概述

　　深度學(xué)習(xí)和人工智能是 2016 年的熱詞;2017 年，這兩個(gè)詞愈發(fā)火熱，但也更加容易混淆。我們將深入深度學(xué)習(xí)的核心，也就是神經(jīng)網(wǎng)絡(luò)。大多數(shù)神經(jīng)網(wǎng)絡(luò)的變體是難以理解的，并且它們的底層結(jié)構(gòu)組件使得它們?cè)诶碚撋虾蛨D形上是一樣的。

　　下圖展示了最流行的神經(jīng)網(wǎng)絡(luò)變體~

　　

　　本文介紹卷積神經(jīng)網(wǎng)絡(luò)(CNN)。在開始之前，我們首先了解一下感知機(jī)。神經(jīng)網(wǎng)絡(luò)是一些被稱作感知機(jī)的單元的集合，感知機(jī)是二元線性分類器。

　　

　　如上圖所示，輸入 x1 和 x2 分別和各自的權(quán)重 w1 和 w2 相乘、求和，所以函數(shù) f=x1*w1+x2*w2+b(偏置項(xiàng)，可以選擇性地添加)。函數(shù) f 可以是任意的運(yùn)算，但是對(duì)于感知機(jī)而言通常是求和。函數(shù) f 隨后會(huì)通過一個(gè)激活函數(shù)來評(píng)估，該激活函數(shù)能夠?qū)崿F(xiàn)期望分類。Sigmoid 函數(shù)是用于二元分類的最常見的激活函數(shù)。

　　如果我們把多個(gè)輸入堆疊在一起，并且使用函數(shù) f 將其與位于另一層的多個(gè)堆疊在一起的單元連接在一起，這就形成了多個(gè)全連接的感知機(jī)，這些單元(隱藏層)的輸出成為最后一個(gè)單元的輸入，再通過函數(shù) f 和激活函數(shù)得到最終的分類。如下圖所示，這個(gè)就是最簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)。

　　

　　神經(jīng)網(wǎng)絡(luò)有一個(gè)獨(dú)特的能力，被稱作「泛逼近函數(shù)」(Universal Approximation function)，所以神經(jīng)網(wǎng)絡(luò)的拓?fù)浜徒Y(jié)構(gòu)變體是很多樣化的。讀完這個(gè)我們可以相信：神經(jīng)網(wǎng)絡(luò)可以模擬任何函數(shù)，不管它是多么的復(fù)雜。上面提到的神經(jīng)網(wǎng)絡(luò)也被稱為前饋神經(jīng)網(wǎng)絡(luò)(FFNN)，因?yàn)樾畔⒘魇菃蜗颉o環(huán)的?，F(xiàn)在我們已經(jīng)理解了感知機(jī)和前饋神經(jīng)網(wǎng)絡(luò)的基本知識(shí)，我們可以想象，數(shù)百個(gè)輸入連接到數(shù)個(gè)這樣的隱藏層會(huì)形成一個(gè)復(fù)雜的神經(jīng)網(wǎng)絡(luò)，通常被稱為深度神經(jīng)網(wǎng)絡(luò)或者深度前饋神經(jīng)網(wǎng)絡(luò)。

　　

　　那么深度神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)有什么不同呢?讓我們來探討一下。

　　CNN 由于被應(yīng)用在 ImageNet 等競(jìng)賽中而廣受歡迎，最近也被應(yīng)用在自然語言處理和語音識(shí)別中。需要記住的關(guān)鍵點(diǎn)是，其他的變體，如 RNN、LSTM、GRU 等，基于和 CNN 類似的結(jié)構(gòu)，不過架構(gòu)存在一些差異。

　　

　　CNN 由三種不同的層組成，即「卷積層」、「池化層」、「密集層或全連接層」。我們之前的神經(jīng)網(wǎng)絡(luò)都是典型的全連接層神經(jīng)網(wǎng)絡(luò)?，F(xiàn)在繼續(xù)我們關(guān)于層的討論，下面我們來看一下卷積層。

