主题信息（必填）
主题描述（最多限制在50个字符）
申请人信息（必填）
申请信息已提交审核，请注意查收邮件，我们会尽快给您反馈。
如有疑问，请联系
CSDN &《程序员》编辑/记者，投稿&纠错等事宜请致邮
你只管努力，剩下的交给时光！
如今的编程是一场程序员和上帝的竞赛，程序员要开发出更大更好、傻瓜都会用到软件。而上帝在努力创造出更大更傻的傻瓜。目前为止，上帝是赢的。个人网站：。个人QQ群：、
个人大数据技术博客：
日-10日，将在北京新云南皇冠假日酒店隆重举办。本届BDTC 2016为期三天，聚焦行业最佳实践，数据与应用的深度融合，关注热门技术在行业中的实践和应用，除Keynote外，主办方精心策划了16场专题技术和行业论坛，涵盖了大数据分析与生态系统、大数据云服务、HPC大数据、推荐系统、数据安全与隐私保护、人工智能、网络与通讯、政策法规与标准化、工业与制造业、数据库、金融、精准医疗和生物医药大数据、数据开放与政府治理高层沙龙、交通旅游与出行等主题。目前，大会的已经出炉，超过130位技术专家将为现场千名以上的大数据行业精英、技术专家及意见领袖带来100多场技术演讲，分享最新技术与实践的洞察与经验，共商大数据时代发展之计。在备受关注的“金融大数据论坛”，无论是讲师阵容还是议题质量都堪称顶级，其学术价值极高，对于从事金融大数据领域的研究者来说具有极高的学习价值和参考价值。具体议题和介绍如下：白硕：中国分布式总账基础协议联盟（ChinaLedger）技术委员会主任讲师简介：中国金融标准化技术委员会证券分委员会副主任委员，中国中文信息学会常务理事，中科院计算所、信工所博导。曾任上海证券交易所原总工程师，原上海证券通信有限公司董事长，在上海证券交易所全面负责IT事务期间，负责保障上交所生产系统在高并发、大容量场景下的平稳运行，组织实施“新一代交易系统”、“企业级数据仓库”、“第三代监察系统”等重大IT系统建设工程以及“固定收益平台”、“综合业务平台”、“沪港通”、“股票期权”等大型业务平台拓展任务。议题名称：区块链助力大数据交易议题介绍：大数据互换，可以产生融合效应，放大数据价值。但数据一经释放就很难控制扩散，更有很多数据自身产权尚待明确，直接交易难免有法律风险，故大数据交易更多地不是在裸数据层面而是在API层面进行。基于API的大数据交易涉及到复杂的计量、存证、定价等问题。近年来兴起的区块链，提供了解决这些问题、制衡交易双方的技术手段，使得大数据交易的落地有了切实的保障。陈继东：蚂蚁金服生物及智能安全部总监，资深数据专家讲师简介：陈继东（皮东）博士现任蚂蚁金融服务集团安全智能总监和资深数据专家，负责蚂蚁金服集团的生物识别技术开发与应用以及基于大数据的安全风控技术。其主导设计研发了蚁盾大数据产品，帮助商户和金融客户防控欺诈、作弊、黄牛等网络风险，目前累计服务调用超过60亿次。带领团队将人脸识别技术在网商银行和支付宝身份认证等场景成功上线应用，使蚂蚁金服在生物智能技术及应用方面保持世界领先。曾任人人游戏大数据研究中心首席数据科学家，EMC中国研究院大数据实验室主任，一直专注于大规模数据管理及分析方面的研究和高级开发应用，特别是面向移动互联网和金融的大数据分析。2012年从复旦大学计算机学院计算机科学与技术博士后流动站顺利出站，2012年底加入中国计算机学会大数据专家委员会。合著一本英文专著”Moving Objects Management: Models, Techniques, and Applications”，由Springer和清华大学出版社联合出版。在大数据分析相关领域先后申请了5项美国专利和5项中国专利。议题名称：基于大数据和生物识别的金融身份验证创新实践议题介绍：我们正进入DT时代，数据驱动的时代。金融安全在新的场景下，有一些新的问题和挑战，特别在移动互联网背景下，金融的强实名制和互联网的匿名性产生了自然的矛盾，如何在互联网场景下解决在线身份验证的问题，即如何在网络中“证明你是你”，给互联网金融带来了巨大的挑战。本次报告给大家分享蚂蚁金服在网络身份验证方面的实践以及创新点，如何通过大数据分析和生物识别解决在线身份验证这个互联网金融的基础问题。肖京：平安大数据首席总监讲师简介：肖京博士，国家千人计划专家，现任平安科技大数据智能引擎部总经理。1995年开始研究人工智能与大数据分析挖掘相关领域的前沿科学问题，2005年在卡耐基梅隆大学计算机学院获得博士学位，长期担任精工-爱普生（Seiko Epson Corp.）美国研究院及美国微软公司（Microsoft Corp.）的研发管理职务，获得88项美国授权专利并发表50篇学术论文专著。2015年加入平安集团，负责智能化大数据分析挖掘在风险管控、欺诈识别、智能健康医疗、深度学习、机器人、以及个性化精准营销等金融相关场景的研发工作。