雷O ' brien,汇丰银行
乍一看,财务风险管理似乎与基于工程模型的设计没有什么共同之处。财务风险管理以数据为中心,高度维度,并部署到软件系统中。工程模型通常使用较少的、高度耦合的输入,通常嵌入在物理和电子硬件中。
在这两种情况下,经过验证、验证的适用模型是关键,在极端情况下延长产品生命周期,尽管跨越不同的时间范围。良好的流程可以降低风险,如昂贵的交易错误或财务上的合规性收费,而高完整性要求长期主导着工程。适合用途的模型还可以增加功能并推动进程,使汽车、设备或飞机具有更多差异化的功能,并促进新的投资、贷款和创造流动性的产品。s manbetx 845
在本次演讲中,Ray讨论了金融风险技术堆栈是如何随着监管和地缘政治变化、更大的数据集、新的建模技术和快速变化的发展文化而演变的。他还评估了良好模型开发和实施的关键重要性,以及他从其他行业基于模型的设计中获得的见解。
记录日期:2017年10月4日
嗨,我来自金融。
很高兴认识你。我能说什么?我没有任何机器人。我没有这些自动驾驶汽车。哇,伙计。一些很酷的东西。那真是太棒了。我要做的是,我试着用一点关于建模在金融中的意义来娱乐你们。我们在金融领域进行基于模型的设计,因为我们必须实际尝试并预测未来的可能性。这一切都是关于我们如何管理我们的资金,我们如何真正努力确保我们做了正确的决定。
所以关于汇丰魔兽人的小斯皮尔。我可以在那里读下来。我们在全球67个国家。我们拥有大约3800万客户。我可以给你什么其他的小事吗?我们说144种语言。我个人没有。所以我们是一个非常大的金融机构。您可以在英国听到汇丰银行。但实际上,如果你想到它,每当你下飞机时,你会看到那些汇丰标志。 We're in an awful lot of countries around the world. So we're very, very large outside of the UK.
我们分为四类区域。RBWM,那是我们的零售银行。这就是你可能在大街上看到的,你可能知道的,爱或恨的。不知道。CMB,那是我们的公司银行,我们借钱给像MathWorks这样的公司。我们最近借钱给谁了?我不知道。GB&M,那是我们的投资银行。这就像你在电视上看到的所有交易大厅,所有这些人都在大喊大叫,看着屏幕,看着事情上下波动。他们这样做,实际上,是故意的,你知道的。通常,当摄像机不在那里时,它们根本就不会发生什么,真的。然后是我们的私人银行,为全世界所有需要这种个人服务的非常富有的孩子提供服务。
所以,让我在批发时解释一下,并试着解释一下。因此,你们可以从你们自己的角度来理解金融,基本上,你们自己的金融生命周期。原来你在这里。当你还是个孩子的时候,你就开始与金融部门打交道,比如你可能会得到一个账户。然后你基本上,你知道,自己结婚生子。你需要买房子。你基本上开始考虑退休,储蓄,诸如此类的事情。这是一个人的正常生命周期。对于一家公司,也可以绘制相同的曲线。
一个公司开始。它是小的。它在做国内市场。然后它渴望走向国际,于是它走向区域。然后它开始在世界范围内国际化。我举个例子。有人知道伊莱芝士蛋糕吗?观众中有美国人吗?伊莱芝士蛋糕店做的芝士蛋糕真的很好吃。1940年在芝加哥开始。 There they are back there. And as you can see, they started their life cycle in terms of getting bigger and bigger in Chicago. You see they built a bakery. They went into retail. Then they started going international in the early ’90s. They needed to raise more money to do that. It took them 66 years to actually invent the Skinny Eli, which is pretty unfortunate. You know, it would be nice to have the diet one before that. And then eventually, they got all the way to serving Eli's Cheesecake to Obama in the White House. What more could you ask? Beautiful life cycle of a company.
