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。财务风险管理是以数据为中心的、高度多维的,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,通常嵌入物理和电子硬件中。
在这两种情况下,验证的、经过验证的适用于特定目的的模型都是关键,它们在极端的场景中扩展了产品的生命周期,尽管跨越了不同的时间范围。良好的流程可以降低风险,比如昂贵的交易错误或财务方面的遵从性费用,而高完整性要求长期以来一直是工程的主要内容。适用于特定用途的模型还可以增加功能和推动进展,使汽车、设备或飞机具有更多的差异化功能,并为新的投资、贷款和流动性创造产品提供便利。s manbetx 845
在这次演讲中,Ray讨论了金融风险技术是如何随着监管和地缘政治的变化、更大的数据集、新的建模技术和快速变化的发展文化而发展的。他还评估了良好的模型开发和实现的关键重要性,以及他从其他行业的基于模型的设计中获得了什么见解。
你好,我是财务部的。
很高兴认识你。我能说什么呢?我没有任何机器人。我没有自动驾驶汽车。哇,人。一些很酷的东西。那真是太棒了。我要做的是试着用一点关于建模在金融中的意义来娱乐你们。我们在金融领域做基于模型的设计,因为我们必须尝试并预测未来的可能性。这都是关于我们如何管理我们的钱,我们如何确保我们做的是正确的决定。
所以有点关于汇丰的间谍哇。我可以在下面读到。我们在全世界67个国家。我们有大约3800万客户。我还能告诉你什么?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。你可能听说过英国的汇丰银行。但实际上,如果你仔细想想,无论何时下飞机,你都会看到汇丰银行的招牌。我们在世界上很多国家。所以我们在英国以外的地方很大。
我们分为四类区域。RBWM是我们的零售银行。这可能是你在大街上看到的,也可能是你知道的,喜欢或讨厌的。不知道。招商银行是我们的企业银行,我们把钱借给像MathWorks这样的公司。我们最近有借过钱吗?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,所有人都在那里大喊大叫,看着屏幕,看着东西起起伏伏。他们这样做,实际上是故意的,你知道,是为了喊叫。 Normally, when the cameras aren't there, they're just quite—not much happening at all, really. And then our private bank for all those very rich kids around the world who need that personal service.
让我来解释一下这个问题然后试着解释一下。所以你可以从你自己的角度来理解金融,基本上,你自己的金融生命周期。这就是你。当你还是个孩子的时候,你开始和金融打交道,你可能会得到一个账户。然后,你基本上,你知道,结婚,自己有一个孩子。你需要买一栋房子。你基本上开始考虑退休,储蓄,所有这些事情。这是一个人正常的生命周期。对于一个公司来说也是如此。
一个公司开始。它是小的。它做的是国内市场。然后它有走向国际的抱负,所以它走向地区。然后它开始走向世界各地。我来举个例子。有人知道伊莱的奶酪蛋糕吗?观众中有美国人吗?伊莱芝士蛋糕做的芝士蛋糕真的很好吃。所以他们从1940年开始在芝加哥。 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,需要融资。这就是我们的企业银行呢,是涉足,帮助这些企业的生命周期。因此,我们在开始一个新的业务,提高初始资金,在开始你的业务,它的优化,扩容,等等方面提供服务,一路走过生命周期。这基本上是如何的金融服务工作。现在,我要跳过此。我喜欢跳绳。如何分析涉足这一切?好了,背景的一点点。
我们有大约600,700人,650人,还有我们去,在分析汇丰世界各地。而我们做的是我们尝试着寻找和建立模型来预测什么会发生现金为我们的客户和我们的业务流和资金。而我们做的预测模型。所以,你可能已经看到在右边,大约基于模型的设计V形模型。我敢肯定,你一定已经看到图中的某个地方,某个地方在工程领域之一。
