的一把“达摩克利

斯之剑”。与此同时，计算机技术发展迅速，数据信息的多样性以及数据分析技
术的应用，给具有大数据特征的金融风险管理分析带来了机遇和挑战，人工智
能开始逐步应用于金融风险管理领域，引导着行业的变革。而在演进的发展过程
中，深度学习是解决人工智能应用能够发展的关键。金融市场是一个嘈杂的、具

有非参数特点的动态系统，对金融数据进行分析与预测是一项极具挑战性的工
作。但是，传统的计量方程模型或者是带有参数的模型已经不具备对复杂、高
维度、带有噪声的金融市场数据序列进行分析建模的能力，而且传统的人工神
经网络方法也无法准确分析建模如此复杂序列的数据，同时传统的机器学习的方

法又十分依赖建模者的主观设计，很容易导致模型风险。这些方法在应用过程中
存在着过拟合、收敛慢等问题。而深度学习方法为金融数据分析提供了一个新的
思路。
近年来，深度学习被广泛应用到人工智能任务中（如 AlphaGo），并在图像

处理、人脸识别、语音识别、文本处理等方面取得一系列成果。因此，随着金
融数据复杂程度的提高，带来了对其分析需求的提升，因而深度学习的应用已
经成为金融风险管理领域的研究前沿，也必将在金融风险管理领域产生颠覆性的
变革。

（二）深度学习在金融风险识别管理领域主要应用研究
深度学习是通过人工神经网络发展而衍生的，包含复杂多层次的学习结构，
其建立是基于模仿人类大脑的学习机制。深度学习模型通过对每一数据特征的学
习，继而将新的特征输入下一层中，在这个过程中新的特征是通过对学习到的数

据特征进行特定的特征变换得到的，提升了模型的预测效果。
堆栈自动编码器和深度置信网络模型是由自动编码器和受限玻尔兹曼机串联
而组成的，在针对大量数据时，这类结构具备对其进行无监督学习；在运用深度
置信网络时，其算法主要包括马尔科夫链蒙特卡罗算法、Gibbs 采样算法、受限

玻尔兹曼机评估算法、重构误差、退火式重要性抽样等。卷积神经网络最早被用
于图像识别领域，使其技术上在特征提取技术方面迈了一大步，应用原理为通过
应用卷积核于局部特征提取得到新的模糊图像。在深度学习模型中，存在传统反

·180·