付鈺菲　汪明艷

摘? 要：隨著人工智能和金融科技的快速發(fā)展，機(jī)器學(xué)習(xí)尤其是深度學(xué)習(xí)在金融領(lǐng)域的應(yīng)用引起了人們濃厚的研究興趣。為了探索金融深度學(xué)習(xí)的應(yīng)用領(lǐng)域，對(duì)近十年金融深度學(xué)習(xí)的文獻(xiàn)進(jìn)行了總結(jié)，并分別從模型介紹和應(yīng)用領(lǐng)域兩個(gè)方面進(jìn)行了歸納。結(jié)果發(fā)現(xiàn)：金融深度學(xué)習(xí)常用的模型包括卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)，并且它們?cè)诮鹑谖谋痉治?、金融風(fēng)險(xiǎn)評(píng)估和異常檢測(cè)以及投資組合管理方面均有著廣泛的應(yīng)用。未來(lái)可以將新的文本挖掘和自然語(yǔ)言處理技術(shù)應(yīng)用到行為金融學(xué)領(lǐng)域進(jìn)行更深入的研究，同時(shí)還可以探索將深度學(xué)習(xí)應(yīng)用到加密貨幣和區(qū)塊鏈等新興金融領(lǐng)域的更多可能性。

關(guān)鍵詞：深度學(xué)習(xí);神經(jīng)網(wǎng)絡(luò);文本分析;風(fēng)險(xiǎn)評(píng)估;投資組合管理

中圖分類號(hào)：TP399? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

A Research Overview of the Application of Deep Learning in the Financial Field

FU Yufei， WANG Mingyan

（School of Management， Shanghai University of Engineering Science， Shanghai 201620， China）

291732841@qq.com; wmy61610@126.com

Abstract： With the rapid development of artificial intelligence and financial technology， the application of machine learning， especially deep learning in the financial field， has aroused strong research interest. In order to explore the application fields of financial deep learning， this paper proposes to summarize the literature of financial deep learning over the past ten years， from two separate aspects： model introduction and application field. Results show that the commonly used models of financial deep learning include convolutional neural network， recurrent neural network and long short-term memory neural network. They have a wide range of applications in financial text analysis， financial risk assessment and anomaly detection， and portfolio management. In future， new text mining and natural language processing techniques can be applied to the field of behavioral finance for more in-depth research. At the same time， more possibilities for applying deep learning to emerging financial fields such as cryptocurrency and blockchain can also be explored.

Keywords： deep learning; neural network; text analysis; risk assessment; portfolio management

1? ?引言（Introduction）

早在40 年前的國(guó)外，金融就一直是機(jī)器學(xué)習(xí)研究最多的應(yīng)用領(lǐng)域之一。我國(guó)關(guān)于機(jī)器學(xué)習(xí)在金融領(lǐng)域的應(yīng)用研究雖然起步較晚，但是隨著我國(guó)人工智能的發(fā)展，文獻(xiàn)數(shù)量也急劇增長(zhǎng)，股票市場(chǎng)預(yù)測(cè)、金融風(fēng)險(xiǎn)評(píng)估、投資組合管理等是其中最需要解決的幾個(gè)問(wèn)題。而在機(jī)器學(xué)習(xí)領(lǐng)域中，深度學(xué)習(xí)又是一個(gè)新興領(lǐng)域。相對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)算法在訓(xùn)練之前需要預(yù)處理和特征提取，深度神經(jīng)網(wǎng)絡(luò)可以使用多層非線性處理單元的級(jí)聯(lián)來(lái)進(jìn)行自動(dòng)特征提取和轉(zhuǎn)換，這些層可以使神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)數(shù)據(jù)之間的非線性關(guān)系，并提高從原始數(shù)據(jù)學(xué)習(xí)的能力（LECUN，2015）[1]?；诖耍疚氖紫冉榻B了金融領(lǐng)域最常用的三個(gè)深度學(xué)習(xí)模型，包括卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network， RNN）和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory， LSTM）;然后通過(guò)收集并整理相關(guān)文獻(xiàn)對(duì)深度學(xué)習(xí)在金融領(lǐng)域的幾個(gè)應(yīng)用做了詳細(xì)介紹;最后進(jìn)行了總結(jié)分析。

