1、金融危機后大型金融機構(gòu)分析整體框架結(jié)構(gòu)金融危機帶來的風(fēng)險管理教訓(xùn)領(lǐng)先金融機構(gòu)如何看待風(fēng)險管理我們的投資銀行已經(jīng)證明能夠始終一貫地實現(xiàn)出色業(yè)績同時會采用較為保守的風(fēng)險策略。約瑟夫阿克曼（Josef Ackermann）博士德意志銀行董事會與集團執(zhí)行委員會主席在存在風(fēng)險的行業(yè)中，承擔(dān)過度風(fēng)險，或建立起質(zhì)量較低的業(yè)務(wù)，都能輕松地產(chǎn)生日益增長的業(yè)績但將會在長期范圍內(nèi)付出代價。而這并不是我們的追求。杰米戴蒙（Jamie Dimon）摩根大通公司董事長兼首席執(zhí)行官作為高盛集團的首席執(zhí)行官，我98%的時間都在擔(dān)心高盛所面對的各種風(fēng)險。我本人并不是經(jīng)濟學(xué)家，也無法預(yù)測未來的情況。但是我會問自己：如果發(fā)生情況，

2、我們是否準(zhǔn)備就緒？我們能否比其他企業(yè)更加快速反應(yīng)？勞埃德貝蘭克梵（Lloyd Blankfein）高盛集團董事長兼首席執(zhí)行官3風(fēng)險管理的基本要素風(fēng)險管理的中心是人“不存在意外”的態(tài)度，對傳統(tǒng)判斷提出質(zhì)疑風(fēng)險管理需要主動和謹(jǐn)慎風(fēng)險管理需要有效的溝通風(fēng)險管理需要對信息進行綜合分析掌握公司產(chǎn)品、業(yè)務(wù)、風(fēng)險管理方法與局限性風(fēng)險管理文化4風(fēng)險管理的中心是人最大的風(fēng)險是由人為造成的！公司文化很重要：任何人不能凌駕于整個公司風(fēng)險控制之上我們需要理解各方的動機從而平衡個人利益和公司利益常識是很重要的我們需要足夠的有豐富經(jīng)驗的風(fēng)險管理人員我們需要用博弈方法來應(yīng)對每個交易5風(fēng)險管理需要采納“不存在意外”的態(tài)度，充

3、分考慮意料之外的風(fēng)險，并且對傳統(tǒng)判斷提出質(zhì)疑ABS債券不會違約房屋價格永遠(yuǎn)不會下降政府不會允許大型金融機構(gòu)倒閉華爾街公司有最好的風(fēng)險管理方法超級優(yōu)先級比AAA安全，并且不會產(chǎn)生任何的損失我們總是能夠以低利率借到資金充分考慮意料之外的風(fēng)險6風(fēng)險管理過程的設(shè)計是為了保證管理層得到及時準(zhǔn)確的信息來做出決定UBS有最好的房屋抵押貸款和CDO研究團隊，但是卻遭受了華爾街房屋抵押貸款債券最大的損失之一雖然很多現(xiàn)金CDO都有諸如違約事件觸發(fā)（EOD)和流動性空頭期權(quán)(Liquidity Puts)這樣的特征，但是花旗董事會主席羅伯特 魯賓卻聲明：他從來沒有聽說過這些概念，即使花旗在現(xiàn)金CDO業(yè)務(wù)中排名第一。

