标签
金融
相关的文章:TiDB_PingCAP 的博客 -
平凯星辰 TiDB 获评 “2023 中国金融科技守正创新扬帆计划” 十佳优秀实践奖
微众银行自 2018 年开始国产原生分布式数据库 TiDB 的深度调研、充分适配,借助 TiDB 数据库对 MySQL 协议的高度兼容性、水平扩展特性和丰富的工具生态,陆续在数十个中后台业务系统投产应用,尤其是在银行核心批量和大数据组件替换场景中,大幅提升了批量效率和降低了应用开发成本,积累了国产原生分布式数据库的最佳实践经验,为同行业进行银行核心分布式改造提供了有力的经验参考。原先的竖井式架构制约了业务发展,暴露出查询周期和跨度偏短、数据准确度不足、统计口径不一、数据时效性差等问题。
AI生成摘要 11月10日,北京金融产业联盟在2023金融街论坛年会上发布了“扬帆计划——分布式数据库金融应用研究与实践优秀成果”。其中,平凯星辰的实践报告“国产HTAP数据库在金融规模化数据服务场景的应用”获得十佳优秀实践奖。该报告详细阐述了国产数据库在分布式系统架构、混合负载、高可用等方面的进展。此外,华泰证券和微众银行的分布式数据库应用研究也获得了十佳卓越实践奖。这些实践案例展示了国产分布式数据库在金融领域的应用和优势。

BriefGPT - AI 论文速递 -
金融领域大型语言模型的不足:幻觉的实证研究
现有的大型语言模型在金融任务中存在严重的幻觉问题,迫切需要研究努力来缓解这一问题。
AI生成摘要 该研究通过细致分类和度、方向及类别上的倾向进行细粒度的幻视建模和缓解。提供了两个幻视方向(FM 和 SL)的全面理解,并将其进一步细分为内在和外在,分为温和、中度和令人担忧的三个严重程度,同时还对幻视进行了六种类型的细致分类。提供了包含 75,000 个样本和人工注释的 HallucInation eLiciTation(HILT)数据集。提出了 Hallucination Vulnerability Index(HVI),该指数可以量化和评估语言模型在产生幻视方面的脆弱性,并作为人工智能相关政策制定的标准工具。
京东科技开发者 -
大模型时代丨大模型+Agents疏通京东金融运营堵点
大模型时代,“应用变了”:把大模型装进金融营销分几步?11月24日(周五)14:00-15:00开播!数字化打破信息孤岛,也建立更多孤岛运营人员被困在自己的环节里十余个子系统、子模块如何整合?自然语言任务中的“幻觉”如何克服?如何将AI训练成业务运营高手?京东金融在大量场景先行试水、循序渐进!关于京东科技领航者营销平台-end-...
AI生成摘要 AVL树是平衡二叉搜索树,结合了二叉搜索树和平衡二叉树的特性,具有有序且平衡的优点。AVL树的查找、插入和删除的时间复杂度都是o(log n),但增加和删除操作会导致树失去平衡,需要通过旋转来重新平衡。旋转方式有LL、LR、RR、RL四种,可能需要多次旋转。

BriefGPT - AI 论文速递 -
创业金融中的人工智能:知识结构与基础算法范式
人工智能在金融领域的应用历史悠久,而在创业领域的潜力则是最近才被广泛探索的。本研究通过文献计量分析探讨了人工智能在创业金融和企业金融领域的应用,并展示了知识领域的概念、智力和社会结构,指出了尚未充分开发的研究方向。结果显示,在几乎所有的识别的主题领域中,人工神经网络、深度神经网络和支持向量机得以广泛应用,而主题建模、模糊神经网络和分层自组织映射则较少使用。此外,本文还探讨了计算机科学和经济学之间的某些差距,并介绍了蒙特卡洛随机算法的基本范式和具体示例,以解决这一问题。
AI生成摘要 人工智能在创业金融和企业金融领域的应用被广泛探索。人工神经网络、深度神经网络和支持向量机是常用的技术,而主题建模、模糊神经网络和分层自组织映射较少使用。计算机科学和经济学之间存在差距,蒙特卡洛随机算法可解决此问题。

BriefGPT - AI 论文速递 -
FinanceBench: 金融问题回答的新基准
FinanceBench 是一个对 LLMs 在开放式财务问答(QA)中性能评估的首个测试套件,通过对公开交易公司的 10,231 个问题进行测试,发现现有的 LLMs 在财务 QA 方面存在明显的局限性。
AI生成摘要 KnowledgeMath是一个评估LLMs在应用财务知识解决数学问题能力的基准。研究包含1,259个问题,需要大学水平的财务知识。提供了Python程序格式的专家解决方案。评估了14个LLMs,最佳系统准确率为45.4%。KnowledgeMath有助于领域特定知识检索和数学问题解决研究。基准和代码将在指定链接发布。
MongoDB -