议题名称：智能+金融大数据议题介绍： 60年前的达特毛斯会议上，人工智能作为一个学科正式诞生。经历两次大起大落后，人工智能进入了第三次爆发期，目前跨界语音识别、图像识别、自然语言理解等众多领域，都取得了突破性成果。近期的围棋Alphago是人工智能又一个新的里程碑，它标志着“智能+”将成为“互联网+”之后新的“颠覆”神器，为各传统行业带来巨大的变革。这也在平安的金融领域相关探索得到验证。通过人工智能技术与金融大数据的结合，我们可以让金融服务变得更加安全、高效、低成本，并让用户享受更好的体验。姚军：微众银行大数据中心负责人讲师简介：姚军当前任前海微众银行大数据中心负责人，兼管财富管理业务与量化投资和智能投顾相关的算法模型研究，并担任战略部总助，负责银行在大数据方面的战略规划。在加入微众银行之前，先后供职于全球知名的投资研究机构晨星公司（Morningstar Inc.)和信用评级机构穆迪分析（Moody’s Analytics)，在美国芝加哥，三藩市和中国深圳等地都有多年的工作经验。在穆迪分析的服务期间，主管分析产品研发、咨询业务和产品战略，是穆迪分析中国区总部-深圳分公司的创办人之一，2015年1月辞去穆迪分析在美国三藩市分部的资深总监职位，回国加入深圳前海微众银行。姚军1998年毕业于中国科学技术大学，拥有计算机和经济管理双学士学位。之后又在中国科学院计算技术研究所和美国芝加哥DePaul大学分别获得计算机体系架构和计算机科学的两个硕士学位。议题名称：智能投顾——当量化金融邂逅机器学习议题介绍：智能投顾作为本年度最受关注金融科技的创新热点之一，其集中爆发与量化投资理论的应用普及、大数据科技的飞速发展和互联网+生态向金融服务领域的快速渗透等因素密不可分。国内玩家纷纷试水智能投顾，各类业务和产品模式层出不穷，但整体仍处于起步探索阶段。微众银行作为国内首家互联网银行，在此轮创新大潮中，发挥自身在互联网、大数据、量化金融与信息科技等方面的独特优势，率先布局智能投顾领域，积极探索和实践“普惠金融”之道。值此同行交流的机会，微众银行大数据中心将分享在智能投顾实践中的一些尝试和思考，与大家共同探讨如何将成熟量化投资体系与先进的机器学习方法相结合，以创新式的手段打造全新的投顾产品体验，以更智能，更科学、更人性化的方式为普罗大众提供优质高效的投顾服务。李伟：恒生研究院，大数据研究领域专家讲师简介：李伟，机器智能及数据挖掘博士、哈佛访问学者，多年海外科研经历及大型企业项目经验。曾在华为组建大数据团队并负责智能手机数据挖掘项目；担任上市公司大数据中心总经理、首席科学家，领导集团媒体大数据规划及建设工作；现从事金融数据方面研发工作。议题名称：数据智能在金融科技领域的应用议题介绍：伴随着近年来科技的快速进步，特别是以互联网、移动互联网、物联网为载体的智能信息技术被广泛用于社会生产、生活的各个领域，我们日常活动如收发邮件、刷微信微博、网上购物、智能出行、金融投资等都无时不刻地产生大量数据。基于这些大规模数据，我们能够从新的角度来研究和理解人类社会经济、教育、市政、医疗、金融等领域中深层的规律，并且利用这些规律作为生产、生活决策指导。特别的，数据及智能技术逐步推广应用对金融活动起到了提速增效的作用，产生新的价值，典型的应用场景如智能客服、智能投顾、风控管理、精准销售、智能量化交易等，这里分别对智能数据技术在金融领域现阶段的典型应用做简要讨论。袁先智：成都数联铭品科技有限公司首席风险官（CRO）讲师简介：袁先智博士是国际领先的大数据金融服务公司“BBD”（公数联铭品）公司的首席风险官（CRO）。目前专注于公司在大数据框架下的支持金融行业的解决方案，特别是在资本市场中债券定价系统的建立，和支持小，中和大型贷款融资的解决方案。他领导公司金融和相关业务部门成功地完成了包含“新华08”，“长江项目”等一批具有里程碑影响的金融服务解决方案项目，为推动中国在金融风险管理方面的理论与实践相结合作出了巨大的贡献。袁博士也是同济大学风险管理研究所上海“千人计划”金融工程特聘教授， 国际金融工程杂志（International Journal of Financial Engineering）主编，和多家学术专业杂志的编委。他目前也是中国系统工程学会金融系统专业委员会副主任委员，中国系统工程学会理事和中国金融工程年会理事，也是国内外多所高校/科研机构的访问、兼职、讲座教授。袁先智先后在四川大学，加拿大多伦多大学，戴尔豪斯大学获得数学学士，数学硕士，金融工程硕士，统计学硕士，数学博士等学位。此后在澳大利亚，加拿大，美国和中国的著名高校，国际领先的金融机构，交易公司和财务咨询公司工作，也为共和国总理提供过解读金融危机等方面的专题报告。