深度進修的壹大上風在於可以或許大幅削減人工介入的特性工程去“擬合”練習數據，但這也不是說完整不需要人去介入特性的拔取，尤其是金融市場，數據簡直是海量，而且多數高噪聲，非穩定，以是除非妳可以或許清晰哪些數據具備潛伏代價、若何做恰當的預處置和若何轉化並殺青哪些目的，不然深度進修在金融範疇是無奈應用的。
假如計劃適合，增長神經網絡的深度可以或許對更繁雜的形式停止映照，是以可對金融數據的練習發生更好後果。
比方 CNN 適合處置圖象壹類的大數據，不壹定間接適用於金融數據。金融數據固然也可以或許很大，但平日不在壹個數量級上——壹幅圖象中的樣本數（像素、色彩）很容易上百萬，要練習壹個模子又要用到成千上萬個圖象，為了找到高效方法提取特性，因而計算機科學家想出了卷積神經網絡經由過程抽取特性值來簡化運算繁雜度。