4、風(fēng)險管理需要有效的溝通7我們不需要被動的風(fēng)險管理：大多數(shù)時間不需要風(fēng)險管理。在風(fēng)險發(fā)生的時候被動風(fēng)險管理是無用的，只能與其他部門同時接受風(fēng)險發(fā)生的事實。有效地管理新業(yè)務(wù)發(fā)展過程中的風(fēng)險是風(fēng)險管理的一個關(guān)鍵、內(nèi)在的責(zé)任風(fēng)險管理不僅僅是關(guān)于在險價值的計算，或是各種各樣的風(fēng)險報告我們不能以公司機構(gòu)的存亡為賭注在市場上進行博弈，也不能去承受那些會使我們機構(gòu)的名聲遭受損失的風(fēng)險風(fēng)險管理需要主動和謹(jǐn)慎8我們應(yīng)該建立綜合系統(tǒng)以便快速地集合處理各類信息，使我們能夠快速做出正確的決策比起研究分析，我們花更多的時間在搜集信息上我們沒有一個正式的系統(tǒng)，所以只能依賴Excel來作定價我們不能整合市場風(fēng)險和信用風(fēng)險有效

5、的風(fēng)險管理需要對公司暴露的全部風(fēng)險（包括業(yè)務(wù)風(fēng)險）進行綜合處理。分塊的，部分的方法效果要差很多風(fēng)險管理需要對信息進行綜合分析9風(fēng)險管理需要對公司所有的產(chǎn)品、業(yè)務(wù)、各種風(fēng)險管理方法和其局限性有全面的了解。ABS CODs并不是CDOs，他們更像CDO2 我們需要提前還貸曲線和違約曲線來研究次債危機的問題ABS債券有非常高的相關(guān)性，這使得ABS CDO中的超級優(yōu)先級有很大風(fēng)險穆迪的二項展開式方法沒有能夠計算出損失分布的“粗尾現(xiàn)象”，即實際損失遠(yuǎn)高于分布模型預(yù)測的數(shù)值。它實際上是用三點離散分布來近似整個損失分布。結(jié)構(gòu)投資債券SIV：很多評級機構(gòu)在模型中應(yīng)用很高的相關(guān)系數(shù)，但實際上資產(chǎn)池中的資產(chǎn)相關(guān)性

6、并沒有考慮進去。風(fēng)險管理需要對產(chǎn)品有深刻理解10總結(jié)美國壓力測試（CCAR），已經(jīng)進行到第八年，用來評估美國最大的銀行控股公司（35家）資本計劃過程和資本充足性，包括公司的資本計劃行動，如股息支付和股票回購，并購等包括定量和定性兩個因素的要求。定量因素包括企業(yè)在嚴(yán)重的經(jīng)濟和金融市場壓力的假設(shè)情景下的預(yù)計資本率。定性因素包括公司資本規(guī)劃全部過程的程序和管理，該過程包括風(fēng)險管理、內(nèi)部控制和支持該過程的治理實踐。以往公司沒能通過CCAR測試的主要原因是不滿足定性要求。自2009年第一輪壓力測試以來，美國金融企業(yè)的資本金大幅增加，從2009年第一季度的5.2%增至2017年第四季度的12.3%。大大降

7、低了風(fēng)險偏好。CCAR在治理、風(fēng)險管理實踐方面，特別是在模型風(fēng)險管理的正式過程、數(shù)據(jù)治理、正式過程、跨產(chǎn)品、跨資產(chǎn)和負(fù)債的內(nèi)部一致性方面，對每個BHC都有很大的影響。對于大多數(shù)公司來說，將整個過程納入生產(chǎn)環(huán)境、建立正式的治理結(jié)構(gòu)和嚴(yán)格的過程/程序（如文檔）都是一個挑戰(zhàn)。已經(jīng)花費了數(shù)十億美元。金融科技應(yīng)該和公司業(yè)務(wù)緊密結(jié)合，加強分析定價方面的努力。場景生成和擴展資產(chǎn)債務(wù)模型資產(chǎn)債務(wù)預(yù)測未來資產(chǎn)負(fù)債表建立美聯(lián)儲情景， 內(nèi)部情景，情景擴展風(fēng)險因子錄入將資產(chǎn)債務(wù)模型和輸入?yún)?shù)與不同情景下相聯(lián)系情景對運營和系統(tǒng)執(zhí)行平臺的需求市場數(shù)據(jù)/模型輸入?yún)?shù)模型開發(fā)與覆蓋面合成再投資資產(chǎn)組合資產(chǎn)模型要求對現(xiàn)時和未來

