摘要
主旨演讲
挑战 - 反应：数据科学和AI在生产中
上午9:10-9:50。
上市时间、法规遵从性、人才短缺和新机遇正在推动金融服务领域的创新。从文本分析到自动化的遵从性开发流程，客户都在使用MATLAB®用生产应用响应。将讨论深入学习和NLP，风险模型治理和ESG示例。
大卫丰富, MathWorks
人工智能在投资洞察和运营效率方面的应用
上午9:50-10:30。
随着人工智能和机器学习的曙光和快速发展，金融机构抓紧时间进行技术创新。在涉及大量量化纪律的买方投资领域尤其如此，包括摩根大通资产管理公司(JPMorgan Asset Management, JPMAM)。
创新的广度涉及广泛的投资流程，包括但不限于以先发制人的问题识别为基础的稳健技术运营，创新和高效的被动策略产品构建，以及前瞻性的市场变化检测。以及对活跃企业阿尔法机会的系统性预测。
在本次演讲中，David将以主题形式讨论AI和ML技术的应用，这些技术有助于为JPMAM客户提供运营效率和可投资的见解。本次讨论将以一个简短的演示现场演示为特色，展示所部署的技术。
大卫林，摩根大通资产管理公司
介绍
R因素：将ESG和公司治理数据转化为可投资的见解
10:30-11:10点。
财务状况的可用性，始终报告和可比较的ESG数据是资本市场投资者面临的最大挑战之一。这就是为什么国家街道全球顾问建立了R-Factor，这是一个评分模型，它利用多个数据源并将它们对准，广泛接受，透明的唯物性框架，为5,500家全球公司产生独特的ESG分数。他们借鉴了可持续发展会计准则董事会（SASB）和国家/投资者创造的公司治理框架的唯物质框架。R-Factor是为解决市场中数据质量挑战的建立，并在评分过程中消除ESG唯物性的渗透率。它是唯一由资产经理的强大管理承诺支持的唯一分数，旨在将公司放入司机席上，以帮助创建可持续市场。
托德桥梁，道富环球顾问有限公司
动态复制和对冲:一种强化学习方法
晚上11:20-12:00。
在本讲座中，我们将讨论如何在实际环境中对期权书进行最佳套期保值的问题，在实际环境中，交易决策是离散的，交易成本可能是非线性的，并且难以建模。
基于强化学习（RL），这是一种成熟的机器学习技术，我们提出了一种灵活、准确且非常适合于实际应用的模型。RL方法的一个关键优势是它不会对交易成本的形式做出任何假设。RL根据提供的任何交易成本函数学习最小方差套期保值。a它需要的是一个很好的模拟器，可以准确地模拟交易成本和期权价格。
这是和戈登·里特的合作。
培特柯姆煤，纽约大学
CCAR神经网络模型
1:10-1:50点。
神经网络（NN）模型为改进综合资本分析和审查（CCAR）中的信贷损失预测和压力测试提供了机会，可使用ARIMA型模型将其作为宏观经济变量的函数进行估计。有关参考资料，请参阅：大型银行控股公司的资本规划：监管期望和当前最佳实践范围，2013年．然而，神经网络模型的应用仍然存在一些挑战，如根据监管要求的模型可解释性和过度拟合的趋势。本次会议将讨论这项研究，并强调以下几点:
- 利用信用卡公司超过15年的月度冲销数据，可以开发出一个精简的神经网络模型，该模型在均方误差(MSE)中优于具有ARIMA误差的传统回归模型。
- 结合LASSO和逐步回归算法，从500个宏观经济变量中选择了两个具有滞后的变量，这使得神经网络模型对CCAR场景叙述具有可解释性。估计的输入权重的符号或方向应该与业务直觉一致或受到业务直觉的约束。
- 这项研究还发现，神经网络模型可能容易过度拟合。压力测试对网络架构师的设计非常敏感。
亨陈，汇丰银行及西北大学
MATLAB如何重塑景观服务财富管理客户
下午1:50-2:30。
财富管理是金融机构的一项重要职能，为高净值客户提供金融和投资咨询服务。成千上万具有独特财务需求的客户需要强大的分析平台来执行资产分配、经理选择和自定义报告生成等任务。从数据预处理到财务建模，再到报表生成，整个过程中都使用了MATLAB进行多步计算。因此，可以及时向具有复杂非线性约束的客户生成稳定的推荐。
王燕姿摩根士丹利财富管理公司(Morgan Stanley Wealth Management)