　　(在下面的內(nèi)容里，我們會(huì)以圖像分類為例來理解卷積神經(jīng)網(wǎng)絡(luò)，后面再轉(zhuǎn)移到自然語言處理和視頻任務(wù)中。)

　　卷積層：假設(shè)一張圖像有 5*5 個(gè)像素，1 代表白，0 代表黑，這幅圖像被視為 5*5 的單色圖像?，F(xiàn)在用一個(gè)由隨機(jī)地 0 和 1 組成的 3*3 矩陣去和圖像中的子區(qū)域做乘法，每次迭代移動(dòng)一個(gè)像素，這樣該乘法會(huì)得到一個(gè)新的 3*3 的矩陣。下面的動(dòng)圖展示了這個(gè)過程。

　　

　　上述的 3*3 的矩陣被稱作「濾波器」，它的任務(wù)是提取圖像特征，它使用「優(yōu)化算法」來決定 3*3 矩陣中具體的 0 和 1。我們?cè)谏窠?jīng)網(wǎng)絡(luò)的卷積層中使用好幾個(gè)這樣的濾波器來提取多個(gè)特征。3*3 矩陣的每一個(gè)單個(gè)步驟被稱作「步幅」(stride)。

　　下圖展示了使用兩個(gè)三通道濾波器從三通道(RGB)圖像中生成兩個(gè)卷積輸出的詳細(xì)過程。

　

　　濾波器 w0 和 w1 是「卷積」，輸出是提取到的特征，包含這些濾波器的層叫做卷積層。

　　池化層：這個(gè)層主要使用不同的函數(shù)為輸入降維。通常，最大池化層(max-pooling layer)出現(xiàn)在卷積層之后。池化層使用 2*2 的矩陣，以卷積層相同的方式處理圖像，不過它是給圖像本身降維。下面分別是使用「最大池化」和「平均池化」的示例。

　　

　　全連接層：這個(gè)層是位于之前一層和激活函數(shù)之間的全連接層。它和之前討論過的簡(jiǎn)單「神經(jīng)網(wǎng)絡(luò)」是類似的。

　　注意：卷積神經(jīng)網(wǎng)絡(luò)結(jié)果也會(huì)使用正則化層，不過本文將分開討論。此外，池化層會(huì)損失信息，所以也不是首選的。通常的做法是在卷機(jī)層中使用一個(gè)較大的步幅。

　　ILSVRC 2014 的亞軍 VGGNet 是一個(gè)流行的卷積神經(jīng)網(wǎng)絡(luò)，它使用 16 個(gè)層來幫助我們理解 CNN 中深度的重要性，AlexNet 是 ILSVRC 2012 的冠軍，它只有 8 層。Keras 中有可以直接使用的模型 VGG-16。

　　

　　在 Keras 中加載了這個(gè)模型之后，我們可以觀察每一層的「output shape」來理解張量維度，觀察「Param#」來了解如何計(jì)算參數(shù)來得到卷積特征?！窹aram#」是每一次獲取卷積特征時(shí)的所有權(quán)重更新。

　　

　　現(xiàn)在我們已經(jīng)熟悉了卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，理解了每一層都是如何運(yùn)行的，那么我們可以進(jìn)一步去理解它是如何用在自然語言處理和視頻處理中的了。

量化金融分析師(簡(jiǎn)稱AQF ，Analyst of Quantitative Finance)由量化金融標(biāo)準(zhǔn)委員會(huì)(Standard Committee of Quantitative Finance，SCQF)主考并頒證，是代表量化金融領(lǐng)域的專業(yè)水平證書。 >>>點(diǎn)擊咨詢AQF證書含金量

　　

課程適合人群：

　　金融工程/數(shù)學(xué)專業(yè)背景的同學(xué)/工作人士，希望進(jìn)一步學(xué)習(xí)Python編程以及在量化投資的實(shí)戰(zhàn)應(yīng)用；

