Систематичний огляд глибокого та машинного навчання для фінансового моделювання

Анотація

Машинне навчання (ML) і глибоке навчання (DL) покращують фінансову аналітику, зокрема кредитний скоринг, виявлення шахрайства, прогнозування цін на акції та ціноутворення опціонів. Традиційні методи не справляються з великими масивами даних і складністю ринків, що робить ML/DL необхідними для підвищення точності та оцінки ризиків. У цьому огляді проаналізовано найсучасніші програми ML/DL, порівняно методології, ефективність та проблеми, такі як інтерпретованість моделей, якість даних та концептуальний дрейф. У цій статті розглядаються застосування ML та DL для класифікації та регресійних задач у фінансовій сфері, оцінюються їхні методології, ефективність та проблеми. Хоча попередні дослідження підкреслили ефективність мереж глибокого переконання (DBN), згорткових нейронних мереж (CNN) і мереж з довгою короткочасною пам'яттю (LSTM), невирішеними залишаються питання інтерпретованості моделей, якості даних і адаптивності до фінансових ринків, що розвиваються. Багато моделей ML та DL функціонують як «чорні скриньки», що обмежує їхню прозорість для регульованих фінансових середовищ. Крім того, фінансові дані страждають від незбалансованого розподілу та шуму, що впливає на точність моделей. Проблема концептуального дрейфу також зберігається, оскільки ринкові умови змінюються з часом, що робить статичні моделі менш надійними. Результати показують, що моделі DL перевершують традиційні підходи.

CNN та DBN покращують кредитний скоринг, а випадкові ліси та XGBoost досягають 99,6% точності у виявленні шахрайства. LSTM-мережі досягають 93 % точності у прогнозуванні цін на акції, перевершуючи регресійні моделі. У ціноутворенні опціонів гібриди Black-Scholes-ANN покращують стабільність і точність порівняно з методами Монте-Карло. Моделі GRU-CA покращують виявлення аномалій, зменшуючи RMSE з 13,28 до 9,74, а GCN перевершують CNN, досягаючи 94,5% точності виявлення шахрайства. Залишаються проблеми з пояснюваністю, цілісністю даних і адаптивністю до ринку. Майбутні дослідження мають бути зосереджені на пояснюваному ШІ, федеративному навчанні та гібридних моделях ML-економетрії для підвищення точності, прозорості та реальної застосовності у прийнятті фінансових рішень.