袁博士有在国内外（美国，加拿大，和澳大利亚）超过25年工作和学习的经历。目前在金融工程/金融数学的理论和业界实践应用和非线性泛函分析和相关应用开展研究工作。在国内外SCI 和SSCI学术刊物发表了140多篇专业论文，出版2本专著。在非线性分析和相关的KKM 理论以及在数理（金融）经济学，博弈论，优化理论，非线性集值分析，和非线性集值分析不动点理论方面的应用方面研究方面，取得一系列处于国际领先水平的系统性结果。在金融业界实践方面, 自1999年以来, 先后在全球领先的KPMG, Deloitte财务和咨询公司, 美国的TXU能源交易公司, 加拿大Montreal 银行等国际公司工作。他积累了一系列理论和业绩相结合的专业经验和技能, 特别是自2008年以来, 袁博士为德勤中国 （Deloitte China）组建了“定价和计量风险部门”，并为中国银行、工商银行、建设银行、农业银行、招商银行，浦东发展银行等的国内大型金融机构提供基于新巴塞尔协议的专业风险计量与管理服务。袁博士出版了下面2部英文专著：1.The Study of Minimax Inequalities and Applications to Economies and Variational Inequalities，Memoirs of the American Mathematical Society, American Mathematical Society, 1998.2.KKM Theory and Applications in Nonlinear Analysis，Marcel Dekker Publisher，New York，1999。议题名称：大数据框架下的小微企业信用评级：理论与实践的结合议题介绍：在大数据框架下，基于企业全息画像框架下的公司商务行为的基因（DNA）刻画， 金融网络结构的KPI赋予的金融信息，以及对应的“中心点，桥梁点，码头点”等核心概念，我们将和大家分享如何利用线上和线下信息对小微企业进行有效的信用评级，希望这能够为中国的小微金融服务带来革命性的变化。以“构建基于大数据的小微企业信用风险评级体系”作为大数据应用的切入点，构建了大数据平台和对应的小微企业信用评估体系， 是具有原创性和自主知识产权的业界新产品。在具体的实践中，通过增加对小微企业评价的维度，开拓不同的数据来源，形成三位一体的“大数据”体系，即整合“企业资产数据”、“政府数据”、“企业行为数据”；通过对小微企业信贷历史样本的分析研究，实现小微企业的画像，开发出小微企业的风控模型。该项目旨在创新小微企业的风控措施，突破传统信贷文化，改造小微企业信用评价模型和信贷业务流程，为小微企业设定更加合理的授信准入门槛，有力推进我国普惠小微企业的金融服务，为建立广泛意义下的消费金融打好基础。郑赟：宜信大数据创新中心技术总监讲师简介：宜信大数据创新中心技术总监，负责中心若干大数据驱动的互联网金融创新产品的研发工作。加入宜信之前，在美国在线视频公司Hulu任研发经理，负责视频播放和网站主站的技术研发。并曾在Microsoft从事研发工作。毕业于清华大学自动化系，获本科及硕士学位。议题名称：大数据驱动的在线快速信贷业务实践议题介绍：宜信大数据创新中心在大数据的驱动下，开展了若干个纯在线的信贷业务。这些信贷业务具有纯线上、实时授信、快速批贷等特点，在部分场景下实现了全流程系统自动化处理（包括进件、数据获取、反欺诈、授信、批贷和放款）。本次演讲主要介绍了为了实现这样的在线业务，我们在系统和数据这两个方面进行了一系列的探索和实践，以及在此过程中在系统设计、大数据风控方面所总结的一些经验。陈晨：东吴在线（苏州）金融科技服务有限公司首席运营官(COO)讲师简介： 2003硕士毕业于清华大学控制理论与控制工程专业，之后就职于上海证券交易所技术部门。作为主要成员之一完成了交易所新一代交易系统架构和应用的设计、开发和后续维护工作。年期间在伦敦大学学院进行了为期一年的金融系统工程的学习。后续担任上证所期权开发团队负责人，领导了上证所期权交易系统的建设和开发工作。2016年3月加入东吴在线担任公司首席运营官，负责公司零售业务、资管业务和技术团队的整体的管理工作，把握公司对于人工智能，区块链等技术的发展方向和应用实现。十年的交易系统研发经验，对高性能高可用系统的架构设计、实现难点和解决方案有丰富的实战经验，关注于分布式系统、集群管理、海量数据分析和处理等关键技术。同时对于人工智能、区块链等技术有着较为深入的理解和研究。议题名称：大数据在智能投顾领域的应用议题介绍：本次演讲会对金融领域的大数据的来源、结构进行描述，并针对目前的一些先进实践案例进行分析，最终聚焦于其中的一个特定方向：大数据在智能投顾领域的应用。