我院赵子平课题组在金融科技相关领域取得多项研究进展

近年来掀起的人工智能热潮正逐步改变着诸如金融、医疗、制造等许多传统行业的面貌。金融科技(FinTech)是人工智能、大数据、区块链技术等前沿创新科技与传统金融业务场景叠加融合的产物,目标是使金融业实现科技化和智能化。一方面,基于人工智能技术的智能投顾(Robo-Advisor)、智能风控、智能监管、产品推荐、优质用户挖掘逐渐在许多金融场景中崭露头角。另一方面,金融业也孕育了诸多新科技新技术,比如,计算机编程语言Python平台下的数据分析利器Pandas便是由全球最大的基金公司之一AQR资本管理公司设计和开发。

 

Generated

图|Robo-Advisor v.s. Human-Advisor(图片来自网络)

 

上科大信息学院赵子平课题组以数据科学与人工智能为研究核心,积极探索在金融科技尤其是智能投顾领域的应用,当前在金融数据建模、金融因子选择、资产组合设计等方面取得了一系列的研究成果。课题组重视本科生科研能力的培养,鼓励本科生参与科研实践,以下多项科研成果的第一作者多为本科生。

 

鲁棒建模的风险管理

经济全球化导致金融市场的波动性越来越强,如何加强金融风险管理成为资产管理的重点。大量实证研究证明金融数据(如股票收益率数据)不服从正态分布,具有尖峰厚尾性,因此研究厚尾分布下的金融风险度量受到了来自高校与企业的广泛关注。赵子平课题组提出了采用多维广义高斯分布进行金融数据建模,首次严格证明了该分布形状参数的强凸特性并且在领域内提出了第一个全局收敛的参数估计算法,该方法可以用于实现更加鲁棒的风险管理。该研究成果在信号处理领域国际知名学术会议IEEE Statistical Signal Processing Workshop 2021发表,题为“Globally Convergent Algorithms For Learning Multivariate Generalized Gaussian Distributions”,赵子平课题组2018级本科生王斌为论文第一作者。

 

Generated

  

 

  

(点击图片,观看视频)

 

海量数据的因子筛选

在金融时间序列分析中,低秩结构和稀疏性常被用于对因子进行筛选和降维,进而从中挖掘出有用信息。赵子平课题组提出一种基于次序加权LASSO的稀疏降秩回归模型,通过对回归因子施加更精准的次序加权约束,实现自适应选择高度相关的变量,提高模型的预测精度和可解释性,进而服务于下一阶段的资产组合设计。与传统的模型不同,该模型可以摆脱固定投资于单一因子的缺陷,根据市场行情的变化而动态更新。此外,此模型也可用于其他领域的数据分析任务,模型的普适性在筛选影响基因表达水平转录因子的数据集研究中得到了验证。该研究成果“Sparse Reduced-Rank Regression With Adaptive Selection of Groups of Predictors”在信号处理领域国际知名学术会议Asilomar Conference on Signals, Systems, and Computers 2021发表,赵子平课题组访问生魏权(现为上科大2021级研究生)为论文第一作者。

 Generated

 

(点击图片,观看视频)

 

 

流式数据的在线学习

金融数据的产生具有持续性,量级大的特点。与许多工程数据不同,金融数据具有明显的不稳定性,一方面体现在方差大,另一方面是极端值多。赵子平课题组提出了基于流数据处理的鲁棒性降秩回归模型,算法代码以R语言程序包的形式在The Comprehensive R Archive Network开源发布,截至目前已经有超过7000次的下载使用量,曾被Flatiron Institute 用于计算神经科学与脑科学的研究。该论文在信号处理领域知名学术会议IEEE Sensor Array and Multichannel Signal Processing Workshop 2020发表,题为“Online Robust Reduced-Rank Regression”,赵子平课题组访问生杨杨卓然(本科就读于Monash University)为文章第一作者。该论文荣获最佳学生论文提名奖(Best Student Paper Award Finalist),也是唯一由本科生担任一作的入围论文。

 

Generated

  

 

(点击图片,观看视频)

 

数据驱动的资产配置

资产管理可以简单的分为主动投资与被动投资两种形式。近年来,被动投资受到越来越多的关注,增强指数策略作为被动投资的一种,以跟踪特定的市场指数(如S&P 500)为目标来得到与指数相同或更高的收益。赵子平课题组首次提出基于深度学习的方法来解决指数跟踪基金的资产配置问题,实验结果表明所提出的方法能够解决大规模资产配置问题,大幅提高问题的求解速度,同时保持较好的指数跟踪效果。该项研究“A Deep Learning-Aided Approach to Portfolio Design for Financial Index Tracking”在信号处理领域学术会议Asilomar Conference on Signals, Systems, and Computers 2020发表,赵子平课题组2020级硕士研究生张泽鹏为论文第一作者。

 

Generated

  

  

(点击图片,观看视频)

 

以上各项工作的通讯作者为信息学院赵子平教授。研究得到了国家自然科学基金委员会、上海市科学技术委员会以及上海科技大学的科研经费支持。