Page 194 - 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

据的一系列处理，检验了模型的交易欺诈识别效果。
3.堆栈自编码网络在金融风险管理中的应用
杨杰群认为深度学习是处理股指期货的有效方法，将深度学习网络用于股

指期货的预测中进行研究，基于自动编码器等算法建立深度学习网络模型，并
进行对比分析，最终根据交易抉择设计了用于交易的网络预测系统。另外，对金
融产品与工具的有效管理，能够有效地避免一些金融市场上的非系统性风险。
Fehrerand Feuerriege 基于递归自动编码器预测模型，利用 2004 年 1 月至 2011 年

6 月期间的股票数据，测试对已披露财务信息的反应。他们重点研究了特殊的新
闻文本信息和异常收益率之间的相关关系，基于此模型对其进行预测。还有部分
文献中，重点研究分析财务文本与风险信息的相关关系，对其进行风险预测。从
银行、国家、欧洲三个层面，基于银行破产事件、政府干预行为等来研究分析文

本信息中隐藏的银行危机信息，基于深度神经网络结构来挖掘其中的关系。
（三）深度学习在金融风险管理领域中的应用贡献及挑战
1.深度学习在金融风险管理领域中的应用贡献
传统方法在应用于具有复杂数据特征的金融风险管理领域容易出现以下问

题：第一，传统建模方法往往难以挖掘复杂的数据特征，传统方法无法准确地反
映金融市场特征，容易忽略很多外因，如政策变化、经济发展水平、行为人预期
及心理变化等与市场相关的因素，这些因素增加了发现金融风险隐藏的经济理
论逻辑的困难；第二，传统模型由于过度依靠研究者的主观设计，包含了主观因

素，导致设计具有不完整性的特征。另外，传统的线性方法需要强烈的“线性”
假设，而传统的机器学习方法无法较好地处理噪声信号。这些问题制约了对金融
市场中数据的准确预测与分析。
通过梳理已有相关中国和其他国家研究文献，在金融风险管理领域中，深

度学习的贡献主要分为两个方面：一是深度学习具备强大的挖掘学习能力，能够
更为准确地挖掘隐藏于数据深层的规律，更适用于具备规模大、维度高以及流数
据的数据特征的金融市场，深度学习的应用不但推动了该领域中的预测方法的改
进，还优化了适用于深度网络、解决无效训练问题的算法，带来了传统实证应用

研究方法的进步；二是深度学习在金融风险管理领域数据分析方法的成果也推动
了相关经济理论的发展与完善。

·182·