2? 金融領(lǐng)域常用的深度學(xué)習(xí)模型介紹（Introduction to deep learning models commonly used in the financial field）

深度學(xué)習(xí)模型是一種具有多層神經(jīng)網(wǎng)絡(luò)的復(fù)雜體系結(jié)構(gòu)，可以逐步從輸入中提取高級(jí)特征。金融領(lǐng)域出現(xiàn)最多的深度學(xué)習(xí)模型主要有三種：卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）。

2.1? ?卷積神經(jīng)網(wǎng)絡(luò)（CNN）

CNN是一種受人類視覺(jué)機(jī)制啟發(fā)的深度學(xué)習(xí)模型，主要用于圖像分類、圖像識(shí)別問(wèn)題，后來(lái)也被用于文本分類。在大多數(shù)CNN架構(gòu)中，有不同類型的層：輸入層、卷積層、池化層（平均值或最大值）和全連接層。具有不同層的廣義CNN架構(gòu)如圖1所示。

輸入層獲取原始輸入，接下來(lái)特征提取層（包括卷積層和池化層）學(xué)習(xí)相關(guān)的特征。卷積層運(yùn)用被稱為特征檢測(cè)器的濾波器來(lái)學(xué)習(xí)特征并生成特征圖，一般使用1×1、3×3和5×5的濾波器尺寸。池化層也被稱為降維方法，用來(lái)提取相關(guān)的特征，留下不必要的特征，這樣就減少了輸入的空間維度。最大池化是運(yùn)用最多的池化類型，它從每個(gè)窗口取最大值。經(jīng)過(guò)卷積運(yùn)算獲得的輸出層和池化層的降維可以加快計(jì)算速度。最后，將特征提取層產(chǎn)生的特征傳遞到全連接層，其中全連接層中的每個(gè)神經(jīng)元都連接到前一層的神經(jīng)元。

CNN的優(yōu)點(diǎn)是可以通過(guò)卷積自動(dòng)對(duì)需要的特征進(jìn)行提取，并且它還共享卷積核，可以用來(lái)處理高維數(shù)據(jù)。CNN的缺點(diǎn)是在池化層采樣的過(guò)程中丟失很多有用的信息，并且由于特征提取的封裝，為改進(jìn)網(wǎng)絡(luò)性能罩了一層黑盒。

2.2? ?循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）

RNN主要用于處理時(shí)間序列數(shù)據(jù)，包括音頻、語(yǔ)音和語(yǔ)言等序列數(shù)據(jù)，由連續(xù)結(jié)構(gòu)化的RNN單元組成，結(jié)合之前狀態(tài)的RNN結(jié)構(gòu)，如圖2所示。用于傳統(tǒng)預(yù)測(cè)分析的人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）模型不適用于序列數(shù)據(jù)，因?yàn)樗鼈儗⒚總€(gè)輸入視為一個(gè)獨(dú)立的實(shí)體，而序列數(shù)據(jù)中的觀察結(jié)果不是相互獨(dú)立的。與其他前饋網(wǎng)絡(luò)不同的是，RNN使用內(nèi)部存儲(chǔ)器來(lái)處理傳入的輸入，在其操作過(guò)程中，逐個(gè)處理序列數(shù)據(jù)。值得注意的是，它考慮了處理序列中元素的時(shí)間因子，使用隱藏狀態(tài)保留先前處理的觀察結(jié)果，并在下一個(gè)將要處理的觀察結(jié)果中使用。因此，RNN中的輸出不僅取決于當(dāng)前的輸入，而且還取決于從網(wǎng)絡(luò)先前隱藏狀態(tài)計(jì)算出的輸出。

