什麼是深度學習？
從本質上說，深度學習是一門計算機利用大規模神經網絡來檢測和分類模式的學科。這些神經網絡就像我們自己的大腦一樣，包含了數以百萬計的神經元，既有輸入又包括輸出。而如果使用了多個結構層次的神經元，神經元中又包含了豐富的節點，具有廣泛而豐富的連接，那麼就可以被認為是「深度學習」。
今天，人工智能的成功可以歸因於強大的計算機能力、先進的算法和龐大數據集。這使得深度學習模型得以進一步發展，並取得前所未有的成就。
深度學習包括哪些分支？
在深度學習技術的幫助下，人工智能研究人員在自然語言處理(NLP)、語音識別和圖像識別方面取得了重大進展。計算機可以看見、聽到並理解人類，有時甚至可以比人類做得更好。谷歌翻譯目前使用的深度學習神經網絡架構，在性能上越來越接近於人工翻譯，表現出了卓越的決策能力。
深度學習如何「賦能」金融世界?
效率提高
深度神經網絡需要在龐大的數據集上進行訓練，以使系統能夠以最小的誤差進行有效識別。為了增加「學習」的效率，需要用不同的樣本反復訓練模型，以達到更高的准確性。使用深度學習提高效率是指模型在沒有人為干預的情況下擁有「學習」的能力，即所謂的無監督式學習。這些算法直接從數據本身獲取見解，對數據進行聚類、匯總，從而幫助人類做出以數據驅動的決策。
來源: https://warandpeas.com/2017/11/19/born-sexy-yesterday/
就像AlphaGo Zero在40天就可以自學擊敗所有版本的AlphaGo，深度學習能夠減少金融領域繁瑣、單調、重復性人工工作的時間。
摩根大通的COIN程序通過自然語言處理在幾秒鐘內完成了36萬個小時的金融工作。
許多分析師會參加公司管理層的季度電話會議，從而找到用來評估公司盈利和建立估值模型的線索。如果算法能夠成功地捕捉到首席執行官或管理層在電話會議上的某些不確定因素，那麼你就可能在最有利的時候賣掉這些公司股票，在不應該持有的時候盡量避開。而技術能夠實現的不止於此。
分析的越深入，結果就越好
訓練一個復雜的模型需要大量的數據，而近年來有越來越多的數據可供我們使用。只需輕輕一點，深度學習就能夠聚合和分析數以百萬計的新聞源，處理大量的盈利報表，抓取大量的網站信息。它還能夠自動更新模型，以反映在數據集中發現的最新趨勢。
輿情分析的准確性是深度學習應用的重要方面。對於一個平均每分鐘閱讀300字的人來說，要在一分鐘內讀完投資組合的公司產生的100篇新聞是不可能的。最重要的就是能夠為每篇文章進行輿情打分。
雖然利用公開信息預測股票表現並不是什麼新鮮事，但如今它越來越受歡迎，不僅是因為它能夠處理大量數據，還因為深度學習能夠產生更准確的結果。深入的分析為估值模型提供了更准確的數值輸入。而通過更精確的資產定價，分析師就可以做出更好的決策。NLP等深度學習模型幫助投資經理分析數十萬個法律文件、業務交易、關鍵實體和事件的動向，從而更好地評估其風險敞口。
以上所有的技術應用都可以幫助投資者在市場上獲得優勢、做出預測，從而獲得更好的收益，並幫助投資機構更有效地擴大規模。
深度學習的局限在哪裡？
雖然深度學習取得了重大的進步，但我們要做的還有很多。首先，獲取大型數據集就十分困難。例如，並購數據十分有限，以至於無法預測交易是否會成功。此外，深度學習算法需要標記數據進行訓練。此類工作大部分是人工完成的，貼標簽的過程需要動用大量人力資源，而人總是容易出錯的。
來源：https://imgs.xkcd.com/comics/recipes.png
其次，目前深度學習在遷移能力方面仍受到限制。當模型面對的是與輸入的示例不同的場景時，系統發現很難對其進行分類或者根據具體語境分析。特別是在金融市場不可預測的情況下，9 / 11這樣的「黑天鵝事件」時有發生，此種復雜的問題模型仍無法適應。人工智能模型還沒有進化到能夠處理不確定性。
第三，也是最重要的一點，深度學習網絡仍然不透明。它們就像一個黑箱，我們無法解釋它如何進行決定、如何得出結論或會產生什麼反應，尤其是在程序從未接觸過的情況下。算法在輸入和輸出之間，有許多步驟是看不到的。由於透明度的缺乏，阻礙了它在需要問責制度和可靠性的財務部門進一步應用。這種聯系在人工智能領域還沒有建立起來。
」深度學習網絡仍然不透明。「
我們人類可以做些什麼？
強大的金融科技是強大的金融機構和科技公司合作的結果。海量的數據既是一個挑戰，但同時也是一個機遇。新的技術和數據分析方法將顛覆投資部門，為投資者帶來效率和實打實的收益。沒有采用技術解決方案的金融機構將最終落後，最終只剩下少數公司主導市場。
雖然我們經常圍繞人機大戰展開討論，但我認為，我們更應該關注的是機器賦能下的智能與人類本身智慧的競爭。只有不斷發展並采用創新思維的投資人士才能脫穎而出，成為行業領頭羊，並獲得差異化的回報。而這種思維同樣適用於金融機構之中
"我認為未來的競爭將存在於機器賦能下的智能與人類本身智慧之間。"
然而，應用人工智能並非易事，金融領域仍舊有很多AI無法解決的復雜問題。深度學習只是眾多工具和未來機器學習方法中的一種。接下來，算法要找出經濟學家尚未理解的東西。這個「黑箱」能打開嗎?這是金融和投資領域目前缺乏的，但這也是希望所在。盡管前路慢慢，但最為確定的是，我們面對的是一個充滿希望的未來。