周子昂，尚瑞琪（天津财经大学，天津300222）

一、引言

对股票、债券、期货等金融资产的趋势进行准确预测一直是金融领域极其重要，又极具挑战的工作。 预测的困难主要来源于两个方面：首先，金融领域预测的时间序列数据，往往具有高噪声和高维度等特征。 这些时间序列数据的特征高度依赖于时间变量长度，过短的时间序列，往往不能提取出有效的信息。 其次，预测模型较难选择。 传统计量模型依赖于人工设计特征，不仅主观性较高，而且模型信息较为单一，不能及时反映投资者情绪、心理预期、突发事件等高度复杂的信息。

近年来，随着大数据技术的发展和计算机性能的提升，人工智能的图像识别、自然语言处理等技术改变了一个又一个领域，其中也包括金融市场。 而在众多人工智能解决方案中，能够提取数据深层特征，过滤时间序列市场噪声的深度学习方法，成为目前金融市场中炙手可热的议题。 深度学习是机器学习算法的一种，是一种由多层隐藏层构成的深层神经网络。 目前应用最广泛的深度学习方法有深度置信神经网络（DBN）、循环神经网络（RNN）和长短期记忆神经网络（LSTM）三种。 一些学者对这些深度学习方法在金融市场预测、投资者情绪分析、投资策略改进等方面的应用进行了研究。Xiong et al.（2016）利用Google 国内趋势指数作为衡量投资者情绪和宏观经济因子的变量，建立了S＆P500 的长短期记忆模型，结果表明基于深度学习的预测方法比传统计量回归模型精度高出至少31%。……