基于深度学习的量化金融研究
▎正式科研：1v1线上定制指导
▎项目收获：科研报告、导师推荐信
▎科研补充包：48课时科研基础课+15课时学术写作基础课
01 涉及领域
本课题涉及到量化投资、Python、机器学习、深度学习、模式识别算法、股票预测等方面的知识，适合申请金融学、金融工程、数据分析、商业分析、数学等相关专业的学生。
02 适合人群
①有意提高自身知识水平及学术能力的学生;
②有意掌握前沿科研热点及科研方法的学生;
③有留学意向、跨专业深造的学生。
03 研究意义
近年来，随着人工智能、深度学习技术的火热发展，机器学习方法已经被应用到各行各业当中。而金融市场作为现代社会的重要的支柱之一，其走势预测影响着众多投资人的投资方向。传统的人工分析方法已经无法处理每天产生海量的数据，而深度学习技术在进行大数据分析时的优越性就日益凸显。
对于非计算机、数学专业出身的人而言，在学习深度学生过程中很容易被含有大量数学公式而“劝退”。而实际上，深度学习作为一种普适性的工具，我们只需要掌握其应用方法，便可以像搭积木一般创作出不同的城堡。
量化投资是近年来金融领域发展的热潮。通过机器学习、模式识别算法对基于时间序列的股票走势数据进行分析建模，给出短期股票走势及相应的投资指导成为了各大量化投资公司的核心业务。
近年来，深度学习网络应用广泛，并且其在时间序列上的预测表现已经远远超出了传统机器学习模型。深度学习在时间序列预测上的代表性网络——长短期记忆神经网络(LSTM)是近几年来比较新且可实现的神经网络模型。基于LSTM及其变形的深度学习网络能学习到对时间有长期依赖性的股票信息，对于股票预测有着其他模型无法比拟的优势，已经成为当前国内外量化研究的热门领域。
04 研究介绍
本课题旨在通过理论介绍和实践相结合，以金融大数据分析为切入点，让学员深入了解深度学习在金融领域的应用。同时，以大企业的金融动态为实例，引导学员动手编程，进而完成在金融领域深度学习知识的入门、理解、开发和应用。与此同时，了解金融方向中潜在的深度学习应用及在该行业的新发展动向。
05 课题要点
课题研究方法
文献阅读，神经网络基础学习和深度学习算法编程实现。
课题难点
深度神经网络基础，多层感知机和LSTM网络的构建，深度学习网络框架的使用。
06 1v1定制化辅导参考任务
任务一：Python基础学习和深度神经网络文献调研
①熟悉和掌握Python语法，学习如何如何调用Python模块;
②学习神经网络基础知识，了解反向传播算法，RNN等结构;
③调研已发表的文献，了解深度神经网络常用模块，比如LSTM，GRU等。
任务二：基本时间序列处理及深度学习框架学习
①学习Python中常用的时间序列处理手段;
②学习基础的深度学习框架，tensorflow或keras;
③基于tensorflow或keras完成简单的时间序列预测。
任务三：搭建深度学习网络完成股票预测
①基于雅虎金融收集各大公司的股票走势时间数据;
②实现传统的基于机器学习的股票走势预测模型;
③实现基于深度学习的股票走势预测模型。
任务四：模型的对比与改进
①对比不同模型下股票走势预测的准确性;
②对自己的深度学习模型进行改进，尝试使用双向LSTM网络或GRU，以得到更好的预测效果。
任务五：项目收尾
①撰写整体报告;
②准备一次20~30分钟的presentation。
