深度學習可以概括為特征的抽象和結(jié)果的預測。深度學習是將原始的數(shù)據(jù)特征通過多步的 特征轉(zhuǎn)換得到一種更高層次、更抽象的特征表示，并進一步輸入到預測函數(shù)得到最終結(jié)果。深度學習需要解決的關鍵問題是貢獻度分配問題（Credit Assignment Problem，CAP），即一個系統(tǒng)中不同的組件（component）或其參數(shù)對最終系統(tǒng)輸出結(jié)果的貢獻或影響。深度學習的目標是讓模型自動學習出好的特征表示，從而最終提升預測模型的準確率。

?

深度學習采用的模型主要是神經(jīng)網(wǎng)絡模型。主要原因是神經(jīng)網(wǎng)絡模型可以使用誤差反向傳播算法（Backpropagation），能夠比較好地解決貢獻度分配問題。只要是超過一層的神經(jīng)網(wǎng)絡都會存在貢獻度分配問題，因此可以將超過一層的神經(jīng)網(wǎng)絡都看作深度學習模型。

?

深度學習逐漸超過表示學習范疇，用于處理更加復雜的推理、決策等問題。表示學習 （Representation Learning）可以自動地學習出有效的特征（即表示），并提高最終機器學習模型的性能。早期，深度學習主要用來進行表示學習，但目前更多地用來處理更加復雜的推理、決策等問題。概括來說，深度學習是將“表示學習+預測模型的學習”進行端到端的學習，中間不需要人工干預。其中，端到端學習（End-to-End Learning），也稱端到端訓練，是指在學習過程中不進行分模塊或分階段訓練，直接優(yōu)化任務的總體目標。

?

人工智能包括機器學習，機器學習包含深度學習（人工智能>機器學習>深度學習）。人工智能（AI）的重要組成部分是機器學習（ML），而神經(jīng)網(wǎng)絡（NN）是ML的一個子領域。深度學習可以看做是神經(jīng)網(wǎng)絡的分支，使用了更復雜和更深層次的網(wǎng)絡結(jié)構(gòu)，如卷積神經(jīng)網(wǎng)絡（CNN），來處理更高維度和更抽象的數(shù)據(jù)，如圖像、聲音和文本。此外，逐漸興起的強化學習也是機器學習的一個分支。深度學習與強化學習可以相互結(jié)合，稱為深度強化學習（DRL）。

近年來，深度學習結(jié)合量化業(yè)務場景的應用越來越深入和廣泛，發(fā)展十分迅速。作為數(shù)據(jù)分析和挖掘的細分領域，量化交易中應用深度學習方法也逐漸被業(yè)界重視起來。目前深度學習還是主要應用于有監(jiān)督學習，本質(zhì)是基于數(shù)據(jù)驅(qū)動的統(tǒng)計方法，對樣本進行非線性的預測和分類。

?

深度學習應用于量化交易的優(yōu)勢在于訓練樣本的自然可獲取、海量特性和特征自我學習等方面。深度學習模型在數(shù)據(jù)分析的普適性解放了量化分析人員的業(yè)務分析能力，在研究過程中研究人員主要的工作會集中于業(yè)務分析及特征工程，以及如何提取更有效的因子特征作為深度學習模型的輸入項，使得金融工程人員能夠更好的發(fā)揮專業(yè)特長。（資料來源：華泰證券）

?

如果你對深度學習在量化交易中的應用感興趣，歡迎加入非凸，一起學習和成長！

?

【招聘崗位】Rust開發(fā)工程師/算法工程師/量化策略研究員/機器學習研究員

【投遞郵箱】recruit@ft.tech

【工作地點】北京/上海/成都/新加坡/美國

?