左边是我们如何建立金融模型。它们实际上非常非常相似。只是我们做一个圆,你们做一个诉但你可以看到,我们要做的就是开始的定义我们想要做什么,进入一个模型开发、实施、验证、评审模型,批准,实施之后,然后连续模型的验证在生产,然后反馈在生命周期回下一代模型的创建,等等。所以这是一种连续的循环,非常类似于右边的v形。
我们要建立什么样的模型?他们中的很多人都在试图预测未来会发生什么。这是一个例子,我们把所有的交易记录,我们在世界各地的所有头寸。我们要做的是模拟未来70年,看看所有可能发生的结果。关于黑天鹅事件,你可能听说过很多令人震惊的事情。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的问题是数据。我们花费了大量的时间来访问数据,操作数据,并将数据置于一个足够好的状态,以便我们进行建模。实际的模型构建本身实际上是生命周期中最短的部分。这是实际花费最长时间的数据操作——使它进入一个干净的状态,使它进入一个可以用于建模的状态。我想很多人会发现这与我们所拥有的东西是一样的。
因此,我们使用MATLAB做的第一件事是查看模型的生命周期,看看它们如何帮助我们访问、探索数据、处理数据、构建和验证模型,然后将这些模型部署到产品中生命周期的所有四个步骤。我们开始使用一些标准工具,并建立了自己的工具箱。你会看到我们在那里建立了一个称为MDE的东西,它是我们构建模型的工具箱。然后我们构建了一个执行环境,称为MEE,用于使用MATLAB实际运行这些模型。所以MDE是我们实际进行建模的开发环境。该模型还包括做模型和文档的所有数据。然后我们将模型运行到一个可执行的区域。所以生命周期的所有阶段都使用了MATLAB工具箱。
这里是一个可爱的画面,上面有一些图表。是不是很漂亮吧?有人告诉我,我总是应该显示的图形,乔什。是。所以在这里我们得到的是在看,我觉得一个很好的数据分析,一些种类和数据的因子值,你可以用一些数据做预测的事情。这就是我们的模型开发环境。所以我们正在做的是我们使用MATLAB的工具,我们的数据交互,然后加入我们自己最重要的是元素,让我们建立一个标准的开发环境,很多这些金融模型,然后存储然后他们都在同一个地方,并使用这些模型用于多种用途。
因此,它的生产方面,MEE,在生产中运行这些。然后我们构建的API为人们所称这些模型和实际使用它们。为什么我们做,这是我们正在努力减少我们的生产系统实际上是由一个独立的技术部门重新编码的车型的量。所以,我们现在要做的就是从我们的模型开发的无缝流入,可以通过,实际上,我们的生产系统中使用的环境。所以,如果你想创建伪范式,然后移交,超过的技术部门谁再重写它,实际上实现它在生产系统中,我们试图摆脱那一步。我们正在努力实际上直接进入模型的东西,可以在生产中实际运行。我敢肯定,必须按门铃的地方。
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的浏览器前端屏幕,突然之间,你就可以运行这些模型了。然后可以进行适当的API调用。你可以把它们粘到你的生产系统和你每天工作的处理器上。在这种情况下,我们正在对客户进行信用分析,看看他们的违约率可能是多少。
现在,我喜欢这张幻灯片,因为几乎没有人与他们的火头上跑来跑去。我不喜欢那个图标。所以,我们非常在眼下这个幻灯片的左侧,试图让这个幻灯片的右侧。而我们最大的问题是我们的数据,在这里我们有很多在许多,许多不同地域的数据,在许多不同的地点,试图把它所有到一个地方,然后以一致的方式清理的地方,可以使用我们的建模环境。因此,我们最大的问题是试图真正建立一种环境,让我们可以在造型方面一致的数据,然后运行标准工具反对。
所以让我和你谈谈我们向云端移动的方向。我们总是喜欢云。如果你想到云和世界上正在发生的事情,如果你想到预测分析,你想到机器学习。想想10年,20年,30年前我们在哪里。如果你想想机器学习,数学其实并没有那么大的改变。这不像是有人出去发明了机器学习。事实上,我想,是在70年代左右。那么到底发生了什么变化呢?实际上改变的是,突然之间,你可以在一个运行这些东西的价格合理的环境中运行这些东西。
所以在以前,实际运行深度学习或机器学习的过程中,成本会非常高昂。你不会这么做的。突然间,有了云计算,你就可以开始使用这些新的预测技术了。他们不是什么新鲜事。只是你能做到。有了它,你可以突然想出一个全新的想法关于你下一步想做什么,我马上就会讲到。但是云是什么呢?这是什么灵丹妙药。一个主要的云就在头顶上,突然之间,就有了廉价的cpu ?
