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,高度多维,并部署到软件系统中。工程模型通常利用较少的、高度耦合的输入,通常嵌入到物理和电子硬件中。
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
在这次演讲中,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开发文化而演变的。他还评估了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。
记录日期:2017年10月4日
嗨,我来自金融。
很高兴见到你。我能说什么呢?我没有机器人。我没有自动驾驶汽车。哇,人。一些很酷的东西。那真是太棒了。我要做的是试着给你们一点娱乐关于金融建模的意义。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,我们如何确保我们在做正确的决定。
关于汇丰银行的一点小贴士哇。我可以在下面看。我们分布在全世界67个国家。我们拥有约3800万客户。我还能告诉你什么小事实?我们讲144种语言。我个人不知道。所以我们是一家非常大的金融机构。你可能在英国听说过汇丰银行。但实际上,如果你想一想,无论何时你下飞机,你都会看到那些汇丰银行的标志。我们在世界上很多国家。所以我们在英国以外的地区非常非常大。
我们分为四类。RBWM是我们的零售银行。这就是你可能在大街上看到的东西,你可能知道、喜欢或讨厌的东西。不知道。CMB是我们的企业银行,我们借钱给MathWorks这样的公司。我们最近借过钱吗?我不知道。GB&M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一样,所有人都在大喊大叫,看着屏幕,看着东西上下波动。他们这样做,实际上,是故意的,为了大喊大叫。 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.
让我稍微解释一下,试着解释一下。所以你可能会从你自己的角度来理解金融,基本上是你自己的金融生命周期。这就是你。当你还是个孩子的时候,你就开始和金融打交道了。然后你自己结婚生子。你需要买一栋房子。你基本上开始考虑退休,储蓄,诸如此类的事情。这是一个人正常的生命周期。同样的情况也适用于一个公司。
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。这就是我们的公司银行所做的,参与其中,帮助这些公司的生命周期。因此,我们在整个生命周期中提供服务,包括开办新业务、筹集初始资金、开始运营、优化it、扩张等等。这就是金融服务的基本运作方式。现在我要跳过这个。我喜欢跳绳。分析是如何参与到这一切中的?嗯,一点背景知识。
我们有大约60万、700人——650人,我们在世界各地的汇丰银行从事分析工作。我们所做的是,我们努力寻找并建立模型来预测我们的客户和企业的现金流和资金会发生什么。我们做预测建模。因此,您可能已经在右侧看到了关于基于模型的设计的v形模型。我相信你一定在图表的某个地方,在你的某个工程领域看到过。
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中,然后在生命周期中反馈到下一代模型的创建,等等。这是一个连续的循环,很像右边的v形。
我们在建立什么样的模型?很多人试图预测如果。这里有个例子,我们把所有的交易账户,我们在世界各地的头寸。我们要做的就是模拟70年后的未来,看看所有可能发生的结果。很多令人震惊的事件,比如黑天鹅事件,所有这些你可能都听说过。然后试图预测会发生什么,通过大量的计算和大量的数据。
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生产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。你们会看到,我们在这里构建了一个叫做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。因此,MDE是我们实际进行建模的开发环境。该模型还包括用于创建模型和文档的所有数据。然后,我们将该模型运行到一个可执行区域。因此,生命周期的所有阶段都使用MATLAB工具箱。
这是一个可爱的屏幕,上面有一些图表。这不是很好吗?乔希,有人告诉我,我应该一直展示一张图表。对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。因此,我们正在做的是使用MATLAB工具,与我们的数据交互,然后在上面添加我们自己的元素,使我们能够为许多金融模型建立一个标准的开发环境,然后将它们存储在同一个地方,然后将这些模型用于多种用途。
因此,它的生产端,MEE,正在生产中运行这些。然后我们为人们构建API来调用这些模型并实际使用它们。我们之所以这样做,是因为我们试图减少生产系统中由单独的技术部门对模型进行重新编码的数量。所以我们要做的是,让我们的模型开发无缝地流到一个可以被我们的生产系统使用的环境中。因此,如果你想到创建伪代码的范例,然后将其交给技术部门,然后由技术部门重写并在生产系统中实际实现,我们正试图摆脱这一步骤。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。我相信这一定在什么地方引起了人们的注意。
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,因为有一些小人物头着火到处乱跑。我很喜欢这个图标。所以我们现在非常站在这张幻灯片的左侧,试图进入这张幻灯片的右侧。我们最大的问题是我们的数据,我们在许多不同的地理位置、许多不同的地点拥有大量数据,试图将所有数据集中到一个地方,然后以一致的方式清理数据,以便用于我们的建模环境。因此,我们最大的问题是尝试实际构建一个环境,在这个环境中,我们可以拥有一致的数据,然后在建模方面针对数据运行标准工具。
所以,让我来告诉你们,我们正朝着云的方向前进。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。你想想10、20、30年前我们在哪里。如果你想一想机器学习,数学并没有真正改变那么多。这不像是有人发明了机器学习。事实上,我想大约是在70年代。那么,究竟发生了什么变化?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。
所以在此之前,实际运行一个深度学习或机器学习过程,成本会非常高。你就是不愿意这么做。突然间,云技术的出现使您能够真正开始使用这些更新的预测技术。他们不是什么新鲜事。只是你能做到。有了这些,你就会突然对接下来要做的事情有了全新的想法,我马上就会讲到。但是什么是云呢?什么是突然之间的灵丹妙药。一个主要的云突然就出现了,然后就有了便宜的cpu ?
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。
然后来了一个人,我想是爱迪生,大约1884年5月6日。他发明了一种叫做发电站的东西。突然之间,将单个锅炉连接到工厂实际上已经没有意义了。我们为什么不都从电网里取电呢?如今,如果你想在工厂旁边建造自己的锅炉,你会被认为是疯了。你会想从电网获得电力。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大。同样的情况也发生在计算领域。
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。
现在突然间,你有了CPU能力。你有记忆。你有足够的磁盘空间用机器学习和深度学习来做正确的预测分析项目。突然之间,所有这些项目开始有意义了。而在此之前,价格实在是太高了。你永远不会开始。你看了一眼就说,天哪,这要花我们一百万英镑。我们需要1000个cpu。没有人会在闲置的时候使用它们。现在,云突然出现了。 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?我正在尝试做预测分析。我试图预测未来,这当然是不可能的。所以我做了大量的统计,试图弄清楚市场会走向何方,公司会发生什么。但我也想使用更好的技术。我想用机器学习。我想用深度学习。我想引入越来越多的数据,不仅仅是我自己的数据,还有外部数据,以便更好地进行预测分析。突然,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。
因此,我们打算将云技术应用于汇丰银行。我们将减少自己的数据中心占地面积。我们将开始使用一些新的基于云的产品。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。它们都提供不同的服务和技术。但在一天结束的时候,你必须把它看作是一个发电站。突然之间,你就要把自己挂上电网了。以前,您拥有自己的数据中心。
为什么我现在要对你们做这个演讲?因为这是分析领域发生的最大变革。现在,突然之间,通过这样做,它将允许你做建模技术,你以前从来没有做过。突然之间,它就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,那么,你知道,标准工具就会出现——一点点Python,一点点[?或,?]位的MATLAB。你好,MATLAB。但它将为你打开一扇门,让你能够做一个比现在更大的分析集。这就是我对未来的看法。这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.
你也可以从以下列表中选择一个网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家/地区网站未针对您所在地的访问进行优化。