RNN的特殊結(jié)構(gòu)使其具有如下兩個(gè)優(yōu)點(diǎn)：首先，它可以針對(duì)任意長(zhǎng)度的序列輸入向量進(jìn)行建模;其次，在處理序列數(shù)據(jù)時(shí)，可以考慮到每個(gè)時(shí)間步驟的前后信息。RNN中的信息通過(guò)循環(huán)傳播，這使得模型可以使用相同的參數(shù)，從而降低參數(shù)的復(fù)雜度。RNN的缺點(diǎn)是不支持長(zhǎng)期記憶并且面臨梯度消失問(wèn)題。

2.3? ?長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）

LSTM是RNN的一種變體，LSTM網(wǎng)絡(luò)由LSTM單元組成。LSTM單元由輸入門、輸出門和遺忘門組成，這三個(gè)門控制著信息的流動(dòng)。遺忘門決定應(yīng)該保留或丟棄單元狀態(tài)中的哪些信息，而輸入門負(fù)責(zé)在單元狀態(tài)中應(yīng)該存儲(chǔ)哪些新信息，輸出門接收當(dāng)前輸入、先前隱藏狀態(tài)輸出和新計(jì)算的單元狀態(tài)，以便為當(dāng)前輸入觀察依次生成新的隱藏狀態(tài)和輸出。有了這些功能，每個(gè)單元格都會(huì)記住任意時(shí)間間隔內(nèi)的所需值?；镜腖STM單元如圖3所示（σ：sigmoid函數(shù);tanh：雙曲正切函數(shù);×：乘法;+：加法）。

LSTM通過(guò)引入門控機(jī)制解決了RNN的缺點(diǎn)，如梯度消失和不支持長(zhǎng)期記憶問(wèn)題。LSTM網(wǎng)絡(luò)的優(yōu)勢(shì)在于可以記住網(wǎng)絡(luò)中的短期和長(zhǎng)期值，因此被廣泛應(yīng)用于自動(dòng)語(yǔ)音識(shí)別、語(yǔ)言翻譯、手寫字符識(shí)別、時(shí)間序列數(shù)據(jù)預(yù)測(cè)等序列數(shù)據(jù)分析。

3? 深度學(xué)習(xí)在金融領(lǐng)域的應(yīng)用（The application of deep learning in the financial field）

3.1? ?金融文本挖掘

隨著社交媒體和實(shí)時(shí)新聞媒體的快速傳播，基于即時(shí)文本的信息檢索也被應(yīng)用于金融模型開發(fā)。通過(guò)對(duì)新聞、財(cái)務(wù)報(bào)表、公司信息披露等內(nèi)容的上下文進(jìn)行分析可以得到很多有用的信息，因此金融文本挖掘研究在最近幾年變得非常流行。例如，HAN等人[2]首先基于一種新的事件類型模式分類算法，對(duì)中國(guó)企業(yè)的不同事件類型進(jìn)行了分類。此外，還使用其他的輸入因素對(duì)股票價(jià)格進(jìn)行了預(yù)測(cè)。KRAUS等人[3]基于金融新聞和股票市場(chǎng)數(shù)據(jù)，使用文本挖掘技術(shù)實(shí)現(xiàn)了具有遷移學(xué)習(xí)的LSTM模型。DANG等人[4]使用Stock2Vec和雙流GRU（TGRU）模型從金融新聞和股票價(jià)格中生成輸入數(shù)據(jù)，用于股票價(jià)格分類。張夢(mèng)吉等人[5]提出了一種基于CNN-RNN的新聞事件分類模型，并運(yùn)用LSTM模型結(jié)合資金流向和公司財(cái)務(wù)來(lái)對(duì)個(gè)股趨勢(shì)進(jìn)行預(yù)測(cè)。