我能给你的最好的类比是,如果你回想1880年以前,每当你建造一个工厂,你就会建造一个锅炉。锅炉就在工厂旁边,为工厂发电。这就是你运营工厂的方式,这很好。每个人都这么做。但问题是,当工厂周末停工的时候,锅炉就必须停工。它实际上是低效的。如果你实际上生产了太多的电力,没有其他地方你可以得到电力。它们都是一对一的,从锅炉到工厂。但每个人都这么做了。
后来来了一个人,我想是爱迪生,大约1884或5或6岁。他发明了一种叫做发电站的东西。突然之间,把独立的锅炉连在工厂里已经没有意义了。为什么我们不从电网中吸取能量呢?现在,想在工厂旁边建一个自己的锅炉,你会觉得有点疯狂。你想从电网获得电力。如果你真的想保守一点,也许你可以从两个网格中得到。你不会建造自己的发电站,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非常非常非常非常非常非常非常非常。在计算领域也是如此。
因此,汇丰银行和许多其他公司一样,拥有巨大的数据中心,里面有大量的硬件和设备,这些都是我们多年来建造的。我们都为这些大数据中心感到骄傲,它们有我们自己的电脑和运行在那里的东西,但是有很多不同的类型。但实际上,云就是发电站。突然之间,你不再需要有自己的锅炉和数据中心,你可以开始使用这个云。云计算的价格要比你自己的便宜一个数量级。
现在突然之间,你有了CPU的能力。你有记忆。你有足够的磁盘空间来做正确的预测分析项目用机器学习和深度学习。突然之间,所有这些项目都变得有意义了。而以前,价格实在是太高了。你永远不会开始。你只要看一眼就走了,天哪,那要花掉我们一百万英镑呢。我们需要1000个cpu。没有人会在空闲的时候使用它们。突然间,云出现了。 That's what's all of a sudden happened over the last, what? Five years. And that's why you're seeing such a huge boom in machine learning. We're embracing that as well.
因为我想做什么?我在做预测分析。我试图预测未来,这当然是不可能的。所以我做了很多统计,试图弄清楚市场将走向何方,公司将发生什么。但我也想用更好的技术。我想用机器学习。我想用深入的学习。我想引入越来越多的数据,不仅仅是我自己的数据,而是外部数据,以便更好地进行预测分析。突然间,我可以开始使用社交媒体数据了。我可以开始使用互联网数据来帮助我真正弄清楚一家公司在未来以及今天会发生什么。这就是你需要云的力量的地方。
所以我们打算把云技术应用到汇丰银行。我们将减少自己的数据中心占地面积。我们将开始使用这些基于云的新产品。你知道,像谷歌、亚马逊或微软这样的大公司,你会有自己的偏好,但它们确实是三大公司。他们都提供不同的服务和技术。但归根结底,你必须把它看成是一个发电站。突然之间,你就要把自己挂在网格上了。以前,你有自己的数据中心。
为什么我现在要给你们做这个演讲?因为这是分析领域最大的革命。现在,突然之间,通过这样做,它将允许你做你以前从来没有做过的建模技术。突然之间,它会为你们打开一扇门,让你们知道自己能做什么。一旦你进入了云计算,那么,你知道,标准的工具就会出现——一点Python,一点[?或者,?)有点MATLAB。你好,MATLAB。但它将为你打开一扇门,让你做一个比现在更大的分析。这就是我对未来的展望。那就是我们要去的地方。 And that's why we're working with MATLAB to get MATLAB running on the cloud with all the different cloud services and make sure that what we've built internally today is going to work for the future as well. I think I'm done. Thank you very, very much.
记录:2017年10月4日