blog

数据科学与机器学习的“金融科技”方法

在现有金融服务的孤岛中,所谓的金融科技公司擅长挑选一件事并做得很好这种方法也是在数据科学中采用的,其中许多适当的智能工作是关于理解领域(问题)以及如何最好地利用信息/数据解决您所遇到的问题在这样做的过程中,金融科技方法 - 协作,开源代码 - 正在帮助逐步改变金融文化,即使在一些迄今为止受到严密保护的领域,新闻周刊也正在举办人力资源和数据科学在12月6日至7日在纽约举行的资本市场会议上的照片:新闻周刊媒体集团思想机器研究总监Tristan Fletcher博士说:“如果没有这种专业知识和领域知识,很难超越噪音但是,算法本身通常适用于许多领域或问题,我们可能会看到专业化程度的降低“Fintech特别适合专业化,因为很多包装良好的问题需要解决,并且可以清楚地描述 - KYC,AML,信用检查等在一个领域具有竞争力并不一定意味着在其他领域,因此很难证明自己是公司的狐狸vs刺猬“一个大银行或基金的奖金驱动高管可能不愿意与他们自己公司的人分享他们的秘密酱,更别提其他公司了。相比之下,在大多数小型金融科技创业公司中,大多数员工都会分享(不同的)在公司的所有权方面,这将推动内部协作和思想共享。此外,由于金融科技生态系统中许多领域的相对分支化,合作的动机要大于竞争力。业内人士表示:“我认为金融科技与投资银行和对冲基金之间存在差异的主要原因是,后者的很多收入来源都接近于零和游戏例如,从纯粹的投机中获利意味着其他人必须赔钱(假设交易对手没有做更经济实用的事情,比如实际降低风险)“此外,传统金融机构的薪酬与一个人的实际接近程度更紧密地联系在一起。 (往往很大)金额这通常是一个食品链,前台办公室工作人员比中间办公室更多,比办公室更多,例如“通过现金奖励进行激励,这种情况逐渐过时,鼓励一个非常短期的人接近Fintech的激励,作为一个相对较新的企业家,更多的是关于公司的所有权,这显然是更长期的“金融科技世界的价值更多地是关于一个想法的执行,而对冲基金,例如,众所周知,他们采取斗篷和匕首的方式来处理他们的知识产权,以证明他们的管理费用“但是,一些财政机构甚至秘密对冲基金正在改变,共享信息和开放一些非核心基础设施美国对冲基金AQR就是一个很好的例子,该基金围绕时间序列存储开放了一些基础设施,并帮助启动了大熊猫图书馆社区“I我们听说越来越多的私营公司开源非核心基础设施,这很有意义:它从技术角度增加了组织的可信度,让很多开发人员以极低的成本批评和改进任何代码,并鼓励采用公司可能会推出的任何软件,“Fletcher说,尽管金融科技正在为金融服务行业提供激动人心的新生活,但还有超级大量的炒作术语如数据科学,人工智能,机器学习,区块链等已成为极端炒作的术语这些天如果你在软件中工作,将这些单词附加到你的LinkedIn个人资料将获得你的个人资料mor观点;以这种方式构建项目可以更容易地获得资金“有很多人声称人工智能和机器学习纯粹是为了获得资金或产生宣传在某些情况下,这有点不诚实,使用机器学习时更简单会很好,而在其他情况下,这只是赤裸裸的说谎这显然不仅适用于初创企业,“他补充说。 “危险在于你会因为整个领域的瑕疵而感到失望:也许一些不道德的人以大规模错误的方式使用机器学习而且你得到了一个广为人知的失败,玷污了整个类型的声誉”弗莱彻说没有容易辨认的证明某个实体真正从事这类工作的条件,但他通常会考虑一些高级职员是否至少在人工智能或统计数据方面具有一定的学术资格。金融领域的特点是保守,当谈到使用人工智能,与Google DeepMind和IBM Watson相关的非财务用例(以可能复制的人类行为为模型)获得了更多的关注,并且似乎遥遥领先Fletcher补充说:“人工智能的问题之一/深度学习是可解释性的;很难弄清楚黑盒实际上在做什么这在应用中是危险的可能影响紧密耦合的金融市场或人们银行账户的问题“市场中的许多机器学习都是基于时间序列分析,而且更常见的是使用不同的方法(与生物过程的关系较少)”有一些工作使用遗传算法,生物学上以不同的方式启发,投资组合构建(例如通过名为Galapagos的产品的债券投资组合),

查看所有