共计 1192 个字符，预计需要花费 3 分钟才能阅读完成。
深度学习能够概括为特色的形象和后果的预测。深度学习是将原始的数据特色通过多步的 特色转换失去一种更高层次、更形象的特色示意，并进一步输出到预测函数失去最终后果。深度学习须要解决的关键问题是贡献度调配问题（Credit Assignment Problem，CAP），即一个零碎中不同的组件（component）或其参数对最终零碎输入后果的奉献或影响。深度学习的指标是让模型主动学习出好的特色示意，从而最终晋升预测模型的准确率。
深度学习采纳的模型次要是神经网络模型。次要起因是神经网络模型能够应用误差反向流传算法（Backpropagation），可能比拟好地解决贡献度调配问题。只有是超过一层的神经网络都会存在贡献度调配问题，因而能够将超过一层的神经网络都看作深度学习模型。
深度学习逐步超过示意学习领域，用于解决更加简单的推理、决策等问题。示意学习（Representation Learning）能够主动地学习出无效的特色（即示意），并进步最终机器学习模型的性能。晚期，深度学习次要用来进行示意学习，但目前更多地用来解决更加简单的推理、决策等问题。概括来说，深度学习是将“示意学习 + 预测模型的学习”进行端到端的学习，两头不须要人工干预。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，间接优化工作的总体目标。
人工智能包含机器学习，机器学习蕴含深度学习（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 的一个子畛域。深度学习能够看做是神经网络的分支，应用了更简单和更深层次的网络结构，如卷积神经网络（CNN），来解决更高维度和更形象的数据，如图像、声音和文本。此外，逐步衰亡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能够互相联合，称为深度强化学习（DRL）。
近年来，深度学习联合量化业务场景的利用越来越深刻和宽泛，倒退十分迅速。作为数据分析和开掘的细分畛域，量化交易中利用深度学习办法也逐步被业界器重起来。目前深度学习还是次要利用于有监督学习，实质是基于数据驱动的统计办法，对样本进行非线性的预测和分类。
深度学习利用于量化交易的劣势在于训练样本的天然可获取、海量个性和特色自我学习等方面。深度学习模型在数据分析的普适性解放了量化剖析人员的业务剖析能力，在钻研过程中钻研人员次要的工作会集中于业务剖析及特色工程，以及如何提取更无效的因子特色作为深度学习模型的输出项，使得金融工程人员可能更好的施展业余专长。（材料起源：华泰证券）
如果你对深度学习在量化交易中的利用感兴趣，欢送退出非凸，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】recruit@ft.tech
【工作地点】北京 / 上海 / 成都 / 新加坡 / 美国