MongoDB和阿里云携手驱动WeLab 引领超千万用户迈向智能金融未来
客户简介 科技金融创新不断,WeLab汇立集团以专业领航未来 作为亚洲领先的金融科技集团,WeLab汇立集团自2013年成立以来就一直致力于利用大数据、人工智能等前沿科技,为全球的消费者和金融机构提供多元化的金融科技服务,其中包括运营亚洲首批持牌虚拟银行——WeLab Bank(汇立银行)及其他纯线上消费金融服务,在中国香港、中国内地和印尼市场均处于领先地位,拥有超过6000万用户以及近900家企业客户。 2023年,胡润研究院于广州发布了《2023全球独角兽榜》(Global Unicorn Index 2023),列出了全球成立于2000年之后,价值10亿美元以上的非上市公司。WeLab汇立集团连续五次上榜,成为大湾区最值得关注的独角兽企业之一。 得益于自研的风险管理系统、专利隐私计算技术和领先的人工智能技术在业内斩获的满满赞誉,WeLab汇立集团为全球多家金融机构及企业提供独有的金融科技解决方案。此外,WeLab汇立集团的智能化客户关系管理服务和智能投顾服务也得到了广泛应用,帮助金融机构提高客户满意度和业绩表现。 业务挑战 数据结构复杂且应用场景多元,传统数据库面对新需求难堪重负 不断攀升的业内口碑给WeLab带来可观业务量的同时,也让核心系统承受了不小的压力,作为支撑整个业务系统的底层技术,数据库的重要性不言而喻。作为一家拥有金融和科技双重属性的公司,WeLab更面临以下的业务挑战: 竞争激烈且快速变化的市场环境 – 在整个金融科技市场上,行业参与者众多,除 BAT 等互联网巨头外,还有很多银行、消费金融等传统持牌金融机构,因此市场竞争异常激烈。此外,各个企业也都在积极创新,技术迭代日新月异,发展飞速。 强监管政策和环境 – 金融科技行业一直以来都是被重点监管的一个行业。近年来,随着规范费率、个人信息保护等政策相继落地,监管力度和监管环境更加收紧,在应对市场和监管上的一些变化时,包括WeLab在内的金融科技企业都在及时调整,适应变化。 数据爆发性增长 – 数据增长主要来自两方面:一是业务增长带来的数据快速增长;二是随着WeLab数据处理能力的提升,能处理的数据越来越多,基于原始数据加工、计算、衍生出来的数据也越来越多,这两个原因叠加起来,带来了数据的爆发性增长。 系统稳定高效 – 任何一家企业,无论是互联网企业还是传统企业,都需要去面对系统高效稳定方面的挑战,对于WeLab来说也是如此。 解决方案 从数据特点和技术应用场景出发,充分释放WeLab核心技术优势 为了解决上述问题,选择一款灵活、稳定、高效的数据库成为WeLab的当务之急,尤其是需要满足打造卓越的风险控制技术等金融科技公司最重要、最核心能力的需求。在对比了多款数据库后,2014年年底,WeLab决定选用MongoDB数据库,主要基于两方面考量:一个是数据的特点,另一个是技术上的应用场景以及诉求。 就数据特点而言,以风控系统为例,风控系统数据的处理相较于一般业务系统更为复杂多元,包括各种业务数据、用户行为、设备信息、第三方数据、模型数据和决策数据等等。每类数据都呈现出独特的数据特征,并且数据结构、组织方式和应用场景均有所不同。如果将这些结构复杂且场景多元的数据用传统的关系型或其他类型数据库进行存储和处理,显然行不通,而处理这类数据恰好是MongoDB的强项。 就技术上的应用场景和诉求而言,在当前激烈的市场环境下,技术应用场景和诉求对开发效率有着较高的要求。为了快速响应市场和监管调整,WeLab需要数据库具备强大的支持。以WeLab早期开发决策引擎模块为例,WeLab最初选择MySQL作为底层数据库,却低估了数据增长速度,当业务飞速发展产生海量数据后,传统MySQL数据库承受了巨大的压力。每次新增一个字段时,DBA甚至需要手动断开所有数据库链接才能执行变更。在这种方式下,开发效率极其低下,而且影响生产稳定性。 在将数据库替换为MongoDB之后,这些问题得以迎刃而解: MongoDB提供了更高的开发效率和稳定性,使得WeLab能够更好地应对市场和监管的变化,提升开发效率。 在现代技术应用中,高并发、高可用以及海量存储易扩展是对NoSQL数据库的基本要求,这也是系统稳定性的前提。在这方面,MongoDB 表现出强大的优势。 MongoDB提供丰富的索引功能,如地理位置索引和TTL索引,这在WeLab的日常业务中有着广泛的应用。 值得一提的是,在升级到阿里云数据库MongoDB版的过程中,阿里云和MongoDB专家们提供了非常专业的技术支持,使得整个升级过程得以顺利进行。这不仅体现了双方团队的专业能力,也展示了他们对于用户需求的关注和重视。 