通過梳理機(jī)器學(xué)習(xí)在資產(chǎn)價(jià)格預(yù)測(cè)及配置中的應(yīng)用與研究進(jìn)展,簡(jiǎn)要闡述了當(dāng)前文獻(xiàn)的特點(diǎn)及其不足。在此基礎(chǔ)上,總結(jié)了當(dāng)前研究中機(jī)器學(xué)習(xí)的主要應(yīng)用框架及其適用性和局限性,進(jìn)一步討論應(yīng)用機(jī)器學(xué)習(xí)算法進(jìn)行資產(chǎn)價(jià)格預(yù)測(cè)和配置研究未來(lái)可能的研究趨勢(shì)。研究表明:機(jī)器學(xué)習(xí)方法能夠挖掘和利用金融數(shù)據(jù)中包含的與資產(chǎn)價(jià)格變動(dòng)相關(guān)的信息,做出對(duì)未來(lái)資產(chǎn)價(jià)格的準(zhǔn)確預(yù)測(cè)或可盈利的資產(chǎn)配置決策;機(jī)器學(xué)習(xí)算法與金融理論的結(jié)合是未來(lái)研究的一個(gè)重要方向。 

【文章來(lái)源】：管理學(xué)報(bào). 2020年11期 北大核心CSSCI

【文章頁(yè)數(shù)】：13 頁(yè)

【部分圖文】：

機(jī)器學(xué)習(xí)算法的一般流程 ?

對(duì)于應(yīng)用傳統(tǒng)機(jī)器學(xué)習(xí)算法的研究而言,輸入特征往往是傳統(tǒng)研究中常用的結(jié)構(gòu)化數(shù)據(jù)。一方面,雖然傳統(tǒng)機(jī)器學(xué)習(xí)算法同樣能夠處理經(jīng)過特征提取的文本數(shù)據(jù),但一般都用于分析投資者情緒[24, 25]并將其作為預(yù)測(cè)變量,很少直接用于資產(chǎn)價(jià)格預(yù)測(cè),因此在本研究中未作深入討論;另一方面,傳統(tǒng)機(jī)器學(xué)習(xí)算法在自然語(yǔ)言處理任務(wù)中的性能,往往受限于自然語(yǔ)言本身的復(fù)雜性和歧義性,而深度學(xué)習(xí)算法從數(shù)據(jù)中提取特征的能力恰恰解決了這一問題[36],并在多個(gè)主要的自然語(yǔ)言處理任務(wù)中,表現(xiàn)出相對(duì)于傳統(tǒng)方法的顯著優(yōu)勢(shì)[46]。鑒于此,與上述機(jī)器學(xué)習(xí)算法的基本流程不同,已有文獻(xiàn)在應(yīng)用深度學(xué)習(xí)算法時(shí),也將非結(jié)構(gòu)化數(shù)據(jù)作為輸入以直接預(yù)測(cè)未來(lái)資產(chǎn)價(jià)格。另外,深度學(xué)習(xí)所用的數(shù)據(jù)往往被重新表示為特定形式后再作為輸入,以更好地發(fā)揮深度學(xué)習(xí)的性能[33, 34]�，F(xiàn)有關(guān)于資產(chǎn)價(jià)格預(yù)測(cè)和配置的文獻(xiàn)中深度學(xué)習(xí)的一般應(yīng)用框架見圖2,其中,虛線框部分省略了深度學(xué)習(xí)的一般流程,如前文所述,深度學(xué)習(xí)的一般流程與圖1類似,但不含特征提取步驟,而是直接將其整合進(jìn)了訓(xùn)練過程中。4.2 應(yīng)用的適用性與局限性

【參考文獻(xiàn)】：
期刊論文
[1]基于網(wǎng)絡(luò)數(shù)據(jù)挖掘的資產(chǎn)定價(jià)研究述評(píng)[J]. 羅琦,游學(xué)敏,呂纖.  管理學(xué)報(bào). 2020(01)
[2]深度學(xué)習(xí)的金融實(shí)證應(yīng)用:動(dòng)態(tài)、貢獻(xiàn)與展望[J]. 蘇治,盧曼,李德軒.  金融研究. 2017(05)
[3]ML-TEA:一套基于機(jī)器學(xué)習(xí)和技術(shù)分析的量化投資算法[J]. 李斌,林彥,唐聞軒.  系統(tǒng)工程理論與實(shí)踐. 2017(05)
[4]基于EMD和SVMs的原油價(jià)格預(yù)測(cè)方法[J]. 楊云飛,鮑玉昆,胡忠義,張瑞.  管理學(xué)報(bào). 2010(12)



本文編號(hào)：2945719