传统的智能投顾（Robo-Advice）也可被称作为机器人投顾、智能理财、自动化理财等。利用大数据分析，根据投资者的风险承受水平、预期收益目标以及投资风格偏好等要求，运用一系列智能算法，投资组合优化等理论模型，为用户提供投资参考，并监测市场动态。本次演讲内容基于智能投顾领域，介绍了东吴在线正在研究的智能投顾平台，平台通过对历史数据和实时热点的抓取，利用知识图谱进行机器学习，一方面普通投资者可以利用该平台进行实时行情的分析，另一方面，专业的机构投资顾问可以通过平台的内容发布体系，将平台生成的大数据分析结果进行社区推广。熊昊：广东省粤科众筹股权交易股份有限公司讲师简介：熊昊博士于2013年获得香港大学计算机系博士学位，于2013年进入上海证券交易所从事博士后研究工作，师从上海证券交易所总工程师白硕先生，研究方向为互联网金融与金融科技，是较早一批就上述问题展开研究的研究人员。在交易所期间，主要研究成果涵盖了包括人工智能、区块链技术在内的各类新兴金融科技，就金融科技应用于证券投资业进行了深入的理论研究与技术实践，先后主持了多项由交易所牵头的金融科技研究课题与工程。于2016年加入广东省粤科金融集团，从事金融集团的战略规划与金融科技应用于股权投资领域的规划与设计工作。议题名称：金融科技与股权投资议题介绍：随着以大数据、人工智能、区块链等新兴技术为代表的金融科技的迅猛发展，技术对金融业务的影响早已脱离了简单的“算盘”+“帐本”的替代品范畴，金融科技正在影响着包括风险定价、项目管理等在内的核心金融业务；另一方面，由于传统的金融业务手段难以应对近年来金融业务迅猛发展所带来的新挑战与新需求，业界不约而同的将金融科技手段视为解决问题之道。广东省粤科众筹股权交易股份有限公司（简称“粤科创投界”）以金融科技助力股权投资发展为使命，随着多年的摸索与发展，逐渐形成了围绕股权投资为核心的金融科技产品线，其中典型的代表为“尽调能手”与“母基金管理自动监管报送平台”两个产品。“尽调能手”借助知识图谱技术，解决了众筹项目参与者缺乏有效的尽调手段与工具这一痛点，提升用户对于项目的主动理解能力。“母基金管理自动监管报送平台”借助自然语言处理与大数据技术，按照相应的监管要求，自动化的生成相应的报告，以技术手段提升了母基金（尤其是政府背景的母基金）的管理效率。柳崎峰：香港FDT金融数据技术有限公司首席数据科学家，AI大数据事业部负责人讲师简介：柳崎峰,就职于香港FDT金融数据技术有限公司（简称FDT），担任FDT集团首席数据科学家，兼任AI大数据事业部负责人，从事的项目包括：选拔和训练职业交易员、智能投顾和财富管理、金融风险管理、交易资源优化等。在中科院自动化研究所获取博士学位，专业是模式识别与智能系统。之后在Yahoo! Lab、Samsung Lab和芯片创业公司等工作多年。在IEEE/ACM等会议和杂志上发表了20+篇论文，获取了国内外20+专利，研发领域横跨人工智能、大数据、计算机视觉、搜索引擎和推荐系统、金融交易和投资优化等几个领域。议题名称：人工智能和大数据用于交易和投资优化议题介绍：能不能用人工智能和大数据直接的赚钱？能！FDT一直在探索如何将用人工智能和大数据技术，在交易员和全球各种金融市场行情具有高度不确定的情况下，刻画日内与日间交易员的行为金融特性，对金融交易和长期投资的随机时间序列进行最优化和个性化。除了介绍方法和原理以外，本演讲还会介绍我们的成功应用的产品，例如用于选拔顶尖交易员的FDTScore、用于财富管理的FDT智能投顾云、用于对冲交易基金优化的资源个性化分配、用于日内交易的智能市场波动预测。吴琼：中科天玑数据科技股份有限公司，大数据服务事业部副总讲师简介：吴琼，2011年毕业于中国科学院计算技术研究所，获工学博士学位。2011年1月加入中国科学院计算技术研究所。主要从事互联网信息检索与数据挖掘、大数据分析等相关方向的科学研究，主持或负责国家级项目合计金额1500万，其中包括国家自然科学基金、国家242课题、国家部委项目、863国家高技术研究发展计划，具有很强的项目组织与管理能力。近年来，着重于舆情领域及大数据金融领域产品设计与数据服务，研发的产品已用于国家多个政府部门，成功保障舆情、金融领域监测及深入分析。议题名称：互联网金融舆情分析技术与应用议题介绍：针对互联网金融行业，分析其数据特点，介绍数据分析技术；针对行业应用，设计可扩展的系统架构，灵活集成各个信息通道和分析处理模块，抽取关键信息，实现多通道跨平台的金融相关内容汇聚、深度挖掘、分析，解读当前金融界热点信息，并针对用户关心的内容进行实时监测及追踪。最后感谢本场论坛主席，来自平安科技大数据产品总监王健宗和东莞证券信息部负责人徐楠的组织和策划，为大家献上金融大数据的技术盛宴。更多大会详情，请登录官网，目前票务销售火爆，折扣优惠时间即将结束，。极星大数据分析平台，助力金融机构精准决策