宾夕法尼亚-沃顿预算模型：MATLAB中的宏观经济学
下午3:30-4:10。
宾夕法尼亚-沃顿预算模型（PWBM）是美国经济的综合模型。它由多个组成部分组成：人口统计微观模拟、税收模块、社会保障和其他政府计划，以及动态宏观经济模型。动态模型计算异质、理性、前瞻性代理的最优决策，并发现代理行为和价格处于均衡状态时对价格的总体影响。这些类型的模型是计算密集型的，是现代计算宏观经济学家使用的主要模型。PWBM使用MATLAB中构建的动态模型，预测政策变化对美国家庭行为的影响以及对宏观经济变量（如GDP、利率、债务和资本形成）的影响。
埃弗拉姆·伯克维奇，宾夕法尼亚大学
用深度学习创建阿尔法策略的风险管理模型
4：10-4：50下午
在这节课中，你将学习到:
- 理解使用深度学习构建阿尔法生成策略的挑战
- 建立风险管理模型，以检测机器学习策略何时未按预期执行
- 你能模拟一个不断变化的市场吗？DL什么时候应该（和应该不）被使用
本施泰纳，法国巴黎银行资产管理公司
大师班1
建筑生产级NLP管道硕士班
晚上11:20-12:00。
构建和部署NLP应用程序涉及多个步骤，包括数据摄取、预处理、标记、模型构建、模型选择和部署。
虽然数据科学家通常参与端到端应用程序的原型，但在生产中部署健壮的NLP应用程序需要构建企业级管道，并设计管道中的每个阶段，以完成特定的任务。本次研讨会展示了QUSandbox，一个用于原型、设计和规模化生产的机器学习管道的企业平台。平台和语言无关的平台支持集成多个工具，以设计一致的、可审计、可复制和可伸缩的产品级管道。这个大师类将演示如何使用自然语言处理技术来分析EDGAR调用收益记录，这些记录可以用来生成情感分析得分，使用Amazon领会、IBM Watson、谷歌和Azure api(应用程序编程接口)来训练在MATLAB中构建的自己的模型。然后，我们将说明如何通过QuSandbox管道简化各种步骤，以便在生产中构建可伸缩的机器学习应用程序。
室利克里希那穆提，风景
风险模型平台
下午1:10-2:30。
看看MATLAB®用于推动信贷和市场风险模型的开发、审查、部署和监控阶段，使用人工智能和实时编辑器技术的最新进展，以满足可追溯性和再现性的监管标准。
- 技术进步，以保证模型的结果可以复制验证团队和生产
- 向利益相关者和监管机构解释和解释人工智能模型的输出
- 通过自动化提高模型开发，验证和文档活动的一致性
保罗剥皮, MathWorks
企业投资和风险管理中的人工智能、机器、深度学习和NLP
2:50-4:10点。
有了人工智能的梦想，自20世纪50年代以来，我们已经走过了漫长的道路。预测建模、机器和深度学习已经开始渗透到金融的各个方面。采用这些技术的两个热点领域是模型验证和压力测试。随着推特的冲击增加了我们市场的波动性，新的公司正在现场爆炸式发展，新的风险管理系统利用推特预测波动性。通过演示，我们将探索人工智能的最新技术，以获得更多关于如何在这个假新闻和波动的时代最好地管理投资组合的见解。
重点工作范畴:
- 风险与金融领域的预测建模、人工智能、机器学习和深度学习现状介绍
- 演示自然语言处理
- 关于规模化生产的讨论
- 关于模型治理的讨论
马歇尔阿方索, MathWorks
自然语言处理与金融学的深度学习
4：10-4：50下午
2010年，全球IP流量每月超过20艾字节(200亿gb)。随着非结构化信息的爆炸式增长，对计算能力、效率和可解释的人工智能提出了巨大的需求。即使是在定量分析师(约为。我们仍然严重缺乏将数据转化为有意义的决策信息的能力。因此，自然语言处理不仅允许人类通过量化的镜头与数据进行交互，还允许我们与一些人类最熟练的技能进行交互:口头和书面语言。
自然语言处理（Natural language processing，NLP）是指将语音和文本数据以及其他类型的金融数据合并到智能系统开发中的一类广泛的计算技术。MathWorks NLP系统目前正在全球多家金融机构实施。这项工作正在使用我们的文本分析工具箱中内置的算法和可视化功能来完成™. 这些算法中的许多都是通过使用深度学习工具箱来补充的™ 统计和机器学习工具箱™.