8、的資產(chǎn)債務(wù)估值現(xiàn)金流的預(yù)計違約和評級變化對即期和遠(yuǎn)期的風(fēng)險量化數(shù)據(jù)凈投資收入其他綜合收益非臨時減值現(xiàn)金流 與運營和系統(tǒng)支持部門共同決定平臺; 方法定義與模型開發(fā)所有權(quán)歸屬會計部門與投資量化研究部門對資產(chǎn)模型與資產(chǎn)預(yù)測輸出結(jié)果的處理債務(wù)資產(chǎn)反饋具體方法總量還是產(chǎn)品層次直接外部輸入還是由預(yù)測平臺內(nèi)部生成 綜合資本充分性要求主要步驟壓力測試情景由美聯(lián)儲提供監(jiān)督基礎(chǔ)：提供基礎(chǔ)情景；監(jiān)管不利：提供不利情況；監(jiān)管嚴(yán)重不利：嚴(yán)重不利的情況。由企業(yè)提供BHC基礎(chǔ)：一個確定的基礎(chǔ)情景；BHC壓力：至少有一個和公司業(yè)務(wù)相關(guān)的壓力情景。美聯(lián)儲情景這些情景從2018年第一季度開始，一直延續(xù)到2021年第一季度。每個場

9、景包括28個變量；這組變量與去年的監(jiān)管場景中提供的相同。描述美國經(jīng)濟發(fā)展的變量包括：六種衡量經(jīng)濟活動和價格的指標(biāo)：實際和名義國內(nèi)生產(chǎn)總值（GDP）的百分比變化（按年計算）；16歲以上失業(yè)率；實際和名義可支配個人（按年計算）的百分比變化收入；以及消費物價指數(shù)（CPI）的百分比變化（按年率）；衡量資產(chǎn)價格或金融狀況的四項綜合指標(biāo)：房價指數(shù)、商業(yè)地產(chǎn)價格指數(shù)、股票價格指數(shù)和美國股市波動指數(shù)；六種利率衡量標(biāo)準(zhǔn)：3個月期國債利率；5年期國債收益率；10年期國債收益率；10年期BBB公司債券收益率；與常規(guī)相符的30年期抵押貸款的固定利率；優(yōu)惠利率。每個情景中描述國際經(jīng)濟狀況的變量包括四個國家或地區(qū)的三個變

10、量：每個國家或地區(qū)的三個變量：實際GDP的百分比變化（按年率計算），CPI或當(dāng)?shù)禺?dāng)量的百分比變化（按年率計算），以及美元匯率的水平。包括四個國家或地區(qū)：歐元區(qū)（19個歐盟成員國采用了歐元作為共同貨幣）、英國、亞洲發(fā)展中國家（中國、印度、韓國、香港特別行政區(qū)和臺灣的名義GDP加權(quán)總和）和日本。情景擴展 (Scenario Expansion)美聯(lián)儲只提供了28個變量，但對于一個典型的BHC來說，它需要千百種定價參數(shù)才能對所有資產(chǎn)和負(fù)債進行估值。如何從28個變量到數(shù)千個定價輸入變量被稱為情景擴展。需要理解壓力情況下和正常情況下的風(fēng)險因子之間的關(guān)系。它需要有情景擴展模型，擴展模型要有文檔，通過模型驗

11、證。所有定價參數(shù)的情景都必須進入生產(chǎn)環(huán)境。估值治理框架估值流程獨立性有效性一致性價格數(shù)據(jù)的多樣性市場條件（例如流動性）模型相關(guān)問題定價和估值是金融機構(gòu)的核心能力16理論上模型風(fēng)險含義：一是在當(dāng)前金融市場的信息基礎(chǔ)上，用不同的模型對復(fù)雜的衍生產(chǎn)品定價所產(chǎn)生的差異；二是用不同的模型定價并進行動態(tài)復(fù)制對沖風(fēng)險后，所能得到的收益的差別。三是誰擁有模型，誰驗證模型，誰檢查整個過程 （三道防線）。四是模型的生產(chǎn)環(huán)境。使用任何模型都存在模型風(fēng)險，但為了盡可能控制模型風(fēng)險，需要流程清晰的模型設(shè)計，科學(xué)恰當(dāng)?shù)哪Ｐ蛻?yīng)用，以及獨立的風(fēng)險管理部門進行模型驗證，模型建立和應(yīng)用的過程中要堅持以下幾個原則：模型獨立檢驗只有