3.2? ?金融文本情感分析

行為金融學(xué)最重要的組成部分之一是情緒或投資者情緒。文本挖掘技術(shù)的進(jìn)步為通過(guò)網(wǎng)絡(luò)媒體或社交媒體成功提取情感提供了可能性。人們對(duì)金融情感分析越來(lái)越感興趣，尤其是將使用深度學(xué)習(xí)的情感分析模型應(yīng)用于金融市場(chǎng)預(yù)測(cè)方面。ZHUGE等人[6]利用指數(shù)數(shù)據(jù)的價(jià)格和文本帖子中的情緒數(shù)據(jù)預(yù)測(cè)第二天的股票開盤價(jià)。DAS等人[7]利用Twitter情緒數(shù)據(jù)和股票價(jià)格數(shù)據(jù)預(yù)測(cè)谷歌、微軟和蘋果三個(gè)公司股票的價(jià)格。耿立校等人[8]提出了一種基于CNN的情感分析模型來(lái)構(gòu)建投資者情緒特征，并運(yùn)用LSTM模型進(jìn)行股票趨勢(shì)的預(yù)測(cè)。溫玉蓮等人[9]采用Word2vec和BiLSTM相結(jié)合的方法進(jìn)行情感分析，然后利用股票時(shí)序數(shù)據(jù)和情感指標(biāo)進(jìn)行股票預(yù)測(cè)。

3.3? ?異常檢測(cè)

金融欺詐檢測(cè)也被稱為異常檢測(cè)，是各國(guó)政府都非常重視的一個(gè)問(wèn)題，亟待研究出一個(gè)良好的解決方法。異常檢測(cè)可以說(shuō)是機(jī)器學(xué)習(xí)研究最廣泛的領(lǐng)域之一，一般是分類問(wèn)題。

信用卡異常檢測(cè)是此研究領(lǐng)域研究最多的一個(gè)問(wèn)題。ANDER等人[10]運(yùn)用MLP網(wǎng)絡(luò)對(duì)信用卡交易是否存在異常進(jìn)行分類。JURGOVSKY等人[11]使用LSTM從信用卡交易序列中檢測(cè)信用卡欺詐問(wèn)題，并將結(jié)果與RF進(jìn)行了比較。楊磊等人[12]應(yīng)用深度學(xué)習(xí)中的Transformer編碼器挖掘用戶的數(shù)據(jù)和信息，然后將其作為分類模型的輸入來(lái)判斷用戶是否違約。劉穎等人[13]首先構(gòu)建了利用boosting算法增強(qiáng)的支持向量機(jī)（SVM）和隨機(jī)森林（RF）結(jié)合的基分類器簇，然后運(yùn)用深度信念網(wǎng)絡(luò)（DBN）和基分類器簇共同進(jìn)行信用卡欺詐的分類。

對(duì)于其他異常檢測(cè)問(wèn)題，WANG等人[14]使用文本挖掘和DNN模型來(lái)檢測(cè)汽車保險(xiǎn)欺詐。GOUMAGIAS等人[15]使用深度Q學(xué)習(xí)預(yù)測(cè)風(fēng)險(xiǎn)厭惡型企業(yè)的逃稅行為，并提供了使稅收收入最大化的相關(guān)建議。黃良瑜等人[16]提出一種基于網(wǎng)絡(luò)嵌入和LSTM模型的異常交易行為檢測(cè)方法，能有效檢測(cè)出市場(chǎng)上的異常交易行為。

3.4? ?金融風(fēng)險(xiǎn)評(píng)估

風(fēng)險(xiǎn)評(píng)估指的是識(shí)別任何給定資產(chǎn)、公司、個(gè)人、產(chǎn)品、銀行等的“風(fēng)險(xiǎn)”，包括但不限于破產(chǎn)預(yù)測(cè)、財(cái)務(wù)困境預(yù)測(cè)、企業(yè)信用評(píng)級(jí)、債券評(píng)級(jí)、貸款申請(qǐng)、消費(fèi)者信用評(píng)分等。能夠準(zhǔn)確地識(shí)別這些風(fēng)險(xiǎn)是至關(guān)重要的，因?yàn)橘Y產(chǎn)定價(jià)高度依賴于這些風(fēng)險(xiǎn)評(píng)估措施。其中一個(gè)最廣為人知的例子就是2008 年全球金融危機(jī)，由于金融機(jī)構(gòu)間信用違約互換（CDS）風(fēng)險(xiǎn)評(píng)估不當(dāng)?shù)牡盅嘿J款危機(jī)導(dǎo)致房地產(chǎn)泡沫破滅，進(jìn)而導(dǎo)致全球經(jīng)濟(jì)大蕭條，而將深度學(xué)習(xí)應(yīng)用于風(fēng)險(xiǎn)評(píng)估領(lǐng)域可以獲得更高的準(zhǔn)確性。