这些生活方式的每个阶段都需要资金。这就是我们的企业银行所做的,参与其中,帮助这些公司的生命周期。所以我们在整个生命周期都提供服务比如创办新企业,筹集初始资金,开始运营,优化,扩张等等。这基本上就是金融服务的运作方式。现在我要跳过这个。我喜欢跳绳。分析学是如何参与其中的呢?好吧,先讲一点背景知识。
我们大约有600到700人,650人,我们在汇丰全球范围内进行分析。我们所做的就是试着观察并建立模型来预测我们的客户和业务的现金流和资金将会发生什么。我们做预测建模。你们可能已经在右边看到了,关于基于模型的设计的v型模型。我相信你们一定在图表的某个地方见过,在你们的工程领域的某个地方。
左边是我们在金融领域实际构建模型的方式。它们实际上非常非常相似。只是我们做了一个圆圈,你们做一个v。但你们可以看到,我们做的是从定义我们要做的开始,进入模型开发、实施、验证、审查模型、批准、实施n、 然后在生产中持续验证模型,然后在生命周期中反馈到下一代模型的创建中,等等。所以这是一种连续循环,非常类似于右侧的v形。
我们正在建立什么样的模型?他们中的很多人都在试图预测如果发生这种情况会发生什么。这是一个例子,我们把我们所有的交易记录,我们在世界各地的所有头寸。我们要做的是模拟70年后的未来,看看所有可能发生的结果。很多关于黑天鹅事件的震惊,所有那些你可能听说过的事情。然后通过大量的计算和大量的数据来预测会发生什么。
我们与MathWorks的旅程。我们面临的最大问题,我认为几乎每个人都面临着,就是数据。我们将大部分时间花在访问数据、操作数据,并将数据置于足够好的状态,以便用于建模。实际的模型构建本身实际上是生命周期中最短的部分。这是需要花费最长时间的数据操作——让它进入一个干净的状态,让它进入一个可以用于建模的状态。我想很多人会发现我们的共同点。
因此,我们使用Matlab所做的第一件事是看模型的生命周期,看看它们如何帮助我们访问,探索数据,处理它,构建和验证模型,然后将这些模型部署到生产 - 所有四个步骤生命周期。我们开始使用许多标准工具,我们建立了自己的工具箱。所以你会在那里看到我们建立了一个叫做MDE的东西,这是我们构建模型的工具箱。然后我们构建一个名为Mee的执行环境,用于使用MATLAB实际运行这些模型。因此,MDE是我们实际进行建模的开发环境。该模型还包括要执行模型和文档的所有数据。然后,我们将该模型运行到可执行的区域中。因此,使用MATLAB工具箱的生命周期的所有阶段。
这里有一个漂亮的屏幕,上面有一些图表。这不是很好吗?有人告诉我,我应该用图表,乔什。是的。所以这里我们得到了一个很好的数据分析,我想,看看这些数据的一些因子值以及你可以用这些数据做什么预测。这就是我们的建模开发环境。所以我们要做的是我们使用MATLAB工具,与我们的数据交互,然后添加我们自己的元素最重要的是让我们建立一个标准的开发环境,很多金融模型,然后将它们存储在同一个地方,然后使用这些模型有多种用途。
所以它的生产方,即MEE,在生产中运行这些。然后我们建立api让人们调用这些模型并实际使用它们。我们这样做的原因是我们试图减少在我们的生产系统中通过一个独立的技术部门对模型的重新编码。所以我们想要做的是有一个无缝的流程,从我们的模型开发到一个可以被我们的生产系统使用的环境。所以,如果你想到创建伪代码的模式,然后把它交给技术部门,然后他们重写它,并在生产系统中实际执行它,我们试图摆脱这个步骤。我们试图直接进入一个模型一个可以在生产中运行的模型。我想这一定让你想起什么了。
下面是我们的执行环境的一个示例。打开一些前端屏幕,一些基于web的前端屏幕,突然之间,你就可以运行这些模型了。然后您就可以进行适当的API调用。你可以把它们粘合到你的生产系统和你每天所做的处理器中。在这种情况下,我们对客户进行信用分析,看看他们的违约可能性在他们的违约评级中是怎样的。
现在我喜欢这张幻灯片,因为里面有一群脑袋着火的小人物跑来跑去。我很喜欢那个图标。所以我们现在在这张幻灯片的左边,试着看右边。我们最大的问题是我们的数据,我们有很多数据跨越许多不同的地理位置,跨越许多不同的地点,试图把所有的数据放到一个地方,然后以一致的方式清理它,它可以用于我们的建模环境。所以我们最大的问题是试图建立一个环境,在那里我们可以有一致的数据,然后在建模方面运行标准工具。
所以让我和你谈论我们走向云的地方。我们总是喜欢云。如果你想到云以及世界发生的事情,如果你考虑预测的分析,你会考虑机器学习。你想到了我们在30年前的10岁地方,30年前。如果您认为机器学习,数学并没有真正改变。这不像有人出去并发明了机器学习。我认为,在70年代,它实际上是周围的。那么实际改变了什么?实际改变的是,突然之间,你能在运行这些东西的价格点合理的环境中跑这些东西。
因此,在以前,实际运行深度学习或机器学习过程的地方,成本将是如此高昂。你就是不会这么做。突然,云技术出现了,使您能够真正开始使用这些新的预测技术。它们不是新的。只是你能做到。有了这些,你就可以突然想到你下一步想做什么的全新想法,我马上就要谈这个。但云是什么?突然之间,这个大灵丹妙药是什么。一个大的云突然出现在头顶上,突然,廉价的CPU出现了?
