电子课件数据科学概论ch12-finance

1、 内容可修改电子课件数据科学概论ch12_finance数据科学的行业应用：金融行业目录金融行业概况金融行业的数据数据科学的应用投资组合示例分析444金融行业概况金融行业概况金融业既是数据的生产者又是数据的使用者。金融业高度依赖信息技术的创新，是最为典型的数据驱动型产业，利用数据科学方法进行研究是金融行业发展的趋势。金融业金融行业概况金融行业概况运用数据科学方法进行行业数据分析、市场行情预测、市场运行状况把控等都是金融行业的重要内容，对现代社会以及企业的发展起到重要作用。数据科学在金融行业中的应用变得越来越广泛，对于数据的应用分析能力正在成为金融机构未来发展的核心竞争要素。888金融行业的数据

2、金融行业的数据从数据的构成形式看，金融行业的数据主要可分为：用户数据、交易数据、文本数据（如电子邮件、留言等）、以及其他数据（如金融服务或产品供给情况等）。用户数据交易数据文本数据其他数据用户数据金融行业中业务的开展离不开用户的参与。金融企业针对用户信息的管理十分严格，用户的基本信息被收录和存储在企业信息系统中。用户规模不仅可以直接反映金融企业的规模，还间接反映了企业的发展前景。金融行业中的用户数据交易数据金融行业的主要活动离不开用户交易。为保证交易安全，提高服务质量便于回溯和取证，系统会记录用户交易的过程。长期积累的交易数据可以用来分析用户的交易偏好，也可用来侦测用户的异常交易行为，为防止交

3、易风险提供依据。金融行业中的交易数据文本数据针对某一金融企业或产品存在大量的评价、留言、沟通交流信息，这些信息体现了民众的舆论动向。金融运行的基础是信用与预期，这种特征使其更容易受社会信用与预期舆情的影响。金融行业中的文本数据其他数据诸多外部因素会影响金融行业的正常运行，如国家宏观经济运行情况、物价水平、进出口、行业发展状况等。海量、多样化的金融数据变得越来越常见，如从社交媒体活动数据、移动设备应用数据、市场交易详情数据等。金融行业中的其他数据141414数据科学的应用数据科学的应用技术是基于需求而产生的，数据科学在金融行业的应用也是由金融行业的业务驱动而衍生出来的。数据科学在金融行业的应用主

4、要可分为以下几个应用场景。社交商业链精准营销风险管理与控制个性化服务量化投资社交商业链金融业客户的信息通过社交网络得以生成和传播，被搜索引擎组织、排序和检索，通过数据分析最终形成有价值的社交商业链。社交网络社交商业链在数据科学的时代背景下，金融业客户的信息通过社交网络得以生成和传播，被搜索引擎组织、排序和检索，通过数据分析最终形成有价值的社交商业链。电子商务平台可通过用户在电商平台及社交媒体中的搜索、浏览、决策、交易全过程判断用户的行为和潜在需求，洞察市场动向，设计有针对性的产品或服务。阿里巴巴入股“新浪微博”，实现了社会化媒体与电子商务交易平台的合作，并在此基础上推出阿里小贷。社交商业链随着

5、社交媒体成为目前信息传播的主要方式，众筹项目的社会推广活动越来越受到关注。根据全球最大的众筹平台之一Kickstarter的报告，所有项目的成功率只有35.9%左右。为了提高众筹项目的成功率，研究者提出利用社交网络评估众筹项目中各个参与者的社会影响力。将社交信息与在项目融资过程中获取的动态数据结合，构建预测模型并利用特征提取方法探索与众筹项目成功密切相关的因素，根据结果及时调整项目的宣传推广策略。精准营销将行为数据与营销服务进行有效结合，通过用户偏好分析实现精准营销服务。精准营销精准营销掌众金融等企业依托内部数据开发中心深度加工用户数据，制定画像特征和标签体系，以此对用户进行全方位量化。花旗银

6、行与联通合作，为花旗用户量身定制全球化的金融资产配置计划。在花旗银行数据分析的基础上，利用上海联通大数据的机器学习建模和人工智能分析，为用户提供精准的全球资产配置、境外理财、金融保险等金融服务。风险管理与控制企业可通过数据科学中的机器学习算法对数据进行训练和分析，建立风险评价模型以增加风险管理的效率和可持续性。风险管理与控制风险管理与控制京东金融、网易金融等企业依据自己的数据库建立反欺诈模型、交易行为风险模型等。通过构建数据科学风控体系和平台，对平台企业进行智能风控和贷后管理，以解决信贷欺诈问题。北京、苏州、广东等地联合市金融办、联通、电信等建立金融风险监测预警平台。通过用户信用画像、平台业务