12、被適當(dāng)?shù)貦z查后的估值和風(fēng)險模型(對風(fēng)險和財務(wù)報告有重要影響的估值應(yīng)用方法)，才能在風(fēng)險管理及財務(wù)報告中運用；模型的有效性用于估值和風(fēng)險管理中的模型必須是適當(dāng)?shù)模荒Ｐ偷膽?yīng)用輸入模型的因子應(yīng)是恰當(dāng)?shù)?，模型的結(jié)果應(yīng)被正確理解和使用。要有效的管理模型的儲存和使用，應(yīng)用時要充分考慮模型的局限性；模型的文件記錄應(yīng)理解并以文件形式記錄模型的使用范圍和局限性。模型風(fēng)險管理17壓力測試與未來估值分析框架旨在預(yù)測壓力情境中不利經(jīng)濟環(huán)境對季度資產(chǎn)負(fù)債表的影響，然后進一步推算出在壓力情境周期中每個季度對于資本的影響以及每家企業(yè)針對監(jiān)管資本措施的計劃資本行動。其中涉及未來每個季度中所有資產(chǎn)和負(fù)債的未來估值。估值輸入信息

13、應(yīng)與情境規(guī)范保持一致。我們將這種估值稱為“未來估值”。這種“未來估值”不同于根據(jù)目前的市場狀況計算純粹買入或賣出價格的遠(yuǎn)期估值。這種未來估值需要使用情境中規(guī)定的預(yù)測假設(shè)。由于季度壓力的影響必須從一個季度向前推展到另一個季度，因此對于資產(chǎn)負(fù)債表的影響必須具備累積性。從一個時期到另一個時期的任何或有事件必須得到謹(jǐn)慎處理。我們可以通過簡單的債券來舉例說明這一點。這種債券的或有事件包括違約和遷移（包括保留在相同等級中）。如果此類事件的確發(fā)生，對于GAAP資產(chǎn)負(fù)債表，違約影響屬于非暫時性減值（OTTI），而遷移影響則屬于其他綜合性收入（OCI）。對于STAT資產(chǎn)負(fù)債表的影響基于為每種金融工具類別所規(guī)定的

14、權(quán)責(zé)發(fā)生制會計，我們所采取的方式必須與OTTI政策等內(nèi)部會計政策保持一致。示例：公司債定價未來估值信用遷移矩陣 要計算未來債券價值，必須考慮到信用遷移（即債券評級從一個級別變動到另一個級別）?？墒褂迷u級遷移矩陣來展示在此期間評級變更為各種評級狀態(tài)的概率。 評級遷移矩陣與總體經(jīng)濟狀況有關(guān)，而后者可能會不斷變化。例如，美聯(lián)儲CCAR規(guī)定的情境包括逐期變化的宏觀經(jīng)濟狀況，因此需要隨著時間變化的評級遷移矩陣。 對于每種情境，與特定行業(yè)/評級相關(guān)的收益率曲線和信用利差曲線在未來的每個時間點已知。和其他風(fēng)險因素一樣，信用遷移將在每種情境中有所不同，因此通過不同的信用遷移矩陣加以反映。WeAaa加權(quán)平均價值

