诉讼

大卫•富MathWorks

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^®使用生产应用程序进行响应。深度学习和NLP在投资、风险模型治理和ESG的例子将被讨论。

David Lin, JP摩根资产管理公司

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将重点讨论AI和ML技术的应用，帮助JPMAM客户提高运营效率和投资洞察力。本讨论将以一个简短的实时演示为特色，展示所部署的技术。

陶德·布里奇斯，道富环球顾问

财务资料的可获得性、一致的报告和可比较的ESG数据是整个资本市场投资者面临的最大挑战之一。这就是道富环球投资管理(State Street Global Advisors)建立R-Factor评分模型的原因。该模型利用多个数据源，并将它们与被广泛接受的透明重要性框架结合，为5500家全球公司生成一个独特的ESG评分。它们借鉴了可持续性会计标准委员会(SASB)的重要性框架和国家/投资者创建的公司治理框架。R-Factor的建立是为了解决市场上的数据质量挑战，并消除评分过程中围绕ESG重要性的不透明性。这是唯一一个得到资产管理公司强有力管理承诺支持的分数，旨在让企业掌握主动权，帮助创建可持续的市场。

peter Kolm，纽约大学

在这次谈话中，我们将讨论如何在实际情况下最优对冲期权的问题，在这种情况下，交易决策是离散的，交易成本可能是非线性的，而且很难建模。

基于强化学习(RL)，一种成熟的机器学习技术，我们提出了一个模型，灵活，准确，非常有前景的现实应用。RL方法的一个关键优点是它不对交易成本的形式作任何假设。RL学习受交易成本函数所提供的最小方差套期保值。它所需要的只是一个能够准确模拟交易成本和期权价格的模拟器。

这是和戈登·里特的合作。

发表论文:https://jfds.pm-research.com/content/1/1/159

陈恒，汇丰银行和西北大学

神经网络(NN)模型为改进综合资本分析与评价(CCAR)中的信用损失预测和压力测试提供了机会，利用arima型模型可以将其作为宏观经济变量的函数进行估计。如需参考，请参考:大型银行控股公司的资本规划:监管预期和当前最佳实践范围，2013．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:

1. 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。
2. 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。
3. 本研究还发现，神经网络模型容易出现过拟合。压力测试对网络架构师的设计非常敏感。

Stephanie Wang, Morgan Stanley Wealth Management

财富管理是金融机构为高净值客户提供金融和投资咨询服务的一项重要职能。成千上万的客户有独特的财务需求，需要一个强大的分析平台来执行任务，如资产配置、经理选择和自定义报告生成。从数据预处理到财务建模再到报表生成，在整个过程中使用MATLAB进行多胎面计算。因此，在复杂的非线性约束下，可以及时生成稳定的客户推荐。

亚西尔·埃尔·哈姆米和特拉维斯·惠特莫尔，道富环球市场

与许多其他市场一样，证券借贷市场的数字化和电子化程度也有了显著的提高。这增加了市场的复杂性，需要更系统化的决策。因此，美国证券金融公司和道富银行利用量化技术来构建智能定价算法和量化模型，以捕捉市场价格压力。在这次演讲中，我们将讨论我们的定量建模方法，我们构建的解决方案的例子和它们的应用。金宝搏官方网站

亚历克斯链接,MathWorks

自然语言处理(NLP)是金融服务行业中一个快速发展的兴趣领域，定量分析师、风险经理和金融分析师都对从语音和文本数据中提取新的alpha和见解感兴趣。在这节课中，你将学习MATLAB^®作为一个平台，帮助文本分析中使用的常见技术，从预处理文本数据到使用机器学习对数据建模。本会议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
• 情绪模型发现新的阿尔法机会，并击败市场

Efraim Berkovich，宾夕法尼亚大学

宾夕法尼亚大学沃顿商学院预算模型(PWBM)是美国经济的综合模型。它由多个部分组成: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、前瞻性的行动者的最优决策，并发现对价格的总体影响，使行动者的行为和价格处于均衡状态。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力模型。PWBM使用MATLAB中建立的动态模型，来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。

本·斯坦纳，法国巴黎银行资产管理公司

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是否未按预期执行
• 你能模拟一个不断变化的市场吗?当DL应该(和应该)使用

QuantUniversity斯•克里希纳穆尔蒂

构建和部署NLP应用程序涉及多个步骤，包括数据获取、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。

保罗•皮MathWorks

看到MATLAB^®用于驱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Live Editor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、验证和文档化活动的一致性

马歇尔阿方索MathWorks

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门领域是模型验证和压力测试。随着Twitter的冲击增加了我们市场的波动性，更新的公司正在使用新的风险管理系统，利用Twitter预测波动性。通过演示，我们将探索人工智能的最先进技术，以产生更多的洞见，了解如何在这个假新闻和波动的时代最好地管理投资组合。

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

Gary Kazantsev，彭博量化技术主管和Marshall Alphonso, MathWorks

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(NLP)是指将语音和文本数据以及其他类型的金融数据整合到智能系统开发中的广泛计算技术。MathWorks NLP系统目前正在世界各地的各种金融机构中实施。这项工作是通过我们的文本分析工具箱™内置的算法和可视化功能完成的。这些算法中的许多都通过使用深度学习工具箱™和统计学和机器学习工具箱™进行补充。

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)
• 情绪模型告知发现新的阿尔法机会和击败市场
• 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:对公司进行建模审计，以优先考虑投资机会和标记风险

哈斯。桑达尔,MathWorks

MATLAB^®在金融服务中经常被用作建模工具。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加具有挑战性。

如果您希望开发可重用和可靠的MATLAB代码，与大型团队协作，以及/或围绕您的模型构建用户界面，将其呈现给业务用户，您应该参加这个会议。

亮点:

• 用源代码控制和MATLAB项目构建大型项目
• 错误处理和为生产准备代码
• 单元测试和行为驱动开发
• 仪表板开发以共享模型

伊恩·麦肯纳MathWorks

只依赖Python的金融工程师^®可能会发现自己在C/CUDA代码生成、构建交互式仪表板、并行应用、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等方面遇到了挑战。相反,MATLAB^®是一个全栈的高级分析平台，使领域专家能够快速原型想法，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

陶德·布里奇斯，道富环球顾问

财务资料的可获得性、一致的报告和可比较的ESG数据是整个资本市场投资者面临的最大挑战之一。这就是道富环球投资管理(State Street Global Advisors)建立R-Factor评分模型的原因。该模型利用多个数据源，并将它们与被广泛接受的透明重要性框架结合，为5500家全球公司生成一个独特的ESG评分。它们借鉴了可持续性会计标准委员会(SASB)的重要性框架和国家/投资者创建的公司治理框架。R-Factor的建立是为了解决市场上的数据质量挑战，并消除评分过程中围绕ESG重要性的不透明性。这是唯一一个得到资产管理公司强有力管理承诺支持的分数，旨在让企业掌握主动权，帮助创建可持续的市场。

David Lin, JP摩根资产管理公司

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将重点讨论AI和ML技术的应用，帮助JPMAM客户提高运营效率和投资洞察力。本讨论将以一个简短的实时演示为特色，展示所部署的技术。