我能给你们提供的最好的类比是如果你回想1880年或更早的时候,无论何时你要建造一个工厂,你都会建造一个锅炉。锅炉就在你的工厂旁边,为工厂发电。这就是你经营工厂的方式,这很好。每个人都这么做。但问题是,当工厂在周末或其他时候停工时,锅炉就不得不停工。这实际上是低效的。如果你生产了太多的电力,你就找不到其他地方发电了。这一切都是一对一的,从锅炉到工厂。但每个人都这么做了。
然后来一个人,我认为它是爱迪生,大约在1884年或5或6或6。他发明了一件名为电站的东西。突然间,拥有附着在工厂的各个锅炉都没有意义。为什么我们都不从网格中抽取电力?如今,思考在工厂旁边建造自己的锅炉,你会像疯了一样想到。您想要从网格中获取电源。如果你真的想保守,也许你会从两个网格中得到它。除非你非常非常非常非常非常非常非常非常非常非常非常非常大,否则你不会建造自己的电站。在计算中发生了同样的事情。
所以汇丰银行,像许多其他公司一样,拥有巨大的数据中心,里面有我们多年来建造的大量硬件和设备。我们都为这些大数据中心感到自豪,这些数据中心有我们自己的电脑和其他东西在运行,但种类很多。但实际上,云就是发电站。突然之间,范式的转变是你不再需要自己的锅炉和自己的数据中心,你可以开始使用云。云计算的价格点比你实际拥有的内部产品便宜一个数量级。
现在突然,你有了CPU的能力。你有记忆力。您有足够的磁盘空间来实际使用机器学习和深度学习进行适当的预测性分析项目。突然之间,所有这些项目都开始有意义了。以前,价格点太高了。你永远不会开始。你只要看一眼就走,天哪,这会花掉我们一百万英镑。我们需要1000个CPU就在那里。当它们闲置时,没有其他人会使用它们。现在突然,云彩出现了。这就是过去几年突然发生的事情,什么?五年。这就是为什么你会看到机器学习的巨大繁荣。我们也接受这一点。
因为我想做什么?我正在努力做预测的分析。我正在努力预测未来,当然是不可能的。所以我做了很多统计,试图弄清楚市场将会去哪里,公司会发生什么。但我也想使用更好的技术。我想使用机器学习。我想使用深度学习。我想带来越来越多的数据 - 不仅仅是我自己的数据,而是外部数据实际上做了更好的预测分析。突然间,我可以开始使用社交媒体数据。我可以开始使用Internet数据来帮助我实际上弄清楚了将来与公司一起发生的事情,以及今天。 And that's where you need the power of the cloud.
所以我们将采用云到汇丰银行。我们将减少自己的数据中心足迹。我们将开始使用这些基于云的一些产品。你知道,很大的,像谷歌或亚马逊或微软一样 - 你将有你的偏好,但他们三个真正最大的那些。他们都提供不同的服务和技术。但在一天结束时,你必须看看这一点 - 它是一个电力站。突然间,你会把自己挂钩到网格上。在之前,您有自己的数据中心。
为什么我现在要对你们做这个演讲?这是因为这是分析领域正在发生的最大革命。现在,突然之间,通过这样做,它将允许您使用以前从未使用过的建模技术。突然之间,它会为你们打开一扇大门,让你们知道你们能做什么。一旦你进入云端,那么,你知道,标准工具就会有一点Python,一点MATLAB。你好,MATLAB。但这将为你打开一扇大门,让你可以做比现在更大的分析。这就是我对未来的展望。这就是我们要去的地方。这就是为什么我们要与MATLAB合作,让MATLAB在云上运行,使用所有不同的云服务,并确保我们今天在内部构建的东西在未来也能运行。我想我完了。非常非常感谢。
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。