第17章其他另類(lèi)數(shù)據(jù)的處理學(xué)習(xí)目標(biāo)理解圖像數(shù)據(jù)在金融市場(chǎng)的應(yīng)用了解如何使用神經(jīng)網(wǎng)絡(luò)對(duì)圖片進(jìn)行分析了解音頻信息在金融市場(chǎng)中的作用了解如何使用程序進(jìn)行簡(jiǎn)單的圖片數(shù)據(jù)分析處理另類(lèi)數(shù)據(jù)的意義私有信息對(duì)獲得超額收益非常重要，但是往往存在合法合規(guī)問(wèn)題公開(kāi)信息往往已經(jīng)被反映在資產(chǎn)價(jià)格中對(duì)已有的數(shù)據(jù)進(jìn)行更精細(xì)的處理，以獲得其他投資者難以獲得的信息處理另類(lèi)數(shù)據(jù)的意義雖然文本在金融市場(chǎng)中起了非常重要的作用，但是許多公司以及媒體都大量使用文字以外的方式來(lái)傳播有效的信息衛(wèi)星圖像以及無(wú)人機(jī)影像都可以給我們提供重要的經(jīng)濟(jì)表現(xiàn)的信息公司管理層接受采訪都會(huì)留下視頻以及聲音信息可以供我們進(jìn)行分析有必要使用機(jī)器學(xué)習(xí)方法處理圖像、聲音等另類(lèi)數(shù)據(jù)圖像數(shù)據(jù)及處理圖像可以傳遞多種信息例：庫(kù)存清點(diǎn)倉(cāng)庫(kù)的圖像可以讓我們快速驗(yàn)證庫(kù)存數(shù)據(jù)的準(zhǔn)確性首先需要在照片中識(shí)別庫(kù)存物品的種類(lèi)可以對(duì)每一個(gè)庫(kù)存商品進(jìn)行拍照，并用機(jī)器學(xué)習(xí)的方法對(duì)庫(kù)存的品類(lèi)進(jìn)行識(shí)別。使用卷積神經(jīng)網(wǎng)絡(luò)處理圖片使用機(jī)器學(xué)習(xí)方法識(shí)別圖片生成一個(gè)5×5的矩陣，矩陣中0代表白色而1代表黑色。我們可以用左圖所示的矩陣來(lái)代表字母??，而右圖則可以代表字母??。卷積神經(jīng)網(wǎng)絡(luò)（CNN）最簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)有三個(gè)主要的結(jié)構(gòu)：卷積層、池化層、全連接層使用卷積神經(jīng)網(wǎng)絡(luò)處理圖片卷積層有一個(gè)或多個(gè)卷積核（Kernel），每一個(gè)卷積核都是為了檢測(cè)圖中的一些特征卷積核實(shí)際上是一個(gè)小矩陣，這個(gè)矩陣中的的參數(shù)先由隨機(jī)生成，并通過(guò)訓(xùn)練不斷更新這個(gè)矩陣中的參數(shù)卷積神經(jīng)網(wǎng)絡(luò)（CNN）最簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)有三個(gè)主要的結(jié)構(gòu)：卷積層、池化層、全連接層使用卷積神經(jīng)網(wǎng)絡(luò)處理圖片卷積層運(yùn)算步驟將這個(gè)卷積核覆蓋的區(qū)域與卷積核進(jìn)行點(diǎn)相乘將這個(gè)2×2的卷積核矩陣不斷的在輸入矩陣上移動(dòng)，從左上角開(kāi)始慢慢向右下方移動(dòng)，每次覆蓋的區(qū)域都進(jìn)行上述點(diǎn)相乘，然后再加上一個(gè)誤差項(xiàng)完成這一步驟后，我們會(huì)得到一個(gè)新的4×4的矩陣，即特征圖可以使用ReLU函數(shù)對(duì)特征圖進(jìn)行進(jìn)一步處理使用卷積神經(jīng)網(wǎng)絡(luò)處理圖片每一個(gè)卷積核都是為了檢測(cè)圖中的一些特征比如說(shuō)代表??的矩陣在2×2的空間中會(huì)展現(xiàn)出大量對(duì)角線的圖樣，而代表??