量化金融分析師AQFer表示數(shù)據(jù)是一種資產(chǎn)，是生產(chǎn)資料。為什么互聯(lián)網(wǎng)巨頭比如騰訊、阿里能夠在業(yè)界占據(jù)舉足輕重的地位，一部分原因就是它們積累了大量的數(shù)據(jù)，并把數(shù)據(jù)變成了資產(chǎn)，并實(shí)現(xiàn)了數(shù)據(jù)附加價(jià)值。

　　在生活中，我們無時(shí)無刻不在產(chǎn)生數(shù)據(jù)。一分鐘之內(nèi)，13000多個(gè)Iphone的應(yīng)用被下載，1.68億條Email被發(fā)出，600多個(gè)視頻被上傳到Y(jié)ouTube上......人類歷史上所有的數(shù)的90%都是過去兩年產(chǎn)生的。因?yàn)閿?shù)據(jù)的增速達(dá)到了每年40%。在這個(gè)數(shù)據(jù)大爆炸的時(shí)代，有一些機(jī)構(gòu)找到了自己定位，用數(shù)據(jù)實(shí)現(xiàn)了價(jià)值，產(chǎn)生了超值的生產(chǎn)力。

　　4個(gè)V定義大數(shù)據(jù)

　　大數(shù)據(jù)并不是簡單的用大小來定義，業(yè)界對(duì)大數(shù)據(jù)的定義是4個(gè)V：一是Volume(體量大);二是Velocity(增速快)，比如微信微信群數(shù)據(jù)是以幾何級(jí)數(shù)在增長;三是Variety(類型多)，身份證號(hào)碼，電話號(hào)碼是結(jié)構(gòu)化數(shù)據(jù)，并不屬于大數(shù)據(jù)，語音數(shù)據(jù)，圖像數(shù)據(jù)，文字?jǐn)?shù)據(jù)整合在一起，符合類型多的條件，屬于大數(shù)據(jù);四是Veracity(信息真實(shí))，數(shù)據(jù)要有意義，這個(gè)要根據(jù)現(xiàn)階段的條件來判斷，比如宇宙射線產(chǎn)生的數(shù)據(jù)點(diǎn)現(xiàn)階段對(duì)人類是沒有意義的，但在未來也許就變成有意義的了。這四個(gè)V加到一起就產(chǎn)生了第五個(gè)V(Value)，也就是有價(jià)值的數(shù)據(jù)。

　　關(guān)于大數(shù)據(jù)分析，有很多案例：

　　1.Google曾預(yù)測(cè)流感爆發(fā)，它利用大數(shù)據(jù)分析網(wǎng)上大量出現(xiàn)搜索感冒藥及如何治愈感冒的信息，從而準(zhǔn)確判斷出流感爆發(fā)的時(shí)間和地點(diǎn)。

　　2.一位大數(shù)據(jù)分析師對(duì)相撲運(yùn)動(dòng)的數(shù)據(jù)進(jìn)行分析發(fā)現(xiàn)相撲運(yùn)動(dòng)的確存在放水的現(xiàn)象。相撲運(yùn)動(dòng)員的晉級(jí)有個(gè)臨界點(diǎn)，勝了八場的指定能晉級(jí)，而負(fù)了七場的就面臨降級(jí)。有人懷疑已經(jīng)肯定晉級(jí)的選手可能放水給面臨保級(jí)壓力的選手。后來通過數(shù)據(jù)分析這兩種選手之間比賽的輸贏率，與標(biāo)桿輸贏率比較，發(fā)現(xiàn)顯著的統(tǒng)計(jì)差異，支持放水的猜想。

　　3.“尿片+啤酒”：全球零售業(yè)的巨頭沃爾瑪也通過大數(shù)據(jù)獲益，公司在對(duì)消費(fèi)者購物行為進(jìn)行分析時(shí)發(fā)現(xiàn)，男性顧客在購買嬰兒尿片時(shí)，常常會(huì)順便搭配幾瓶啤酒來犒勞自己、于是推出了將啤酒和尿布捆綁銷售的促銷手段。如今，這一“啤酒+尿布”的數(shù)據(jù)分析成果也成了大數(shù)據(jù)技術(shù)應(yīng)用的經(jīng)典案例。

　　4.電視劇《紙牌屋》的成功：美國影視光盤租賃公司(Netflex)基于大數(shù)據(jù)分析投資拍攝的這部電視劇。無論是劇情設(shè)置還是選擇演員、導(dǎo)演陣容，都以用戶租賃碟片的行為數(shù)據(jù)做支撐。該劇受到觀眾熱捧，NetFlex名利雙收。

　　金融機(jī)構(gòu)和大數(shù)據(jù)天然結(jié)緣，對(duì)大數(shù)據(jù)的使用遠(yuǎn)高其他行業(yè)。但真正被使用的數(shù)據(jù)只占很小的一部分。我曾到過一家大型銀行，發(fā)現(xiàn)這里真正利用大數(shù)據(jù)做量化分析、產(chǎn)生策略的分析師不超過20人。而我的老東家Capital One, 做數(shù)據(jù)分析的人員分為幾類，包括統(tǒng)計(jì)分析師、數(shù)據(jù)分析師、策略分析師，加在一起有3000人以上。所以中國的金融機(jī)構(gòu)在大數(shù)據(jù)使用上還有巨大的發(fā)展空間。

　　什么是“智慧金融”?

