Page 193 - 计算机应用软件开发技术研究

第六章 计算机网络安全动态评估关键技术研究

向传播算法和梯度下降法计算成本较高的问题，为了进一步更好地应用深度学习
模型，解决这些问题，Hintonetal 提出了贪心逐层算法，大大地减少了训练学习
过程所需的时间。Raikoetal 发展了一种非线性变换方法，极大地提升了学习算法

的速度，从而有利于寻找泛化性更好的分类器。Collober 发展了一种快速并且可
以扩展的判别算法，使其用于自然语言解析，仅仅使用很少的基本书本特征便能
得到性能，并且与现有的性能相差不大，而且大大提高了速度。学习率自适应方
法如自适应梯度方法，可以提升深度结构中训练的收敛性并且除去超参数中存在

的学习率参数。LeRouxetal 提出了在学习场景中能提升训练过程速度的算法。这
一系列算法改进，极大地改善了模型的预测效果，为深度学习在金融领域的发展
奠定了基础。
1.深度卷积神经网络在金融风险管理中的应用

在金融风险管理领域，深度卷积神经网络主要应用于预测及评估风险。不
同于传统方法，深度学习模型不需要对收益率的分布进行假设和方差的估算。李
卓（2017）提出了深度学习 VaR 测算方法，基于损失序列本身构建深度学习模
型，研究发现此方法相较于 ARCH 模型下的 VaR 计算更为精确。基于此，韩正

一（2016）拓宽了银行风险监测和管理的方法和思路，应用最新的人工智能技
术，即深度神经网络方法，于信贷风险监测领域，优化模型的训练方法，经过测
试发现效果显著。Sirignano（2016）以深度神经网络为基本结构，基于真实事件
的发生概率建立了深度学习模型，通过模拟价格的深层信息的 D 维数据空间局

部特征生成一个低维的价格空间，从而对价格进行预测。该模型不仅能够应用与
分析样本时间的最优卖出价格和最优买入价格的联合分布，也能够对限价指令簿
的其他行为进行建模分析，适用于对任一 D 维空间数据进行分析建模。他进一
步指出，因为深度神经网络可以较好地提取限价指令簿的深层信息，故在应用于

风险管理中，能较好地处理尾部风险，其研究具有特别的意义。
2.深度置信网络在金融风险管理中的应用
深度置信网络在金融风险管理中的应用主要是对风险进行度量和预警。为了
解决有监督学习问题，使受限玻尔兹曼机能够较大程度地提取数据的行为特征，

卢慕超提出了基于分类分区受限玻尔兹曼机的深度置信网络，利用单户企业财务
数据，建立了财务危机预警模型，相较于其他方法预测更为准确。丁卫星基于深
度置信网络模型，训练生成了一个五层的深度学习交易欺诈侦测系统，经过对数

·181·