人工智能的发展在很大程度上是由神经网络、深度学习和强化学习推动的。这些复杂的算法可以解决高度复杂的机器学习任务,如图像分类、人脸识别、语音识别和自然语言处理等。这些复杂任务一般是非线性的,同时包含着大量的特征输入。我们下面我们将分几天的时间对这些算法及其在金融领域的应用进行阐述。
神经网络
神经网络(又称人工神经网络,英文为artificial neural networks,简称ANNs)是一种高度灵活的机器学习算法,它已被成功地应用于具有大量特征的非线性复杂交互任务。神经网络通常用于分类和回归,但在强化学习中(可以是无监督的)也很重要。
下表显示了多元回归和神经网络之间的联系。A表示4个输入特征(x1到x4)和1个输出目标(y)的回归。B展示了一个基本神经网络的示意,它由节点(圆圈)和链接(连接节点之间的箭头)组成。神经网络有三种类型的层:输入层(包含4个特征的节点);隐藏层(对训练数据进行处理与学习);和输出层(由目标变量y的单个节点组成)。除了网络结构不同之外,多元回归和神经网络的另一个重要区别是,神经网络隐藏层的节点将输入以非线性的方式转换成新的值,然后将这些值重新组合成目标值。例如, 我们使用流行的修正线性单元函数(ReLU),f(x)=max(0, x),y等于β1乘以z1,其中z1是(x1 + x2 + x3)与0之间的最大值,加上β2乘以z2,其中z2是(x2+x4)与0之间的最大值,再加上β3乘以z3,其中z3是(x2+x3+x4)与0之间的最大值,再加上一个误差项。
![918047dd10e5a00c7b799aa22cf4914b.png](https://i-blog.csdnimg.cn/blog_migrate/473d038a05cb0594b6e962f188b2b621.jpeg)