　　非金融工程專業(yè)背景的同學(xué)/工作人士，希望迅速成為寬客；

　　金融相關(guān)人員，希望學(xué)習(xí)如何系統(tǒng)的做量化策略；

　　個(gè)人投資者，希望系統(tǒng)學(xué)習(xí)掌握量化投資相關(guān)的實(shí)務(wù)技能，從模型開發(fā)，回測(cè)，策略改進(jìn)，搭建穩(wěn)定的量化交易系統(tǒng)。>>>點(diǎn)擊咨詢AQF課程相關(guān)問題

（點(diǎn)擊上圖了解課程詳情）

　　量化金融分析師AQF核心課程體系：

　　1、《量化投資基礎(chǔ)》

　　主要涵蓋了量化投資領(lǐng)域的必備知識(shí)，包括：基本面分析、技術(shù)分析、數(shù)量分析、固定收益、資產(chǎn)組合管理、權(quán)益、另類投資等內(nèi)容。

　　2、《Python語言編程基礎(chǔ)》

　　包含了Python環(huán)境搭建、基礎(chǔ)語法、變量類型、基本函數(shù)、基本語句、第三方庫、金融財(cái)務(wù)實(shí)例等內(nèi)容。旨在為金融財(cái)經(jīng)人提供最需要的編程方法。

　　3、《基于Python的經(jīng)典量化投資策略》

　　包含了最富盛名，最基本的量化交易思想和交易策略。例如：海龜交易模型、Logistics模型、配對(duì)交易模型、波動(dòng)擴(kuò)張模型、Alpha模型、機(jī)器學(xué)習(xí)(隨機(jī)森林模型、主成分分析)、深度學(xué)習(xí)(人工神經(jīng)網(wǎng)絡(luò))等內(nèi)容。

　　4、《量化交易系統(tǒng)設(shè)計(jì)》

　　旨在學(xué)習(xí)量化交易系統(tǒng)的具體知識(shí)，包括過濾器，進(jìn)入信號(hào)，退出信號(hào)，倉位管理等詳細(xì)內(nèi)容，并指導(dǎo)學(xué)員設(shè)計(jì)涵蓋個(gè)人交易哲學(xué)的量化交易系統(tǒng)。

　　5、《量化實(shí)盤交易》

　　旨在為解決實(shí)際量化交易策略搭建過程中的一些問題提供較優(yōu)解決方案。 >>>點(diǎn)擊咨詢AQF相關(guān)問題

　　

　　掌握Python及量化投資技能，我們能做什么?

1、熟悉中國主要金融市場(chǎng)及交易產(chǎn)品的交易機(jī)制；

2、熟知國內(nèi)外期貨交易、股市交易的異同點(diǎn)和內(nèi)在運(yùn)行機(jī)制；

3、掌握經(jīng)典量化交易策略細(xì)節(jié)及其背后的交易哲學(xué)；

4、掌握金融、編程和建模知識(shí)基礎(chǔ)，擁有量化交易實(shí)盤操作能力；

5、具備獨(dú)立自主地研發(fā)新量化交易策略的能力；

6、掌握量化交易模型設(shè)計(jì)的基本框架，以及風(fēng)險(xiǎn)管理和資產(chǎn)組合理論的實(shí)際運(yùn)用；

7、掌握從策略思想——策略編寫——策略實(shí)現(xiàn)餓完整量化投資決策過程；具備量化投資實(shí)戰(zhàn)交易能力。

　　

更多內(nèi)容推薦閱讀：

如何成為一名優(yōu)秀的量化金融分析師？

AQF到底是什么鬼？哪類人適合參加AQF考試？

2019年量化金融分析師（AQF）全國統(tǒng)一考試報(bào)名簡(jiǎn)章

Wind、Excel和Python三大金融技能兼修，下一個(gè)金融分析大神就是你

金程推薦： AQF培訓(xùn) AQF培訓(xùn)機(jī)構(gòu) AQF是什么意思

咨詢電話：400-700-9596

AQF考友群：760229148

　　金融寬客交流群：801860357

　　微信公眾號(hào)：量化金融分析師

　　>>>返回首頁