7、管理、融资担保管理、小额信贷管理和平台综合管理等多种系统实现对相关企业的分级监管和预警处理。个性化服务通过消费模型分析客户的个性特征、风险偏好，了解客户的金融往来习惯及使用行为，进一步分析及预测客户潜在的需求，将精准行销扩展至服务的创新与优化。个性化服务个性化服务针对高龄客户比例偏高的机构，可以考虑新增矮柜服务窗口并提供大屏幕显示器提醒。针对顾客对网银、手机银行的使用习惯，将浏览率高的栏目与浏览率低的栏目进行重新排版设计，以提升客户使用率及忠诚度。根据不同人群在网络、手机APP访问的记录，分析其关注资讯的不同(页面浏览时间、次数、频率等)，提供不同需求的咨询和服务。量化投资量化投资是基于数据科

8、学以及经济金融理论对投资想法构建模型，利用历史数据对模型进行回测验证，从中优选模型指导投资决策的一种投资方法。国泰君安量化交易系统量化投资智能投顾(Robo-Advisor)利用数据科学的优势结合投资人的风险水平、期望收益以及市场动态，采用多种算法和模型给予投资人综合的资产配置服务。也可实现金融数据收集与处理、金融计算与建模、风险管理、与客户可视化沟通等。272727投资组合示例分析构建投资组合投资组合是由投资人或金融机构所持有的股票、债券、衍生金融产品等组成的集合。构造 投资组合是金融投资分析中历久弥新的问题。在金融市场中，构建投资组合有诸多益处，如：投资组合多元化可以避免“灾难”(避免与过

9、度投资单一证券，把鸡蛋放在不同篮子中)能够实现对风险的规避(投资组合通常可以提供同等的预期回报，同时回报的整体波动性较低)优化投资组合可取得更好的投资回报-风险比构建投资组合多年以来，学界、业界提出诸多对投资组合进行优化的方法，如：均值-方差方法(Mean-Variance)，基于收益率均值和收益率波动性进行组合优化基于夏普比率(Sharpe Ratio)构建投资组合基于VaR(Value at Risk) 和CVaR(Conditional Vaule at Risk) 对投资组合进行优化基于风险均摊(Risk Parity) 对投资组合进行优化构建投资组合的流程投资组合构建流程图构建投资组

10、合本案例以道琼斯指数作为基准(Benchmark)，对组成它的30只股票做一个基于特定投资风格的SAA(Strategic Asset Allocation)。考虑按照组合波动(方差) 最小的准则(Global Minimum Variance Portfolio, GMVP) 构建最优投资组合。将构造的投资组合与道琼斯指数基准股进行比较，并以此说明在量化投资中如何利用股票交易数据进 行最优投资分析。道琼斯指数的计算公式为：入选股票的价格之和/入选股票的数量。（1）界定组合范围本案例所采用的数据是道琼斯指数的30 只成分股自2009年1月1日至2020年1月1日的日收益率数据。30 只成分股的

11、名称、所属行业及股票代码如下。道琼斯指数30只成分股（2）获取数据通过R语言中的quantmod包直接访问雅虎和谷歌财经中的股票数据。以苹果公司为例，直接获得的数据如下。苹果公司股票交易数据（3）序列特征可视化与描述股票日对数收益率时序图; (a)苹果公司(b)迪士尼公司（4）明确投资组合总体策略（5）构建投资组合以组成道琼斯指数的30只股票为底物，依据GMVP准则重新构建投资组合。投资组合的构建方式如下：由前一年的股票日对数收益率数据按照GMVP准则计算出投资组合的最佳权重将该权重应用到后一年的投资组合中。比如，基于2009年30只股票日对数收益率的数据可以由GMVP准则计算出投资组合的最优权重，接下来，2010年全年该投资组合将保持这个权重，计算得到投资组合的收益；到了2011年，再用2010年的股票日收益率序列数据计算出新的权重并保持一年，以此类推。（6）投资组合评估将得到的最优投资组合与道琼斯指数(基准)进行比较，绘制股票日对数的累计收益率如下图：两种投资组合日对数的累计收益率（7）总结在上述案例分析中，研究者站在风险厌恶型投资者的角度构建了最优的投资