使用NLP的金融应用程序：
- 用于为NLP系统准备数据的文本分析(实体建模，清理数据)
- 使用文本的波动率建模(GARCH, VARMA)和风险分析(市场和信贷)
- 情绪建模，为发现新的阿尔法机会和击败市场提供信息
- 投资组合变动归因的情绪指标
- 经济学研究指标发展使用状态空间模型，如卡尔曼滤波器
- 诉讼建模:为审计事务所使用复杂的法律语言
- 基金研究：对公司进行审计建模，以确定投资机会的优先顺序并标记风险
大师班2
文本分析和情感分析
晚上11:20-12:00。
自然语言处理（Natural language processing，NLP）是金融服务业中一个快速增长的兴趣领域，因为定量人士、风险经理和金融分析师都对从语音和文本数据中获取新的alpha和见解感兴趣。在本课程中，您将学习如何使用MATLAB®作为一个平台，它可以帮助使用文本分析中的常用技术，从预处理文本数据到使用机器学习对数据建模。本课程涉及的具体技术包括：
- 用于为NLP系统准备数据的文本分析(实体建模，清理数据)
- 自然语言处理:LSA、LDA和单词嵌入
- 情绪建模以发现新的阿尔法机会并击败市场
亚历克斯·林克, MathWorks
MATLAB软件开发
1:10-1:50点。
MATLAB®通常在金融服务中用作建模工具。对于任何工具，随着应用程序的规模和复杂性的增加，管理开发过程变得更具挑战性。
如果您想开发可重用且可靠的MATLAB代码，与大型团队合作，和/或围绕模型构建用户界面，以向业务用户展示这些模型，您应该参加本次会议。
亮点:
- 使用源代码控制和MATLAB项目构建大型项目
- 错误处理和准备生产代码
- 单元测试和行为驱动开发
- 仪表板开发以共享模型
悉尼圣达酒店, MathWorks
Python与MATLAB的集成
2:50-4:10点。
只依赖Python的金融工程师®当涉及到C/CUDA代码生成、构建交互式仪表板、并行化应用程序、信号和图像处理、计算机视觉、投资组合/风险管理和深度学习时，可能会发现自己遇到挑战性任务。相反，MATLAB®是一个全栈高级分析平台，使领域专家能够快速原型化想法、验证模型，并轻松地将应用程序推向生产。
然而，有时将MATLAB和Python集成在不同it系统或web之间的开源库和管道数据之上是有利的。
在这一节中，我们将演示MATLAB和Python可以集成的许多方法，以让商业用户和决策者立即访问MATLAB的许多内置分析功能。
亮点包括:
- 直接从MATLAB调用Python库
- 利用MATLAB快速构建交易策略的机器学习模型
- 从Python调用实时MATLAB会话
- 将MATLAB分析打包为免版税的.py库
- 通过MATLAB生产服务器™缩放混合MATLAB/Python应用程序
伊恩·麦肯纳, MathWorks