极星大数据分析平台，助力金融机构精准决策
在未来两三年内，在互联网和移动互联网的驱动下，金融行业的大数据应用将迎来突破性的发展。金融大数据的广泛运用，离不开高性能大数据分析平台的支撑。康拓普极星大数据分析平台，通过和时序数据库的深入融合，大幅提升了平台性能，实现对海量数据的高速处理，为金融机构提供高效的金融大数据解决方案。
中国金融大数据近年来增长迅速，市场份额逐年提升，应用前景巨大。数据显示，中国大数据IT应用投资规模中，金融行业占比17.5%，位居第三，仅次于互联网行业(28.9%)和电信行业(19.9%)。
在行业不断发展的背景下，国内不少银行已经开始尝试通过大数据来驱动业务运营，如中信银行信用卡中心使用大数据技术实现了实时营销，光大银行建立了社交网络信息数据库，招商银行则利用大数据发展小微贷款。极星大数据分析平台准确把握市场需求，在大数据底层平台的基础上，提供了完整的大数据金融应用方案，包含用户营销分析、用户洞察分析、用户渠道分析、产品创新分析、用户运营分析、风险防范分析等6大模块，助力银行等金融机构迎战大数据时代。下面，我们将以几个应用为例，进行说明：
第一：客户画像。主要分为个人客户画像和企业客户画像。个人客户画像包括人口统计学特征、消费能力数据、兴趣数据、风险偏好等;企业客户画像包括企业的生产、流通、运营、财务、销售和客户数据、相关产业链上下游等数据。由于银行自身拥有的数据有时候不完整，我们还整合外部更多的数据，以扩展对客户的了解。包括：客户在社交媒体上的行为数据;客户在电商网站的交易数据;企业客户的产业链上下游数据;其他有利于扩展银行对客户兴趣爱好的数据，如网络广告界目前正在兴起的DMP数据平台的互联网用户行为数据。
第二：精准营销。在客户画像的基础上银行可以有效的开展精准营销，包括：1、实时营销。根据客户的实时状态来进行营销，比如客户当时的所在地、客户最近一次消费等信息来有针对地进行营销;2、交叉营销。根据客户交易记录分析，有效地识别小微企业客户，然后用远程银行来实施交叉销售;3、个性化推荐。如根据客户的年龄、资产规模、理财偏好等，对客户群进行精准定位，分析出其潜在金融服务需求，进而有针对性的营销推广。
第三方面：风险管控。包括中小企业贷款风险评估和欺诈交易识别等手段。
中小企业贷款风险评估。银行可通过企业的产、流通、销售、财务等相关信息结合大数据挖掘方法进行贷款风险分析，量化企业的信用额度，更有效的开展中小企业贷款。
实时欺诈交易识别和反洗钱分析。银行可以利用持卡人基本信息、卡基本信息、交易历史、客户历史行为模式、正在发生行为模式(如转账)等，结合智能规则引擎(如从一个不经常出现的国家为一个特有用户转账或从一个不熟悉的位置进行在线交易)进行实时的交易反欺诈分析。
总而言之，金融大数据的应用领域十分广泛，目前还处在不断探索优化的阶段，巨大的潜能尚未爆发。对于金融企业而言，谁率先使用大数据来帮助自己实现更精准的决策，谁就将在未来的竞争中占得先机。极星大数据分析平台，将是您最有力的帮手。
关于极星大数据分析平台
极星大数据分析平台，是专为大型企业及专业机构海量数据打造的企业级大数据一体化解决方案。它具有高可靠、高安全、易使用、高性能、低成本的特点，帮助企业客户快速构建大数据平台，满足企业的海量数据存储和分析需求。作为一个分布式数据处理系统，极星大数据分析平台能提供强大的海量数据的处理功能，如：数据采集、数据存储、数据处理、数据挖掘、数据分析、数据可视化、数据专业算法等，广泛适用于金融、电力、制造业、石化、燃气、交通等各行各业。百度搜索“极星大数据分析平台”进官网了解更多详细内容。
免责声明：此文非本站原创，由客户供稿，刊载此文出自于传播更多行业信息之目的，其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容。
编 辑：孙秀杰
余承东： 华为超越苹果三星 需四到五年时间
CCTIME推荐
CCTIME飞象网
CopyRight &
京ICP备号&& 京公网安备号
公司名称： 北京飞象互动文化传媒有限公司
未经书面许可，禁止转载、摘编、复制、镜像后使用快捷导航没有帐号？
高盛数量策略部老大告诉你-金融建模的未来
查看: 8247|
评论: 0|来自: 私募工场
摘要: EmanuelDerman是高盛公司数量策略部门的董事总经理。这篇文章是他在第十届全球风险年会上的讲演。在任何一个领域，建立模型的目的是什么？比较清楚的是，模型的目的是用来预测未来或者控制未来。我在这里的任务就是 ...