客户价值 写入性能提升超50%,释放技术的生机与活力 随着WeLab业务的不断发展,阿里云数据库MongoDB版作为其数据库的核心引擎之一,已经开始在越来越多的业务和运营环节中发挥重要作用。WeLab凭借先进的金融风控技术,配合MongoDB 5.0强大数据处理功能,重新设计和打造了新一代大禹风控系统(WeDefend 3.0)。新系统有别于以往任何一代产品,无论在数据处理能力上,还是用户体验上都有着质的飞跃,得到了企业客户的一致好评。 同时,数据库系统升级后,技术提升也体现在三个方面: 吞吐量和稳定性方面都有了明显提升 – 在2023年7月的一次升级和副本集到分片的改造中,单分片数据量从4.5TB下降到1.5TB,同时带来了写入性能提升超50%,查询性能提升超20%。此外,升级完成后,整个系统没有出现稳定性问题。这表明升级后的阿里云数据库MongoDB版更加高效和可靠,为用户提供更好的使用体验。 后续升级成本更低 – 在过去的版本升级中,除了代码调整外,还需要对整个业务流程进行完整的回归测试。即使完成了这些工作,也无法100%保证升级后生产环境不会出现问题。然而,随着引入MongoDB 5.0 的 Stable API的引入和数据同步从MongoDB Oplog 切换到 MongoDB Change Streams,升级成本得到了显著降低。 运维成本更低,效率更高 – 阿里云数据库MongoDB版提供更专业的技术支持,降低了学习和维护成本。此外,在弹性扩容、容载和备份恢复方面,用户只需通过简单的界面配置即可完成,与以往需要DBA手动操作的方式相比,效率得到了显著提升,整体风险也明显降低。 客户证言 WeLab汇立集团技术总监 黄志鹏 “阿里云数据库MongoDB版无论从数据特点还是技术要求方面,都完美地匹配了WeLab的需求。9年间,MongoDB已经成功跑在WeLab的风控系统、决策引擎、审批、客服等核心系统上。目前,阿里云数据库MongoDB版在WeLab内部的部署规模约占所有系统的40%。更为重要的是,由于阿里云和MongoDB团队的专业支持,我们的系统升级非常平顺,而且后续的运维和学习成本也更低。”
AI生成摘要 WeLab汇立集团是亚洲领先的金融科技集团,提供金融科技服务。他们选择了MongoDB作为数据库,以应对复杂的数据结构和多元的应用场景。MongoDB提供了高开发效率、稳定性和丰富的索引功能。升级后,WeLab的写入性能提升超过50%,运维成本也降低。阿里云和MongoDB团队提供了专业的技术支持。
解道jdon.com -
最近金融量化交易的研究成果列表
基于 Shapley 的投资组合绩效方法 :SPPC 方法可以确定单个预测变量对投资组合绩效的贡献,揭示回报可预测性的经济价值来源。(2023-11-09,股数:3.0)
AI生成摘要 本文总结了一系列关于投资组合绩效、波动率建模、对冲策略、能源市场交易、股市敏感性等方面的研究。研究内容涉及神经网络、深度学习、机器学习等技术,并探讨了它们在金融领域的应用。此外,还介绍了一些会议和研讨会的信息。
解道jdon.com -
Awesome Quant:为宽客精选的优秀量化金融库
为 Quants(定量金融)提供的超棒库、软件包和资源的精选列表 语言包括: python " class='body_href' >Python
AI生成摘要 这篇文章列举了一些为定量金融提供的优秀库、软件包和资源,包括Python、R、Matlab、Julia等多种语言。这些资源涵盖了衍生产品定价、交易回溯测试、风险分析、时间序列、数据源等多个方面。还介绍了一些金融工具和定价的库,以及用于指标、交易与回测、风险分析、数据源等方面的工具和库。此外,还提到了一些与Excel集成和可视化相关的工具和库。
解道jdon.com -
有关量化金融算法的python开源代码集
这是基于量化金融领域不同主题的 Jupyter notebooks 合集。 这是量化算法的集合:包含了一些现在不那么流行的主题,但它们可能非常强大。通常,PDE 方法、Lévy 过程、傅立叶方法或卡尔曼滤波器等主题在从业者中不太受欢迎,他们更喜欢使用更标准的工具。 目的是通过交互式 Python 实现展示这些有趣的主题,展示它们的实际应用。 在互联网上找到
AI生成摘要 这是一个介绍量化金融Jupyter notebooks的文章,涵盖了PDE方法、Lévy过程等不太流行但强大的主题。旨在通过Python展示这些主题的实际应用,适合有金融数学和统计学基础的学生。内容包括Black-Scholes模型、SDE模拟、傅立叶方法等,推荐下载存储库以正确显示数学公式。