15、根據(jù)希望構(gòu)建的資產(chǎn)負(fù)債表類型（經(jīng)濟、GGAP以及針對美國保險公司的STAT），存在不同類型的估值模型。在針對每種資產(chǎn)和負(fù)債的不同會計制度下，我們需要正式的估值模型。此類模型應(yīng)該能夠記錄和驗證。估值包含資產(chǎn)負(fù)債表中每一項估值在公司內(nèi)部的一致性：不同部門， 資產(chǎn)和債務(wù)雙邊估值模型的速度和效率極為重要，因為有些估值需要成千上萬種情境。我們應(yīng)將蒙特卡羅模型作為最后手段。高效運用云計算技術(shù)。有關(guān)估值模型的備注大型金融機構(gòu)管理的整體分析框架結(jié)構(gòu)解決問題三部曲(GMP)治理：資產(chǎn)負(fù)債表建模需要公司不同團隊的參與，如投資、保險精算、風(fēng)險管理和財政/財務(wù)團隊等，因此，明確定義每一團隊的責(zé)則是成功的第一步；目前，

16、不同的資產(chǎn)負(fù)債表建模項目分別隸屬于不同團隊，幾乎不存在整體的框架結(jié)構(gòu)。這導(dǎo)致了重復(fù)投入和缺乏全局觀的思維，最終造成所有項目的執(zhí)行不善；例如，即使僅針對資產(chǎn)負(fù)債管理（ALM），安永事務(wù)所的一項調(diào)查顯示：“大多數(shù)企業(yè)擁有專屬的ALM職能部門，隸屬于風(fēng)險管理、保險精算或投資團隊。沒有專屬ALM職能部門的其他企業(yè)則依賴于這些職能部門之間的協(xié)調(diào)”。方法：需要整體分析框架來“關(guān)聯(lián)”所有看似迥然不同、但內(nèi)在相關(guān)的部分；為整個企業(yè)范圍的實施提供指導(dǎo)。平臺：需要對所有業(yè)務(wù)要求的良好（不一定充分）理解，并構(gòu)建起靈活敏捷、具有前瞻性、基于應(yīng)用服務(wù)（SOA）的應(yīng)用框架；科技進步為我們提供了充足的存儲工具和容量、計算性

17、能以及將大量信息從一端傳遞到另一端的能力。金融企業(yè)的整體分析框架結(jié)構(gòu)理論解讀：為什么要強調(diào)風(fēng)險因子？“Factor, not just asset, allocation”, Andrew Ang理論解讀：全球風(fēng)險因子模型什么是風(fēng)險因子？ 風(fēng)險因子是最小的， 最基本的系統(tǒng)性基本面驅(qū)動因素，影響著資產(chǎn)和負(fù)債績效以及風(fēng)險特點。 為什么我們聚焦于風(fēng)險，而不是資產(chǎn)類別或負(fù)債業(yè)務(wù)線？以往的金融危機揭示了看似互不相關(guān)的資產(chǎn)類別, 乃至不同經(jīng)濟體之間的相互關(guān)聯(lián)；“用化學(xué)概念來進行比喻：如果把資產(chǎn)類別比作分子，那么風(fēng)險因子就是原子?！碑?dāng)資產(chǎn)/負(fù)債通過定價函數(shù)以較為復(fù)雜的方式明示或默示共享風(fēng)險因素時，風(fēng)險因子模

18、型相對較為穩(wěn)健、穩(wěn)定；風(fēng)險因子對于資產(chǎn)/負(fù)債價值的影響可能較為直接，例如利率對企業(yè)債和固定年金估值的影響；也可能較為間接，例如GDP增長率對大多數(shù)固定收益和負(fù)債產(chǎn)品估值乃至保險業(yè)務(wù)量的影響。風(fēng)險因子模型的工作原理：綜合性風(fēng)險因子模型將為資產(chǎn)和負(fù)債的估值提供輸入信息；可執(zhí)行資產(chǎn)和負(fù)債估值，并可產(chǎn)生經(jīng)濟/GAAP/STAT資產(chǎn)負(fù)債表；可根據(jù)總體風(fēng)險因子模型所產(chǎn)生的市場情境，預(yù)測資產(chǎn)/負(fù)債價值的未來可能結(jié)果/分布。理論解讀：壓力測試與未來估值分析框架旨在預(yù)測壓力情境中不利經(jīng)濟環(huán)境對季度資產(chǎn)負(fù)債表的影響，然后進一步推算出在壓力情境周期中每個季度對于資本的影響以及每家企業(yè)針對監(jiān)管資本措施的計劃資本行動。