EmanuelDerman是高盛公司数量策略部门的董事总经理。这篇文章是他在第十届全球风险年会上的讲演。在任何一个领域，建立模型的目的是什么？比较清楚的是，模型的目的是用来预测未来或者控制未来。我在这里的任务就是预测一个关于预测未来的领域的未来。为了这个目标：我必须说明我们现在身处何地：什么模型现在正在起作用，为什么这些模型能够起作用。我的观点或许有点局限，因为我被作为一个自然科学家而不是一个经济学家培养，在过去的十年里，以为那些以交易复杂证券-大部分是衍生品-谋生的人开发模型和系统为乐，并以此谋生。这些工作非常有趣，这个领域虽然范围有限，但却是我了解麾尽的一个领域。我首先将描述一下今天的衍生品交易环境：和大量分散的数据，信息和交易纪录做斗争，雄心勃勃地尝试用自然科学中的经典工具来描述各种现象背后的规律，有些时候获得了异乎寻常的成功。人们通常会担心模型风险，但我认为较大的风险来自运营过程，例如管理风险和操作风险而不是模型风险。有这个印象之后。你就能理解为什么在高盛，除了建立模型，写文章和走访客户，我们这个有30个人的权益衍生品策略小组中，只有4到5个人参与建模工作：分离金融变量，研究它们之间的动态关系，用微分方程和统计相关度来描述这些关系，并解出这些问题，最后写程序实现这些解。这些模型被怎样运用？简单来说，用来给做市商和私人交易的交易所期权和OTC期权定价；用来计算和对冲暴露在不同国家和货币的组合中的风险；用来转换报价到隐含波动率；用来建立结构衍生品；用系统来找出公平价格和市场价格之间的不同；对用来套利的公司金融工具进行估价和对冲。最后，为了估计公司级的在险价值；我们也用模型来直接检验非衍生证券。模型是重要的，因为我们的应用建立在它之上，但是建构这些模型却只占用了很少的资源。为什么和程序员和系统架构者比起来，建模者会这么少？更有趣的是，为什么在权益市场中，建模者又要比在固定收益市场中少？衍生品和非线性StephonRoss教授在PalgraveDictionaryofEconomics中这样表述："...期权定价理论不仅是金融学，而且是所有经济学中最成功的理论。"这一点看起来毫无疑问，但问题是：为什么这个理论会运作得这么好？我认为原因在于期权定价理论中的基本问题是为了对混合，非线性的证券进行定价，期权理论虽然精巧但却是并不完美的近似。我不认为那是一种缺点，交易员直觉地使用期权理论，以波动率或者概率的简单，线性变化来理解价格变化中复杂的，非线性的模式。他们把复合衍生品看做简单证券的组合。他们线性思考波动率和概率的变化，并且用模型转换为价格中的非线性变化。在被交易的证券的现实世界中，Black,Scholes和Merton的假设很少能被严格满足。但是他们把复合衍生品看作股票和债券的组合的观点抓住了真理的核心，为模型的健壮性提供了基础。同样的策略-把一些复杂的东西看作简单事物的非线性组合-是收益率曲线模型的基础，在这种思路下，可以把互换看作一些债券组合的逼近。同样，隐含树模型认为奇异期权是不同交割价和到期日的vanilla期权组合的逼近。期权理论能够很好的运作是因为它是相对地而不是地定价。一个必要条件就是被学术界蔑视的对价格调整的主张：没有使得衍生品价格和基础证券的价格在一些条件下相符合的努力,价格的相对性就没有基础。基准证券和线性股票期权可以和分子由不可见的原子组成相类比，我们用这个原理来理解基本的化学和合成过程。这里，股票是原子：衍生品的不可约的组成部分。但这种相似性也是有限的。在物理学中，我们有对原子物理基本原则的深刻了解从而来支持化学，但是在金融学中，我们了解期权的原理--分子化学--更多于对股票原理的理解。这并非没有先例，19世纪的化学领先于20世纪的物理学。在现在，我们的股票模型缺少深刻的结构和坚实的原理。于是，大部分的传统的权益模型专注于数据之上。但在债券上，情况有所不同。虽然他们是固定收益市场的基础，利率从债券价格中获得。但是人们把利率看作基准证券，把债券价格看作非线性衍生品种。于是，即使最简单的金融工具也是非线性的，需要利用数学来近似逼近。那就是为什么在固定收益领域有比在权益市场中多得多的数量建模员和计算机科学家。传统模型的局限性传统模型能在哪里使用？“理论”，在自然科学中，意即，找出基本变量，并且利用他们之间的基本动态关系来描述世界的其他部分。但是自然科学理论是人和上帝的游戏，利用一些显见的变量，例如位置和动量，及一些基本原理，如Newton's，我们相信独立于人类的存在，永远正确。我不相信这种独立性象看上去那么显然，最近的宇宙学理论说我们的宇宙有很多小宇宙所构成*，每一个都是收缩的，并且每一个都有不同的原理。*译者注：超弦理论认为物质最小单位不是原子，夸克，而是尺度更小的弦，弦的运动形成了很多个小宇宙，也就是数学上的Calabi-Yau流形，每一个这样的流形都是卷曲的，由于很小所以并不能看到，我们在现实世界中只能观察到三个维度，如果再加上时间就是四维。在金融世界中，相反的，是人与人之间的游戏。