用户
 找回密码
 立即注册

QQ登录

只需一步,快速开始

天机网 首页 资讯 查看内容
  • QQ空间
  • 回复
  • 收藏

当机器人运筹帷幄,会有怎样的金融黑科技?

admin 2017-8-11 09:25

斯坦福大学与硅谷有着难舍难分的关系:二战后斯坦福大学因财政困难,将其闲置的土地出租出去办起了斯坦福工业园,很多科技公司开始进驻该园。计算机时代降临后,园里的公司大多集中在半导体技术领域,从此这里便被称为硅谷。

可以说硅谷催发了斯坦福大学的创业基因,尽管学生们创业不一定都选择在硅谷。历史上斯坦福校友共创建了四万多家公司,创造了数以百万计的工作机会,这些公司现在平均每年创造约2700亿美元的营收。

近日,斯坦福大学上海校友会与饱含斯坦福基因的公司杉数科技共同举办了校友内部分享会,探讨了运筹学驱动的智能决策在AI浪潮中的重要地位。实质上,当AI将随机模拟组合的价值最大化,背后便是运筹学技术在支撑。

当前AI的局限性

美国国家工程院院士,斯坦福大学运筹学博士Peter Glynn认为,当前取得突破的AI领域有一些共同点:有的是存在大规模的低噪音数据,而这些数据能直接指引机器做出决策,如无人驾驶与智能音箱;有的是当AI做出错误决策时造成的负面效应较低,如游戏比赛。但从真正的决策层面看,这些机器人并不完美。

“AI也可能做出的糟糕决策,例如在语音识别领域,最先进的技术也经常会闹出误会。其实人类自己也会犯错,然而如果机器的错误决策导致极为严重的后果,这会让人格外担心——例如自动驾驶在事故中犯的严重错误和人工智能医疗作出的误诊,这些是性命攸关的。”

那么,运筹学对AI发展的意义体现在哪?Glynn表示,运筹者的任务是作出战略或者运营决策,例如进入哪些市场最好、是否进行战略扩张、如何高效地管理库存、是否进行一项并购等等。“这些决定可能会对公司产生重大影响,管理者不得不做假设性分析。在这些情况下,通常我们并没有足够的数据去挖掘出一个普适的规律。即便我们恰好有大量的数据,过分地依赖历史数据可能也会因为市场环境的改变而误导管理者对未来的判断。例如2008年金融危机后整个市场的监管措施和机构操作方式上进行了大洗牌。可以看出尽管我们有海量的金融历史数据,但大部分的参考价值并不大。金融环境的复杂多变也是人工智能在预判金融市场时遭遇的瓶颈。”

从管理者的角度出发,Glynn提出了一个解决办法——人工智能与随机仿真的结合。他认为随机仿真的方法能建立灵活多变的模型来模拟在采取不同决策时,未来的市场结构和商业环境会发生什么变化。管理者可以通过不同情境下的模拟效果来判断决策的风险,尤其是单纯依靠历史数据所无法预知的风险。

“既重视数据分析,又重视将数据有效地转换为决策,会创造更多的商业价值。”

AI能在金融中做出什么运筹帷幄?

“就像我的老师Peter说的,我们做的是决策的艺术,帮企业去分析你应该如何布局、怎么让业务设定得更好,怎么定价更合理。”杉数科技的联合创始人葛冬冬是斯坦福大学运筹学博士,上海财经大学交叉科学研究院院长,分享会上,他从金融领域中的收益管理、供应链管理和风险管理讲述了AI如何做出将价值最大化的决策。

当消费者在一个金融平台上对某些理财产品浏览时间足够长的时候,内部的人工智能系统已经对消费者的浏览历史、停留时间、过往理财记录进行了深度的学习分析,然后得出了他最有可能的购买产品,并且估算出了对系统最为有利的利率,可能会以优惠折扣的方式推送给他。据亿欧了解,这是杉数曾处理过的一个项目。

AI运筹帮助收益最大化的思路在电商中也有体现,葛冬冬对亿欧作者柯东举了个例子:“对一个不停搜索索尼48寸电视的顾客来说,一张个体化的折扣券很可能会激发他的购买行为。而对他的激发判断,可以通过大数据和机器学习的方式来判别。折扣券的推送时间,折扣力度,对公司业务目标的影响权衡则是需要一个相对高等的收益管理模型和算法。

融资平台本身制定理财产品合理的利率则是需要从历史购买记录来拟合供需关系,监控竞争者的利率来判断自己的动态调整幅度,也需要对多种金融产品作出替代效应分析来实现整体的优化。“从我们的经验来看,需要对选择模型(choice model)、马氏链、非凸优化、博弈论等多种模型进行一个综合运用。最后算法也需要满足速度和精度的需求。”

供应链管理过程也处处需要优化——生产中的利润最大化、仓库配货量与库存成本调整、货架和网页上产品的摆放与定价、运输路径制定等等。“我们用数据来驱动,提供智慧供应链技术,让这些问题被一体化、自动化解决。”

风险管理方面,风控体系的建立也需要深度数据分析和模型解析。一个普通贷款是否发放,要对申请人进行全方位的信息搜集和分析——基本情况、芝麻信用分,甚至午餐习惯、日常爱好都可能被默不作声地整合到模型里。“从美国主要信用商FICO的50维传统金融模型,到今天Zest的百万级别交叉衍生维度信息,考验着运算速度、标准化能力、过拟合判断等多方面技术。”

葛冬冬认为很多时候一个好的预测离好的决策依然有着很大距离,例如金融平台上顾客申购与赎回金的预测可做到相对偏差越来越小,但是因其敏感性,准备金的策略必须谨慎而保守。“这个时候,一个相对安全但合理的准备金策略是非常重要的。在偏差影响下,一个好的抗干扰模型,需要将风险因子转化为可计算的凸优化模型,运筹学的鲁棒优化策略(Robust Optimization)在后台为这些模型的建立起到了基础的支撑。”

当AI在金融领域做出越来越多的决策,人类似乎能得到更精准高效的服务。那么如何安置被AI替代掉的潜在失业人群?AI通过收集大量的个人信息来对每个人量体裁衣地进行服务,信息泄露的重大风险该如何解决?深度挖掘个人信息的算法是否会导致对特定地区、特定群体的人的歧视?这些问题都值得审视,Glynn教授,杉数科技的科学家们也已经在思考这些问题。

原作者: 本文作者柯东 来自: 亿欧
文章点评