19、其中涉及未來每個季度中所有資產(chǎn)和負(fù)債的未來估值。估值輸入信息應(yīng)與情境規(guī)范保持一致。我們將這種估值稱為“未來估值”或“條件定價”。這種“未來估值”不同于根據(jù)目前的市場狀況計算純粹買入或賣出價格的遠(yuǎn)期估值。這種未來估值需要使用情境中規(guī)定的預(yù)測假設(shè)。由于季度壓力的影響必須從一個季度向前推展到另一個季度，因此對于資產(chǎn)負(fù)債表的影響必須具備累積性。從一個時期到另一個時期的任何或有事件必須得到謹(jǐn)慎處理。我們可以通過簡單的債券來舉例說明這一點。這種債券的或有事件包括違約和遷移（包括保留在相同等級中）。如果此類事件的確發(fā)生，對于GAAP資產(chǎn)負(fù)債表，違約影響屬于非暫時性減值（OTTI），而遷移影響則屬于其他綜合性

20、收入（OCI）。對于STAT資產(chǎn)負(fù)債表的影響基于為每種金融工具類別所規(guī)定的權(quán)責(zé)發(fā)生制會計，我們所采取的方式必須與OTTI政策等內(nèi)部會計政策保持一致。均值-方差分析法Black-Litterman 模型基于風(fēng)險因素的戰(zhàn)略資產(chǎn)配置理論解讀：資產(chǎn)組合優(yōu)化方法的演變應(yīng)用架構(gòu)（SOA）。關(guān)鍵要素包括數(shù)據(jù)、分析和可視化。信息中間件是關(guān)聯(lián)所有要素的“粘合劑”。一切都可以并且應(yīng)該放置于云端。Weighted Average Value實施架構(gòu)數(shù)據(jù)集中大數(shù)據(jù)數(shù)據(jù)管理：非SQL數(shù)據(jù)庫緩存與分布式緩存專門數(shù)據(jù)設(shè)計數(shù)據(jù)標(biāo)準(zhǔn)化使用訊息的數(shù)據(jù)傳輸估值模型：所有資產(chǎn)、衍生產(chǎn)品和保險產(chǎn)品敏感性、尾部風(fēng)險等風(fēng)險指標(biāo)大數(shù)據(jù)分析績

21、效分析總體風(fēng)險因素模型HTML 5移動界面Flash數(shù)據(jù)分析可視化金融科技幾點淺析金融科技改變未來金融業(yè)？是的， 正在改變達到一定效果后， 人們才能接受語音識別50%65% HMM90% DNN圖像識別不一定公開Investment: In 2018, S&P 500 has a -6.24% return 投資：2018年，標(biāo)普500的回報率為-6.24%Renaissance Technoledge: 機構(gòu)股票：8.5%，分散化投資：3.23%，全球股票：10.3%Bridgewater Asscoiates Pure Alpha: 14.6% DE Shaw: 11.2%Two Sigm

22、a: 11%Citadels Wellington 9%“在基礎(chǔ)建設(shè)、科技、數(shù)據(jù)集和人力資本領(lǐng)域投入大量投資的定量機構(gòu)擁有長期競爭優(yōu)勢?！盝ohn McCormick，百事通集團另類資產(chǎn)管理事業(yè)部首席執(zhí)行官機器學(xué)習(xí)概覽AI人工智能Machine learning機器學(xué)習(xí)Representative learning表征學(xué)習(xí)Deep learning深度學(xué)習(xí)Relationship between Statistics and Machine Learning 統(tǒng)計學(xué)與機器學(xué)習(xí)之間的關(guān)系Robert Tibshirani: A statisticians view Robert Tibshira