但是人类的金融变量很清楚并不是普适：他们是一些数量--期望收益和期望风险--不可能独立于人而存在；只有人才会有期望。并且这些变量常常是隐藏的或者观察不到--他们是只能从一些其他交易的数量所观察到的隐含变量的理论的一部分。但是人的期望和策略都是暂时的，不象物理学家的永恒的上帝。因此金融模型从来不能提供象物理学中8位精度那样的预测。工程上的进步常常跟随着科学理解上的进步。工业革命起于力学和热力学。计算机革命需要布尔代数和固态物理。刚刚开始的基因工程和免疫学的生物工程革命，需要DNA结构和基因密码。最后，我不认为物理学和基因学是金融和经济学可以适用的模型。物理学有不可交换法则，有通过数学形式表达的很强的预测力量。你一般会预期物理学的教科书纯粹和严格。金融学有很少的动态原理和很弱的预测能力，你大概预期它的教科书将会有些粗略。那么为什么现在金融学书常常看上去象纯数学，充满了公理，而物理学看上去更象是应用数学？公理化的程度看上去和实用型成反比。这种不自然的不均衡让我想起了倒转收益率曲线，或者权益市场中固定不变的偏度：如果不隐含着崩溃，那么它能够持续多久？Black,Scholes和Merton是衍生品领域中的牛顿。他们不仅创造了，而且完备了整个领域，金融学中以原理而成熟的工业革命。我们现在生活在牛顿之后的世界，还要等很久爱因斯坦才能出现。我们还将不断地看到衍生品模型的扩展和相对定价的发展。我们还有什么可以预测？有效想法的扩展期权定价理论用到了以下几个原理：（1）一价定律；（2）期权复制的动态策略；（3）基准证券的对数正态发展；（4）模型对已知市场价格的调整。我们能期望这些原则有什么扩展？*理性胜于巫术。期权理论是理性和谨慎的，在逻辑的基础上建立。它非常数学化，但数学是第二位的。数学是表达动态的语言。还有许多交易员，甚至期权交易员，对数学-对奇怪的数字--魔术，模式，曲线拟合和预测有一种没有理由的品味。我想我们还会不断见到关于依赖真实世界想法的用数学形式表达的成功模型，而不仅仅只是数学公式。*更好的根据真实世界调整理论。真实世界违背大部分的期权定价原则。流动性问题和交易费用削弱了一价定律。波动性是随机的。复制既不是连续也不是免费的。结果是，当你重新对冲，允许小的，但是不可避免的，现实和对冲波动律之间的不一致。模拟可以说明"无风险对冲"期权的损益有令人惊奇的大的方差。你或许会奇怪，期权交易怎样获得利润。我想真相就是大部分的交易员并不是完全了解他们利润和损失的来源。我期望可以有更多的关于现实环境中期权损益表实际的分析。Leland1985年的关于交易费用的文章是一个好的开始。更近的，AjayGupta(July1997,page37)在风险杂志上的一篇文章开始研究隐含波动率和现实波动率之间不一致的影响，在精神上和我们在高盛做的分析一致。*远期作为基础。过去20年中模型的进步和利用远期价格而不是即时价格作为模型的数学基础有很多的关系。这是heath,Jarrow和Morton(1992)对收益率曲线建模的本质，同样的想法能应用到波动率上面。最近Brace,Gatared&Musiela(1997),Jamshidian(1996)和其他一些关于利率的市场模型与这个概念有很近的联系。*调整(Calibration)。一个好的交易模型必须既和已知流动证券的价格符合，又能实际地反映未来市场变量的变动范围。很少有模型满足这一点。学术界偏好那些理想的发展模型，但是对冲的实务者不能没有很好拟合数据的模型。用一个错误估计债券价格的模型给债券期权定价没有什么好处。如果我一定要选择，我认为确定性更好--先得到证券的正确价格--并且希望对随机的估计误差有一定的鲁棒性。显然，这不太完美。我希望看到在构建既和市场价格拟合又有现实发展的模型方面有进展。*隐含变量的智慧。在金融中，很少有对未来价格的知识。隐含价格是使模型符合市场的理性预期，提供了较好（有时候是）的对人们预期的洞察。在最近的股票市场调整中，崩溃前不同交割价的期权的隐含波动率给出了崩溃后评价隐含波动率水平和方差的一个很好的指标。我希望看到基于隐含变量---隐含远期利率，相关系数和信用跃迁--模型继续在实用性和复杂性上面发展。*交易变量作为随机因子。几年以前，有一股倾向，在数据中出现的任何主要成分上建立随机模型，不管它们有多么地不自然。现在的情况是，对那些有代表性的交易工具进行建模，我们可以感觉到这些倾向。利率的市场模型在这方面的发展是有吸引力的一步。他们直接对可交易的，离散的证券的发展建立模型，并且直觉地验证简单的定价公式。我喜欢那些可以掌握透彻的随机因子的模型。金融学还没有成熟到可以依赖一些深奥的动态变量。*计价单位变换(changeofnumeriare)。这种方法，最早由Margrabe(1978)提出。当我们以另外一种货币的角度观察的时候，可以简化复杂的问题为简单的，已经被解决的问题。这种技巧已经一再地得到使用。价值有限的技术优化。优化对那些不在这个行业里面生活的人听上去很有活力，但是在现实的金融中，我没有发现它的作用。我有些尴尬的承认在我们高盛的权益期权小组中很少使用优化程序。