　　現(xiàn)在“智慧金融”的概念經(jīng)常被提到，什么是“智慧金融”?首先數(shù)據(jù)在機(jī)器中間交換過程中產(chǎn)生，再經(jīng)過整合變成了一些有用的信息，這些信息通過分析、建模、可視化就形成了知識(shí)，這些知識(shí)再經(jīng)過規(guī)則、結(jié)論、策略的規(guī)范，就變成了智慧。所謂“智慧金融”就是用數(shù)據(jù)進(jìn)行整理、挖掘，最后來指導(dǎo)行為，形成了優(yōu)于憑主觀判斷的金融行為。

　　計(jì)算機(jī)在很多方面比人腦更具優(yōu)勢(shì)，特別是在一些需要計(jì)算進(jìn)行決策的事情上。Alpha Go在圍棋上戰(zhàn)勝李世石，證明了計(jì)算機(jī)能夠在策略計(jì)算的場景里戰(zhàn)勝人類。人工智能的潛力是巨大的。

　　以機(jī)器學(xué)習(xí)的辦法總結(jié)出的模型規(guī)則，會(huì)不會(huì)比人類的大腦更優(yōu)秀?這種方法為什么會(huì)被一些公司所推崇?

　　實(shí)際上人類(決策者)做決策的過程也是一個(gè)建模的過程，憑借的是我們過去的經(jīng)驗(yàn)，我們五官收集的數(shù)據(jù)以及我們的想法得出的模式，只是這個(gè)過程并沒有被記錄而已。我們真實(shí)生活中，對(duì)某一孤立事件做出的決策，可能要比機(jī)器做出的初期模型更加優(yōu)秀。但機(jī)器學(xué)習(xí)的規(guī)則是透明的，一旦模型建立了，知識(shí)就被固化了，當(dāng)周圍的環(huán)境改變，信息數(shù)據(jù)更新，這個(gè)模型可以反復(fù)迭代，繼續(xù)發(fā)展。一個(gè)人一旦離開組織，他所擁有決策的能力就會(huì)消失，不能被他的繼任者很好傳承，這種不確定性對(duì)機(jī)構(gòu)的帶來的挑戰(zhàn)是巨大的。

　　什么是數(shù)據(jù)建模?

　　數(shù)據(jù)建模是個(gè)數(shù)據(jù)挖掘的過程，一般包括建模過程和驗(yàn)證過程。用一個(gè)最簡單的例子來解釋一下。所謂建模就是找到一個(gè)公式y(tǒng)=f(x)=a1*x1+a2*x2+a3*x3 + b......,f(x)有常數(shù)，系數(shù)，X和Y組成。建模的過程就是要找到這些常數(shù)和系數(shù)，如何去找?答案是用過去的x去分析y，這里有很多分析軟件可以用。一旦有了y的公式也就有了所有的a和b。當(dāng)新的一套信息(X)進(jìn)來以后，就會(huì)得到一個(gè)新的y，實(shí)現(xiàn)了對(duì)Y的預(yù)測(cè)。建模的過程就是找到a和b。

　　舉個(gè)例子：申請(qǐng)信用卡、貸款的時(shí)候，會(huì)要求填很多信息比如學(xué)歷、年齡、住址、收入，這些信息都可以被銀行利用。比如女性比男性更不容易欠款，所以性別理論上可以預(yù)測(cè)風(fēng)險(xiǎn)，性別就是公式里的x1。再比如，收入高的人在相同條件下顯然比收入低的人償還能力更強(qiáng)，收入高風(fēng)險(xiǎn)低，收入低風(fēng)險(xiǎn)高，那么x2作為收入，a是正相關(guān)的常數(shù)，于是通過數(shù)據(jù)分析就可以預(yù)測(cè)一個(gè)人的償還能力有多強(qiáng)(Y)。

　　量化分析怎么幫助金融機(jī)構(gòu)優(yōu)化管理?

