研究報告-瑞和數智控股-

全部研究報告

銀行轉型下半場，進擊MAU（月活）生態行動與思考

打造MAU生態

從2013年開始，互聯網金融對銀行的巨大沖擊，讓大家感受到一個很大的威脅，這個威脅呢，主要來自於這是一種新型的商業模式。

下載報告
社交網絡中的網絡表示學習技術

傳統的網絡表示一般使用高維的稀疏向量。但是高維稀疏的表示也成為了人們使用統計學習方法時的局限所在，因為高維的向量將會花費更多的運行時間和計算空間。隨著表示學習技術的發展，研究者轉而探索將網絡中的節點表示為低維稠密的向量表示方法，有效融合網絡結構與節點外部信息，形成更具區分性的網絡表示成為挑戰

下載報告
（下）基於網絡結構約束的可解釋性神經網絡

SOSxNN 模型

本章首先通過模擬實驗來測試 SOSxNN 模型的性能。結果顯示，SOSxNN 模型能夠將復雜函數分解成幾個較為簡單的成分，並取得與經典黑盒算法相近的預測精度。然後，我們使用美國 P2P借貸公司 Lending Club 數據集來展示 SOSxNN模型在金融領域的應用。

下載報告
（上）基於網絡結構約束的可解釋性神經網絡

強神經網絡模型的預測精準度和可解釋性

開發機器學習算法來解決現實生活問題時，模型的預測精準度和可解釋性是兩個最重要的目標。深度學習中的神經網絡一般具有高精準性，但由於模型復雜往往難以解釋。

下載報告
基於XGBoost的信用評分模型（下）

xgboost sklearn

本文使用xgboost包來訓練模型，並結合sklearn包的網格搜索函數來尋找最優參數。調參時，先給每個參數一個固定的取值，再給出需要調節的參數的取值範圍同時保持其他參數值不變，由此計算該參數的不同取值下模型的AUC評分，最大的AUC分數對應的參數值即為該參數的的最優取值，將此時的最優參數值替代模型中該參數的給定值再按此方法進行下一個參數的調節。

下載報告
基於XGBoost的信用評分模型（上）

XGBoost算法

金融行業經常需要對客戶的信用風險進行評價，評價時通常是對用戶的一些屬性特征建立相應模型，根據模型結果來判斷用戶的信用風險情況。

下載報告
基於SVDD算法的半監督風控模型

半監督算法：SVDD

本文主要是介紹一種半監督算法——SVDD:該算法是傳統SVM的一種擴展，能用於異常值(奇異值)檢測和極度不平衡數據的分類問題。該算法根據樣本中有標記的這類樣本的特性構建一個球面作為決策邊界，使用該球面來判斷剩下無標記樣本的屬性，無標記樣本能落在球內則判斷為正樣本

下載報告
基於iForest異常值檢測法的反欺詐研究(1)

iForest保證高精度，具有線性的時間復雜度，模型的計算量也較小。

本文主要介紹異常值檢測領域一種高效的非監督算法 —— 孤立森林：該算法構建多棵孤立樹將每個樣本單獨分成一類，通過衡量分類時各樣本點被區分開的難易程度來尋找異常值。

下載報告
機器學習模型的“可解釋性”研究

神經網絡

自1943年心理學家McCulloch和數學家Pitts發表了神經元模型MP之後，神經網絡歷經了兩次高潮和低谷，終於在2010年前後迎來了第三次高潮。在語音識別和圖像識別領域，神經網絡有著傳統統計學模型不可替代的優勢。

下載報告
（下）國內外先進衍生品監察系統研究報告

金融衍生品市場

判定市場操縱行為的三個要素為：影響價格的能力、影響價格的意願及出現人為影響的價格。美國商品期貨交易委員會(CFTC)在監管實踐中將操縱定義為“任何有預謀的，能引起或保持人為價格的操作、交易等行為。”其類型主要包括：囤貨居奇、逼倉、散布虛假信息以扭曲價格、在短時間內大規模買入賣出商品或證券的行為。

下載報告
（上）國內外先進衍生品監察系統研究報告

金融衍生品

根據我國 2015《政府工作報告》縮略詞註釋，金融衍生品（derivatives)是指“一種金融合約，其價值取決於一種或多種基礎資產或指數，合約的基本種類包括遠期、期貨、掉期（互換）和期權。

下載報告
參數模型與非參數模型研究關於

變量是如何影響響應變量

在大數據時代，我們常常面臨成萬上億的數據，伴隨著的是高維度的變量，當今很多學術和技術領域都致力於解決針對大數據的模型構造，例如神經網絡。

下載報告