在工程上---一些原则可以很清楚地得到理解，或者在类似旅行者-推销员-类型问题上----其中一条路经由所有可能的路径，每一条路径的长度都知道---优化有明显的作用。在金融理论中，相反，每一个情景都不是准确的-有一个粗糙的利率模型，一个粗糙的提前支付模型和其他一些错误的模型。虽然平均起来能够去除其中许多错误。但是使用优化却有可能加强这些错误。所以我个人很怀疑优化在金融中的应用，虽然并不是说他永远没有意义，只是应该被谨慎的使用。*资本资产定价模型。提供了最早得到Black-Scholes方程的框架，关于风险和回报的想法渗透近交易的所有想法中，但是在现实中，我们很少用它。*高维问题。金融理论看上去在用到那些小维度的问题上有更高的成功性。新的方向*基准（Underlyer）模型。我们需要高级的基准模型，但是我们缺少除了对数正态之外的更好的一般的规律。在现实世界中，有胖尾，跳跃，汇率带和其他一些异常现象，经典物理从一个粒子的确定运动开始，并且渐渐发展到统计现象。在金融中，即使一个股票也存在着不确定性。最广阔的理论发展将是一些关于基准的新理论：可能有一种方法“衍生化”基准为一些更加基本的变量。但我现在不知道会是什么，从行为金融学到混沌理论，都在寻找实际应用。*计算机和电子市场。计算机还将是金融市场发展的推动力。高速计算机允许电子市场象交易股票一样交易期权。期望更快的交易，更少的中间化，更直接的资本连接。交易系统不得不适应这些变化。在电子市场中快速接触信息变得更加重要。有限的模型将会在大信息量和逻辑简单的领域找到应用。规则系统将会很好地工作。与模型相比，更容易看到计算机能力的优势。计算机提升了显示和检验多维风险情况的价值。*市场微结构。大部分的金融模型都假设经济均衡。市场微结构的模型中如何达到均衡的方法正在变得一个丰富的领域。我最近听了在数量分析师协会上加州理工的CharlesPlott的一个有趣的讲演，用来观察定价均衡的方法。这种类型的工作最后将会帮助市场交易系统,并且使他们和硬件，软件有更紧密的联系。统计套利。我不能在这里确定的预测。我经常被物理和金融中统计应用的差别而震动。在物理学中，力学的微观原理和热力学的微观原理最后都可以用统计力学做解释。在金融学中，微观直觉和微观原理同时不存在。但是数量建模者还是喜欢用统计和优化。*Value-At-Risk.Var问题通常是操作性的，你怎样在一个时间一个地方得到整个公司的头寸和定价参数。你可以运行一个蒙特卡罗模拟来获得预期损失。这种方法很有用，但却不能代替对衍生品交易帐簿的更细节的情景分析，以及常识和经验。没有什么理解复杂性的捷径。如何从交易环境中的组合风险管理的角度来看待这个问题，可以参看Litterman(1996)。从理论的角度，可以参考康奈尔大学的DavidHeath等写的关于对Value-at-Risk的一致测量需要公理的一些有趣的文章。*在模型世界中最近的一些社会文化变化。你不需要再为在电梯中讨论数学而道歉，因为这已然成为一种很酷的表现。金融理论看上去正在从各个方向走出大学中的商学院。一面走向科学，一面走向实践。另外，高级金融研究正在华尔街蓬勃地发展，和大学相比，甚至有过之而无不及。有大量的金融理论学术研究者投入银行业。即使是实务者写的教科书也会引用各种理论。另一方面，金融理论正在成为应用数学的一门课程。数学系提供金融工程学位，数学家写了很多关于期权定价的书本。使得应用数学家不需要很多努力就可以获得期权定价的博士学位。期权定价模型正在变得商品化，很便宜就可以得到。开发风险管理系统的公司将会变得更加普遍。风险咨询将会变得平常和普通。大的公司还是愿意自己来完成这一切，但对一些小一点的公司而言，可以在市场上买到大部分他们所需要的服务结论从和交易员一起工作的角度，我认为模型就象是量子物理学家所用的思想实验。在脑子里面，或是在纸上，对物理世界，现实世界做想象的压力测试，从而获得对世界认识的一些矛盾看法。爱因斯坦,在思考狭义相对论的时候，考虑这样一个问题：如果他坐在光线上，将会发生什么？薛定鄂对量子力学的深刻思考使得他考虑下面这个问题：想象一只关在封闭盒子中的放射原子猫（薛定鄂猫），你的观察使得它会触发一个计数器从而释放毒气。我想这才是金融中数学模型的正确用法。大部分时候，世界的运作并不和模型相一致，模型是为了和现实做逼近，用一些你能想到的可观察的变量。因此，你可以问自己，如果波动性变化或者收益率曲线变化，会发生什么？你会获得一个你可以理解并描述的数字。当你观察用数量模型来对复杂的证券进行定价和对冲时，你必须要有好奇心，而且必须是一个怀疑论者。考虑一个抵押债券：你用一个半接近现实的利率发展模型和一个粗糙的模型来模拟提前支付，模拟上千次的未来情景来对抵押债券的曲率进行估价。然后你按照这个价格支付。这即使不算非常荒谬，也有一点令人惊奇。相信这个模型的最强烈的理由，只是因为这个模型是基于理性和深刻地思考，而且没有比更好的方法。这种情况还会继续，但我想这其实是一个好消息。
上一篇：下一篇：