图像编码是否有利于金融中的深度学习？面向卷积神经网络在金融中应用的图像编码方法分析

2012 年，美国证券交易委员会（SEC）强制要求所有在美国开展业务的公司的企业申报文件录入电子数据收集、分析与检索（EDGAR）系统。本文中，我们研究分析通过 EDGAR 数据库可用数据的方法。这可服务于投资组合经理（养老基金、共同基金、保险、对冲基金）以自动化洞察其投资公司，从而更好地管理投资组合。分析基于应用于数据的人工神经网络。特别地，最流行的机器学习方法之一——卷积神经网络（CNN）架构，最初为解释与分类图像而开发，现正被用于解释金融数据。本工作研究将从 SEC 申报中收集的数据输入 CNN 架构的最佳方式。我们将会计原则与数学方法纳入三种图像编码方法的设计中。具体而言，两种方法源自会计原则（顺序排列、类别分块排列），一种使用纯数学技术（希尔伯特向量排列）。本工作中我们分析基础财务数据以及财务比率数据，并研究美国金融、医疗与 IT 行业公司。我们发现，使用成像技术为 CNN 输入数据对财务比率数据效果更佳，但对于基础数据并不显著优于直接使用 1D 输入。我们未发现希尔伯特向量排列技术显著优于其他成像技术。