深度学习是基于神经网络的机器学习

深度学习可以概括为特征的抽象和结果的预测。深度学习是将原始的数据特征通过多步的 特征转换得到一种更高层次、更抽象的特征表示，并进一步输入到预测函数得到最终结果。深度学习需要解决的关键问题是贡献度分配问题（Credit Assignment Problem，CAP），即一个系统中不同的组件（component）或其参数对最终系统输出结果的贡献或影响。深度学习的目标是让模型自动学习出好的特征表示，从而最终提升预测模型的准确率。

深度学习采用的模型主要是神经网络模型。主要原因是神经网络模型可以使用误差反向传播算法（Backpropagation），能够比较好地解决贡献度分配问题。只要是超过一层的神经网络都会存在贡献度分配问题，因此可以将超过一层的神经网络都看作深度学习模型。

 深度学习逐渐超过表示学习范畴，用于处理更加复杂的推理、决策等问题。表示学习 （Representation Learning）可以自动地学习出有效的特征（即表示），并提高最终机器学习模型的性能。早期，深度学习主要用来进行表示学习，但目前更多地用来处理更加复杂的推理、决策等问题。概括来说，深度学习是将“表示学习+预测模型的学习”进行端到端的学习，中间不需要人工干预。其中，端到端学习（End-to-End Learning），也称端到端训练，是指在学习过程中不进行分模块或分阶段训练，直接优化任务的总体目标。

人工智能包括机器学习，机器学习包含深度学习（人工智能>机器学习>深度学习）。人工智能（AI）的重要组成部分是机器学习（ML），而神经网络（NN）是ML的一个子领域。深度学习可以看做是神经网络的分支，使用了更复杂和更深层次的网络结构，如卷积神经网络（CNN），来处理更高维度和更抽象的数据，如图像、声音和文本。此外，逐渐兴起的强化学习也是机器学习的一个分支。深度学习与强化学习可以相互结合，称为深度强化学习（DRL

近年来，深度学习结合量化业务场景的应用越来越深入和广泛，发展十分迅速。作为数据分析和挖掘的细分领域，量化交易中应用深度学习方法也逐渐被业界重视起来。目前深度学习还是主要应用于有监督学习，本质是基于数据驱动的统计方法，对样本进行非线性的预测和分类。

深度学习应用于量化交易的优势在于训练样本的自然可获取、海量特性和特征自我学习等方面。深度学习模型在数据分析的普适性解放了量化分析人员的业务分析能力，在研究过程中研究人员主要的工作会集中于业务分析及特征工程，以及如何提取更有效的因子特征作为深度学习模型的输入项，使得金融工程人员能够更好的发挥专业特长。（资料来源：华泰证券）

如果你对深度学习在量化交易中的应用感兴趣，欢迎加入非凸，一起学习和成长！

【招聘岗位】Rust开发工程师/算法工程师/量化策略研究员/机器学习研究员

【投递邮箱】[email protected]

【工作地点】北京/上海/成都/新加坡/美国