大多數(shù)風(fēng)險(xiǎn)評(píng)估研究集中在信用評(píng)分和財(cái)務(wù)困境預(yù)測(cè)上。關(guān)于信用評(píng)分分類問(wèn)題，LUO等人[17]使用信用違約互換數(shù)據(jù)進(jìn)行企業(yè)信用評(píng)級(jí)，并將其信用等級(jí)劃分為A、B、C三類。在測(cè)試的模型中，帶有受限玻爾茲曼機(jī)（Restricted? Boltzmann Machine， RBM）的深度信念網(wǎng)絡(luò)（Deep Belief? Network， DBN）表現(xiàn)最好。類似地，YU等人[18]采用DBN、反向傳播（Back Propagation，BP）和SVM的級(jí)聯(lián)混合模型進(jìn)行信用分類，取得了良好的性能結(jié)果（準(zhǔn)確率為80%—90%）。王重仁等人[19]提出了一種融合注意力機(jī)制的LSTM和CNN相結(jié)合的神經(jīng)網(wǎng)絡(luò)模型來(lái)對(duì)個(gè)人信用進(jìn)行評(píng)分，以提高信用風(fēng)險(xiǎn)評(píng)估的準(zhǔn)確性。陳學(xué)彬等人[20]運(yùn)用擅長(zhǎng)處理長(zhǎng)時(shí)間依賴關(guān)系的LSTM神經(jīng)網(wǎng)絡(luò)方法構(gòu)建了中國(guó)信用債違約風(fēng)險(xiǎn)預(yù)測(cè)模型，并且達(dá)到了較高的預(yù)測(cè)準(zhǔn)確率。

關(guān)于銀行和企業(yè)的財(cái)務(wù)困境預(yù)測(cè)問(wèn)題，RONNQVIST等人[21]運(yùn)用文本挖掘識(shí)別銀行是否處于困境，具體做法為從金融新聞中提取數(shù)據(jù)，然后使用深度前饋網(wǎng)絡(luò)（Deep Feedforward Network， DFFN）對(duì)從詞嵌入中提取的語(yǔ)義句子向量進(jìn)行分類。KVAMME等人[22]使用CNN和RF模型來(lái)預(yù)測(cè)客戶是否會(huì)違約其抵押貸款。

3.5? ?投資組合管理

投資組合管理是在一個(gè)給定時(shí)期內(nèi)選擇投資組合中的各種資產(chǎn)的過(guò)程。一般來(lái)說(shuō)，投資組合管理包括以下相關(guān)領(lǐng)域：投資組合優(yōu)化、投資組合選擇、投資組合分配。投資組合管理實(shí)際上是一個(gè)優(yōu)化問(wèn)題，確定在給定時(shí)期內(nèi)選擇表現(xiàn)最好的資產(chǎn)的最佳可能行動(dòng)路線。

針對(duì)投資組合選擇問(wèn)題，LEE等人[23]比較了用于股票價(jià)格預(yù)測(cè)的三個(gè)RNN模型（S-RNN、LSTM、GRU），然后根據(jù)預(yù)測(cè)選擇股票來(lái)構(gòu)建基于閾值的投資組合。張虎等人[24]運(yùn)用自注意力神經(jīng)網(wǎng)絡(luò)模型結(jié)合過(guò)去60 個(gè)交易日的因子數(shù)據(jù)預(yù)測(cè)滬深300成分股未來(lái)一個(gè)月的價(jià)格變動(dòng)趨勢(shì)，從而選出前50 個(gè)上漲概率最大的股票構(gòu)建投資組合。閆洪舉[25]提出了一種基于深度自動(dòng)編碼器的方法，以確定構(gòu)建指數(shù)跟蹤組合所需的股票，并利用深度神經(jīng)網(wǎng)絡(luò)模型對(duì)個(gè)股的權(quán)重進(jìn)行測(cè)算。

