【WOT2018】如何利用数据训练人工智能？三位大咖教你挖掘数据价值

与此同时，企业如何利用数据产生价值呢？郭炜给出的答案是企业需要打造一个数据驱动的中台。很多企业认为，数据中台就是把各种数据组件打包、把大数据存储好即可。但是随着时间积累，数据中台就会从数据湖变成数据沼泽。由此，易观提出了数据河的概念，中国有句俗话叫“流水不腐，户枢不蠹”，也就是数据一定要像河水一样流动起来，才不会产生瘀泥。具体来说，数据河就是，从数据产生端直接通过IOTA架构数据河实时流向数据使用者，而不再需要像过去一样层层加工之后才能使用，其好处就在于如果遇到数据质量发生问题，不用等到数据加工完几天甚至是一个月之后才发现，而是在最早的时间，，数据的发生者和使用者就能够很快的发现问题，从而驱动解决问题。

最后，郭炜为与会者举了一个IOTA架构引擎的实例——易观秒算，具有以下六大特点：

• 去“ETL”化；
• 高效：时时入库即时分析；
• 稳定：经过易观5.8Pb，5.2亿月活数据锤炼；
• 跨数据库：天然支持“Data Federation”数据联邦针对MySQL等数据库跨库查询；
• 便捷：支持SQL级别的二次开发和UDAF定义；
• 扩充性强：组件基于Apache开源协议，可支持众多开源存储对接。

基于大数据AI的金融建模

来自SEC备案注册的初创投资顾问平台BBAE Holdings的CTO刘玥带来了题为《基于大数据AI的金融建模——BBAE 智能投顾模型的机器学习实践》的主题演讲，围绕BBAE智能投顾产品的设计实现，详细介绍了如何基于统计模型和机器学习来构建一个自适应的资产管理组合。

BBAE Holdings CTO 刘玥

刘玥首先介绍了智能投顾的前世今生。Robo Advisory（智能投顾）概念始于2008经济危机后，2010年，Betterment将基于算法的资产管理模式成功带入人们的视线。德勤预计2025年，美国基于AI和算法模型的资产管理模式将管理多达5万亿至7万亿美金的资产。

传统的建模方法包括Risk Neutral、Constant Mix、60/40、Equal Weighted。

• Risk Neutral：例如，给定两个投资机会，风险中性投资者只关注每个投资的潜在收益，而忽略潜在的下行风险；
• Constant Mix：你买入低价并且卖得很高，因为你卖出表现最好的股票来买入表现最差的股票；
• 60/40：60％的股票和40％的债券或其他固定收益产品；
• Equal Weighted：许多最大和最知名的市场指数是市值加权或价格加权。市值加权指数，如标准普尔500指数，根据市值对大公司给予更大的重视。苹果和通用电气等大型股是标准普尔500指数中最大的股票。道琼斯工业平均指数等价格加权指数给股票价格上涨的股票带来更大的权重。小盘股通常被认为比大盘股具有更高的风险，更高的潜在回报投资。理论上，在等权重的投资组合中给标准普尔500指数中较小的股票赋予更大的权重，应该会增加投资组合的回报潜力。 

这些模型虽然简单直观，但过于依赖条件假设，难以个性化。自2008年有了智能投顾这个概念之后，大家越来越多的会把统计模型用于金融分析的领域中。

（编辑：网站开发网_盐城站长网 ）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!