　　這個(gè)圖是我分析的一家信用卡公司，這家公司想了解為什么一些消費(fèi)者不使用它的信用卡，它的額度夠不夠?給更多的額度能不能激發(fā)更多的消費(fèi)?我把它的數(shù)據(jù)拿出來做了三個(gè)分析。第一個(gè)是賬戶活躍狀態(tài)分布，分成四個(gè)部分：活躍的卡、淺睡眠的卡、深度睡眠的卡和流失的卡。我發(fā)現(xiàn)活躍的客戶比那些不活躍的客戶的平均額度高，信用卡的額度與客戶喜不喜歡使用這個(gè)信用卡有正相關(guān)聯(lián)系，所以低額度不是好事情。

　　那么額度是不是越高越好呢?我做了下一個(gè)分析，我把額度分成區(qū)間，x軸就是額度區(qū)間，y軸是額度使用率，我發(fā)現(xiàn)額度在2,3萬下的時(shí)候，隨著額度升高，活躍率越高，所以額度的確可以帶來更多的消費(fèi)，但達(dá)到一定區(qū)間后，消費(fèi)能力在額度的30%的時(shí)候就達(dá)到了飽和。

　　那么是不是把低額度的用戶額度提升就可以增加他們的使用率呢?并不能簡單的看這個(gè)問題，因?yàn)轭~度使用率的增加會(huì)帶來更大的風(fēng)險(xiǎn)，我們做了個(gè)分析發(fā)現(xiàn)額度的使用率越高，逾期的可能性也越高。

　　量化分析可以指導(dǎo)我們找到那些需要提高額度的客戶，同時(shí)我們也需要他幫助我們創(chuàng)造更大價(jià)值的客戶。于是我們要做三件事：一是找到一個(gè)風(fēng)險(xiǎn)比較低的客群;二是找到一個(gè)套現(xiàn)可能性比較小的客群;三是找到一個(gè)有提高消費(fèi)需求的客群，未來的消費(fèi)比現(xiàn)在高的客群。于是我建立了三個(gè)模型：第一個(gè)是風(fēng)險(xiǎn)模型;二是套現(xiàn)模型;三是消費(fèi)潛力模型。建立三個(gè)模型后，我把模型認(rèn)為未來風(fēng)險(xiǎn)高的10%的人排除，再把套現(xiàn)可能性高的10%的人排除，再把未來消費(fèi)量較小的人排除。最后我就得到了一個(gè)風(fēng)險(xiǎn)低、套現(xiàn)可能性小、消費(fèi)強(qiáng)力大的優(yōu)質(zhì)客群。

　　最終，我們的風(fēng)險(xiǎn)模型篩出來的客群從0.25%的壞賬可能性降到了0.08%，套現(xiàn)的可能性也降低了三分之一，消費(fèi)的潛力提升了4倍。這就是用量化管理的方法做決策帶來的巨大優(yōu)勢(shì)。

　　另一個(gè)案例：我在一家銀行做了一個(gè)循環(huán)新增預(yù)測(cè)的模型。(所謂“循環(huán)”：有一些客群一個(gè)月消費(fèi)1000塊錢，月底的時(shí)候沒有全部還清，只還了最低還款額，比如只還了200元，剩下800塊錢就循環(huán)到下一個(gè)月的賬單里，但這個(gè)月他需要交利息。)信用卡業(yè)務(wù)里，循環(huán)的客群只占10%-20%左右，一般不會(huì)超過30%，這樣一個(gè)不大的客群卻占了信用卡公司絕大部分的收入，所以循環(huán)是十分重要的概念。預(yù)測(cè)一個(gè)賬戶下個(gè)時(shí)間點(diǎn)會(huì)不會(huì)進(jìn)行循環(huán)就成了一個(gè)有意義的課題。我們做了一個(gè)循環(huán)模型，這個(gè)圖中，黃線是我們預(yù)測(cè)這個(gè)客戶會(huì)不會(huì)進(jìn)行循環(huán)，灰線是這個(gè)客戶的實(shí)際進(jìn)行的循環(huán)，從圖中可見，這個(gè)預(yù)測(cè)十分準(zhǔn)確的。

　　右邊的弓形圖說明，假設(shè)我們把循環(huán)可能性的人從高到低排，可能性較高的人排在最左邊，可能性最低的人排在最右邊，在第20%的人的情況下，可以產(chǎn)生最大的差異。如果我們?nèi)绻x20%的人出來，如果用模型選，就可以比隨機(jī)選擇多選出63%的優(yōu)質(zhì)客群。與客戶進(jìn)行互動(dòng)是有成本的，能精準(zhǔn)地與越少的目標(biāo)客群進(jìn)行互動(dòng)，就越能在相同的預(yù)算下產(chǎn)生最大的效果。量化模型就能幫助你用最少的成本(與20%的人進(jìn)行互動(dòng))可以找到80%的循環(huán)客群。

　　>>>點(diǎn)擊咨詢量化金融分析師AQF實(shí)訓(xùn)項(xiàng)目

　　完善下表，48小時(shí)內(nèi)查收全套AQF備考資料

　　金程推薦： AQF考試 AQF報(bào)名 AQF培訓(xùn)

　　聲明▎更多內(nèi)容請(qǐng)關(guān)注微信號(hào)量化金融分析師。原創(chuàng)文章，歡迎分享，若需引用或轉(zhuǎn)載請(qǐng)保留此處信息。

　　>>>返回首頁