4? ?結(jié)論（Conclusion）

金融領(lǐng)域常用的深度學(xué)習(xí)模型主要有三種：CNN、RNN、LSTM。CNN使用卷積濾波器來(lái)識(shí)別數(shù)據(jù)中的模式，廣泛應(yīng)用于圖像識(shí)別領(lǐng)域和自然語(yǔ)言處理領(lǐng)域。RNN旨在識(shí)別序列模式，它在上下文至關(guān)重要的情況下尤其強(qiáng)大，因此常用于情感分析。LSTM網(wǎng)絡(luò)是一種特殊的RNN，能夠?qū)W習(xí)長(zhǎng)期上下文和依賴關(guān)系，彌補(bǔ)了RNN的梯度消失和不支持長(zhǎng)期記憶的問(wèn)題。金融深度學(xué)習(xí)主要的應(yīng)用領(lǐng)域有金融文本分析、異常檢測(cè)、金融風(fēng)險(xiǎn)評(píng)估和投資組合問(wèn)題。其中，金融文本分析為研究最多的領(lǐng)域，通常運(yùn)用文本挖掘和情感分類對(duì)財(cái)經(jīng)新聞、社交媒體等文本信息進(jìn)行分析，從而實(shí)現(xiàn)對(duì)股票價(jià)格、股票趨勢(shì)等的預(yù)測(cè)。

雖然文本挖掘和情感分析已經(jīng)受到了很多的關(guān)注，但行為金融學(xué)是一個(gè)廣泛的研究領(lǐng)域，還有很多值得深入研究的東西，尤其是在我國(guó)利用深度學(xué)習(xí)進(jìn)行研究的文獻(xiàn)還比較少。而文本挖掘技術(shù)、自然語(yǔ)言處理技術(shù)以及基于代理的計(jì)算金融和語(yǔ)義相結(jié)合的技術(shù)的發(fā)展為此研究領(lǐng)域提供了新的研究機(jī)會(huì)，未來(lái)可以進(jìn)一步對(duì)這一領(lǐng)域進(jìn)行研究。此外，隨著一些新的金融領(lǐng)域的興起和流行，它們對(duì)金融市場(chǎng)的影響也越來(lái)越大，例如加密貨幣和區(qū)塊鏈技術(shù)，將深度學(xué)習(xí)創(chuàng)新地應(yīng)用于這些新興的金融領(lǐng)域可以為金融市場(chǎng)探索更多的可能性。

參考文獻(xiàn)（References）

[1] LECUN Y， BENGIO Y， HINTON G. Deep learning[J]. Nature， 2015， 521（7553）：436-444.

[2] HAN S Q， HAO X L， HUANG H L. An event-extraction approach for business analysis from online Chinese news[J]. Electronic Commerce Research and Applications， 2018， 28（3/4）：244-260.

[3] KRAUS M， FEUERRIEGEL S. Decision support from financial disclosures with deep neural networks and transfer learning[J]. Decision Support Systems， 2017， 104：38-48.

[4] DANG L M， SADEGHI-NIARAKY A， HUYNH H D， et al. Deep learning approach for short-term stock trends prediction based on Two-Stream Gated Recurrent Unit Network[J]. IEEE Access， 2018， 6：55392-55404.

[5] 張夢(mèng)吉，杜婉鈺，鄭楠.引入新聞短文本的個(gè)股走勢(shì)預(yù)測(cè)模型[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2019，3（05）：11-18.

[6] ZHUGE Q， XU L Y， ZHANG G W. LSTM neural network with emotional analysis for prediction of stock price[J]. Engineering Letters， 2017， 25（2）：167-175.

[7] DAS S， BEHERA R K， KUMAR M， et al. Real-time sentiment analysis of twitter streaming data for stock prediction[J]. Procedia Computer Science， 2018， 132：956-964.

[8] 耿立校，劉麗莎，李恒昱.多源異構(gòu)數(shù)據(jù)融合驅(qū)動(dòng)的股票指數(shù)預(yù)測(cè)研究[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（20）：142-149.