的矩陣則會(huì)有更多垂直即平行的圖樣值得注意的是，卷積核以及池化窗口往往采用的長(zhǎng)與寬都是奇數(shù)，此處為了解釋方便，使用了更小的2×2的窗口使用卷積神經(jīng)網(wǎng)絡(luò)處理圖片用池化層（PoolingLayer）來(lái)處理特征圖中的數(shù)據(jù)定義一個(gè)小的范圍（例如2×2），稱(chēng)為池化窗口，并將這個(gè)池化窗口放置于特征圖上，對(duì)這個(gè)窗口中的數(shù)據(jù)進(jìn)行池化如圖17.4，我們?cè)谔卣鲌D中生成了四個(gè)池化窗口，每個(gè)池化窗口覆蓋了1/4的特征圖。池化的過(guò)程主要是為了達(dá)到減少處理的運(yùn)算量的效果使用卷積神經(jīng)網(wǎng)絡(luò)處理圖片池化的方法有兩種：最大池化：即取這個(gè)2×2區(qū)域中的最大值平均池化：即取池化窗口的所有元素的平均值與卷積層不同，池化窗口不應(yīng)該有任何重疊此處采用最大池化操作，得到一個(gè)2×2的矩陣，如圖17.5所示使用卷積神經(jīng)網(wǎng)絡(luò)處理圖片將池化后的數(shù)據(jù)輸入一個(gè)全連接層全連接層可以是一個(gè)前饋神經(jīng)網(wǎng)絡(luò)這個(gè)前饋神經(jīng)網(wǎng)絡(luò)會(huì)輸出分類(lèi)概率的預(yù)測(cè)將池化層輸出的這個(gè)4個(gè)元素作為全連接層神經(jīng)網(wǎng)絡(luò)的特征，并要求該神經(jīng)網(wǎng)絡(luò)輸出對(duì)于圖像分類(lèi)的預(yù)測(cè)。CNN訓(xùn)練方法：與前饋神經(jīng)網(wǎng)絡(luò)相同，參數(shù)的訓(xùn)練是用反向傳播來(lái)進(jìn)行的將圖片轉(zhuǎn)化成矩陣，并將圖片分類(lèi)作為標(biāo)簽來(lái)訓(xùn)練我們的模型。使用卷積神經(jīng)網(wǎng)絡(luò)處理圖片色彩、復(fù)雜的物體、復(fù)雜的場(chǎng)景需要復(fù)雜的模型處理復(fù)雜的模型——AlexNetAlexNet是一個(gè)經(jīng)典的基于卷積神經(jīng)網(wǎng)絡(luò)的圖片識(shí)別模型，由Hinton教授和兩名博士生于2012年提出右側(cè)為AlexNet結(jié)構(gòu)介紹使用卷積神經(jīng)網(wǎng)絡(luò)處理圖片例：庫(kù)存清點(diǎn)需要取得每一件庫(kù)存的的圖片，并用圖片識(shí)別程序進(jìn)行識(shí)別該做法的問(wèn)題是需要拍攝大量的庫(kù)存照片，費(fèi)時(shí)費(fèi)力有沒(méi)有辦法對(duì)每個(gè)貨架進(jìn)行拍攝，并讓程序?qū)锩娴乃形锲愤M(jìn)行識(shí)別呢？多物體識(shí)別R-CNN：進(jìn)行多物品識(shí)別時(shí)，先找到圖片中的不同物體，并用一個(gè)矩形邊框來(lái)選擇物體。在第二步，我們使用算法來(lái)識(shí)別物體。YOLO模型：進(jìn)行多物品識(shí)別時(shí)，將上述兩步合二為一，執(zhí)行效率更高聲音信息及處理語(yǔ)音信息轉(zhuǎn)化為文字信息+文本分析/大語(yǔ)言模型文本轉(zhuǎn)錄，如OpenAI的Whisper模型希望從語(yǔ)音中的非語(yǔ)言信息得到一些情緒方面的信息對(duì)聲音情緒進(jìn)行分析的算法，如LVA模型LSTM與CNN基于Transformer的模型知識(shí)拓展：用圖片來(lái)預(yù)測(cè)股市回報(bào)技術(shù)分析：從業(yè)人員試圖通過(guò)股市回報(bào)的圖表來(lái)對(duì)回報(bào)進(jìn)行預(yù)測(cè)Lo,Mamaysky和Wang(2000）通過(guò)對(duì)股票圖形的研究發(fā)現(xiàn)確實(shí)有幾種可以獲得額外收益的技術(shù)分析方法Jegadeesh與Titman的動(dòng)量信號(hào)，Han，Zhou，Zhu（2016）年的論文發(fā)現(xiàn)了趨勢(shì)信號(hào)可以預(yù)測(cè)回報(bào)參考文獻(xiàn)AndrewWLo,HarryMamaysky,andJiangWang.Foundationsoftechnicalanalysis:Computationalalgorithms,statisticalinference,andempiricalimplementation.TheJournalofFinance,55(4):1705–1765,2000.NarasimhanJegadeeshandSheridanTitman.Returnstobuyingwinnersandsellinglosers:Implicationsforstockmarketefficiency.TheJournalofFinance,48(1):65–91,1993.YufengHan,GuofuZhou,andYingziZhu.Atrendfactor:Anyeconomicgainsfromusinginformationoverinvestmenthorizons?JournalofFinancialEconomics,122(2):352–375,2016.知識(shí)拓展：用圖片來(lái)預(yù)測(cè)股市回報(bào)Jiangetal.(2023)直接使用股票圖表對(duì)未來(lái)股票回報(bào)進(jìn)行預(yù)測(cè)使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)股票走勢(shì)圖片分析，通過(guò)圖片中發(fā)現(xiàn)的模式與未來(lái)股價(jià)漲跌之間的關(guān)系來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)該神經(jīng)網(wǎng)絡(luò)能發(fā)現(xiàn)許多使用股價(jià)數(shù)據(jù)本身無(wú)法發(fā)現(xiàn)的預(yù)測(cè)未來(lái)回報(bào)的信號(hào)，并有助于獲得超額收益JingwenJiang,BryanKelly,andDachengXiu.(re-)imag(in)ingpricetrends.TheJournalofFinance,78(6):3193–3249,2023知識(shí)拓展：用圖片來(lái)預(yù)測(cè)股市回報(bào)程序：圖像識(shí)別導(dǎo)入庫(kù)程序：圖像識(shí)別創(chuàng)建字典，為字典添加類(lèi)別和對(duì)應(yīng)的名稱(chēng)，這里的類(lèi)別是數(shù)字編碼，名稱(chēng)是對(duì)應(yīng)的物體類(lèi)別程序：圖像識(shí)別加載預(yù)訓(xùn)練的FasterR-CNN模型（ResNet50），設(shè)置模型為評(píng)估模式，即不進(jìn)行學(xué)習(xí)操作，僅進(jìn)行預(yù)測(cè)操作定義圖像預(yù)處理的操作，將圖像轉(zhuǎn)換為張量形式程序：圖像識(shí)別使用PIL庫(kù)打開(kāi)一張圖片，并轉(zhuǎn)換為PyTorch張量形式，保存在變量img中為圖像添加一個(gè)維度，使其符合模型輸入的形式（模型需要的是batch形式的輸入）設(shè)置模型執(zhí)行模式為推理模式，即不進(jìn)行反向傳播學(xué)習(xí)操作程序：圖像識(shí)別定義函數(shù)show_detections顯示輸入圖像及其預(yù)測(cè)的檢測(cè)結(jié)果創(chuàng)建一個(gè)新的圖形和軸顯示輸入的圖像遍歷預(yù)測(cè)結(jié)果的邊界框、分?jǐn)?shù)和標(biāo)簽將每個(gè)檢測(cè)到的元素邊界框繪制在圖像上在每個(gè)邊界框上方，將標(biāo)簽和分?jǐn)?shù)文本繪制在圖像上使用plt.show()顯示圖像程序：圖像識(shí)別打開(kāi)名為“shelf1.jpg”的圖像文件，并將其作為輸入圖像傳遞給show_detections函數(shù)習(xí)題請(qǐng)思考哪些語(yǔ)音以及圖片數(shù)據(jù)有助于幫助投資者預(yù)測(cè)公司盈利請(qǐng)回答我們的程序需要從這些圖片或語(yǔ)音中提煉到哪些信息請(qǐng)?jiān)诟浇碾娖鞒兄姓找粡堈掌?，并用本章中的程序分析?/p>