23、ni：統(tǒng)計學(xué)家的視角Machine learning is essentially a form of applied statisticswith increased emphasis on the use of computers to statistically estimate complicated functions and a decreased emphasis on proving confidence intervals around theses functions.Page 95, Deep Learning, by Goodfellow, Bengio and Cou

24、rvilleStatistical Modeling: The Two Cultures Leo BreimanAbstract. There are two cultures in the use of statistical modeling to reach conclusions from data. One assumes that the data are generatedby a given stochastic data model. The other uses algorithmic models andtreats the data mechanism as unkno

25、wn. The statistical community hasbeen committed to the almost exclusive use of data models. This commitment has led to irrelevant theory, questionable conclusions, and has kept statisticians from working on a large range of interesting current problems.Algorithmic modeling, both in theory and practi

26、ce, has developed Rapidly in fields outside statistics. It can be used both on large complex data sets and as a more accurate and informative alternative to data modeling on smaller data sets. If our goal as a field is to use data to solve problems, then we need to move away from exclusive dependenc

27、e on data models and adopt a more diverse set of tools.機器學(xué)習(xí)實質(zhì)上是一種應(yīng)用統(tǒng)計學(xué)形式，加強對使用計算機對復(fù)雜函數(shù)進行統(tǒng)計估計的強調(diào)，減少對圍繞這些函數(shù)證明置信區(qū)間的強調(diào)。機器學(xué)習(xí)與金融Finance is one of the most popular research areas in the machine learning application 金融是機器學(xué)習(xí)應(yīng)用中最熱門的領(lǐng)域之一Some firm such as Renaissance might have been using machine learning in in

28、vestment for more than a decade Renaissance等一些機構(gòu)將機器學(xué)習(xí)用于投資可能已超過10年More firms have dedicated resources to build up teams 更多機構(gòu)已投入資源建立團隊J. P. Morgan hired Manuela Veloso, head of machine learning department at CMU 摩根大通公司聘請了CMU機器學(xué)習(xí)部門主管Manuela VelosoAIG has a science team with a chief scientist 美國國際集團建立了配

29、備首席科學(xué)家的科學(xué)團隊Neuberger Berman has a science team 紐伯格伯曼公司擁有科學(xué)團隊The progress has been made on the way, some has shown great results 已經(jīng)取得一定進展，有些展示出卓越成果38機器學(xué)習(xí)與金融研究Finance is one of the most popular academic research areas in the machine learning application 金融是機器學(xué)習(xí)應(yīng)用中最熱門的領(lǐng)域之一Susan Atheys AFA/AEA speech: “

30、The Impact of Machine Learning on Econometrics andEconomics”, survey paper “Machine learning methods economists should know about”, 2019 Susan Athey的AFA/AEA演講：“機器學(xué)習(xí)對經(jīng)濟計量學(xué)和經(jīng)濟學(xué)的影響”，調(diào)查報告“經(jīng)濟學(xué)家應(yīng)該了解的機器學(xué)習(xí)方法”Gu, Kelly and Xiu “Empirical Asset Pricing via Machine Learning” Gu、Kelly與Xiu，“通過機器學(xué)習(xí)的實證資產(chǎn)定價”Challen

31、ges of applying machine learning in finance: 在金融領(lǐng)域應(yīng)用機器學(xué)習(xí)的挑戰(zhàn)：“too much” information, but signal-to-noise ratio might be low 信息“太多”，但信噪比可能較低“too little” information, a lot of cross section information, but only “one path” across time 信息“太少”，大量截面信息，但只有“一條路徑”能夠經(jīng)得起時間考驗Time series data is not stationary 時序數(shù)據(jù)并非靜止“feedback” loop market reacts to what action that market participants are taking “反饋”循環(huán)市場對市場參與者所采取的行動做出反應(yīng)In finance and economics we would like to be able to “interpret” or explain machine learning results 在金融學(xué)