[9] 溫玉蓮，林培光.基于行業(yè)背景差異下的金融時(shí)間序列預(yù)測(cè)方法[J].南京大學(xué)學(xué)報(bào)（自然科學(xué)），2021，57（01）：90-100.

[10] ANDER G J， AREVALO J， PAREDES R， et al. End-to-end neural network architecture for fraud scoring in card payments[J]. Pattern Recognition Letters， 2017， 105（04）：? 175-181.

[11] JURGOVSKY J， GRANITZER M， ZIEGLER K， et al. Sequence classification for credit-card fraud detection[J]. Expert Systems with Applications， 2018， 100（06）：234-245.

[12] 楊磊，姚汝婧.基于Transformer的信用卡違約預(yù)測(cè)模型研究[J].計(jì)算機(jī)仿真，2021，38（08）：440-444.

[13] 劉穎，楊軻.基于深度集成學(xué)習(xí)的類極度不均衡數(shù)據(jù)信用欺詐檢測(cè)算法[J].計(jì)算機(jī)研究與發(fā)展，2021，58（03）：539-547.

[14] WANG Y B， XU W. Leveraging deep learning with LDA-based text analytics to detect automobile insurance fraud[J]. Decision Support Systems， 2018， 105（01）：87-95.

[15] GOUMAGIAS N D， HRISTU-VARSAKELIS D， ASSAEL Y M. Using deep Q-learning to understand the tax evasion behavior of risk-averse firms[J]. Expert Systems with Application， 2018， 101（07）：258-270.

[16] 黃良瑜，王薏婷，詹杭龍，等.基于深度學(xué)習(xí)的銀行間債券市場(chǎng)異常交易行為檢測(cè)[J].計(jì)算機(jī)應(yīng)用與軟件，2021，38（09）：?78-85.

[17] LUO C C， WU D S， WU D X. A deep learning approach for credit scoring using credit default swaps[J]. Engineering Applications of Artificial Intelligence， 2017， 65：465-470.

[18] YU L A， ZHOU R T， TANG L， et al. A DBN-based resampling SVM ensemble learning paradigm for credit classification with imbalanced data[J]. Applied Soft Computing， 2018， 69：192-202.

[19] 王重仁，王雯，佘杰，等.融合深度神經(jīng)網(wǎng)絡(luò)的個(gè)人信用評(píng)估方法[J].計(jì)算機(jī)工程，2020，46（10）：308-314.

[20] 陳學(xué)彬，武靖，徐明東.我國(guó)信用債個(gè)體違約風(fēng)險(xiǎn)測(cè)度與防范——基于LSTM深度學(xué)習(xí)模型[J].復(fù)旦學(xué)報(bào)（社會(huì)科學(xué)版），2021，63（03）：159-173.

[21] RONNQVIST S， SARLIN P. Bank distress in the news： Describing events through deep learning[J]. Neurocomputing， 2017， 264：57-70.

[22] KVAMME H， SELLEREITE N， AAS K， et al. Predicting mortgage default using convolutional neural networks[J]. Expert Systems with Application， 2018， 102（07）：207-217.

[23] LEE S I， YOO S J. Threshold-based portfolio： The role of the threshold and its applications[J]. The Journal of Supercomputing， 2018， 76（10）：8040-8057.

[24] 張虎，沈寒蕾，劉曄誠(chéng).基于自注意力神經(jīng)網(wǎng)絡(luò)的多因子量化選股問(wèn)題研究[J].數(shù)理統(tǒng)計(jì)與管理，2020，39（03）：556-570.

[25] 閆洪舉.基于深度學(xué)習(xí)的指數(shù)跟蹤方法研究[J].統(tǒng)計(jì)與決策，2021，37（05）：143-147.

作者簡(jiǎn)介：

付鈺菲（1996-），女，碩士生.研究領(lǐng)域：信息管理.

汪明艷（1975-），女，博士，教授.研究領(lǐng)域：應(yīng)急管理，輿論治理，電子商務(wù).