发帖
雷达卡
金融服务
到2025年每年节省成本34亿至430亿美元，并创造新的收入机会
机器学习和人工智能在金融服务领域具有广泛的应用，因为存在强大的，丰富的数据集，通知投资决策和信用风险特性，说明了有利于使用算法提高数据效率的环境。机器学习技术在人类驱动等效时间的一小部分时间内利用模式识别的能力为独特数据的采购和分析提供了机会，从而更准确地为投资决策提供信息。此外，商业银行提供广泛，全面的专有财务数据为人工智能/机器学习在减少一般银行部门成本方面提供了机会。保守地说，我们相信机器学习和人工智能可以在2025年之前每年获得大约34-430亿美元的成本节省和新的收入机会，并且这个数字会进一步上升，因为这些技术可以使得更快，更复杂的数据得以利用和执行。
什么是机会？
投资潜力最大化。我们认为，具有相对技术杠杆的资金管理公司（即量化对冲基金）最适合利用机器学习技术利用竞争性利润机会。将深度学习算法与应用程序加速器相连接的最新进展提高了识别数据乃至图像集趋势的速度和效率，为希望在信息和执行杠杆中获得竞争优势的公司提供了明确的前进方向。
在数据方面，我们认为人工智能/机器学习可以为分析投资决策提供重要的优势，为降低成本和打入新的利润池创造机会。在执行方面，2015年交易的1.7万亿美元以上的股票股票突显了大量机会，交易公司利用微小的延迟窗口，其中最新的安全价格存在于原始交易所，但不是整合的市场系统，我们认为人工智能/机器学习可以产生有意义的差异。我们相信，通过利用具有成本效益的硬件加速器和模式识别功能，人工智能/机器学习可以对数据质量分析，采购和执行速度产生重大影响，2015年前每年从更好的知情投资决策以及第十场的快速反应中获得190亿至280亿的收益。
降低信用风险。对于传统的贷款机构，我们相信机器学习和人工智能潜在地降低信用风险，识别处于风险中的账户，并执行可以减少这些机构的资产负债表和贷款损失准备金的信用额度减少或抵消。 即使在退税率相对较低的环境下，根据联邦储备委员会，每年增加的消费信贷额度也导致了约600亿美元的消费信贷相关费用，到2025年，可以使用人工智能/机器学习将其减少19%。
降低合规性和监管成本。对于金融服务公司，如社区银行和大型投资银行，我们估计合规相关员工成本每年高达180亿美元。虽然许多公司在过去几年中的合规成本增加了50％或更多，但我们认为人工智能/机器学习有可能降低行业的成本负担。包括降低信用风险，我们认为人工智能/机器学习可以在2025年前为金融服务部门每年提供约150亿美元的成本削减机会。
什么是难点？
今天，企业面临着资源分配困境，即在不断发展的技术中平衡员工薪酬和资本投资，目的是扩大“好数据”的使用，以产生资本回报和压缩成本。以下是我们认为阻碍公司有效利用数据的三个难点：
执行速度。资产管理者，特别是在技术市场运动交易的高频交易者（HFT）的主要难点是，在高流动性和快节奏的市场保持竞争力，毫秒级决定了回报潜力的巨大差异。 例如，在2014年，等待时间套利窗口的中位数长度几乎是一个整数秒，并显著减少了面临套利或HFT策略的资金管理者的急剧增长。
数据访问。在基本面方面，由于测量限制，地缘政治限制和分析成本约束，我们认为各种有用的数据是不可靠的或不可实现的。高技术壁垒阻碍了资产管理者获得新颖，及时和更准确的数据的竞争优势。
成本的二元性。我们认为，过去十年中数据清理，分析和执行的劳动成本为资产管理运营利润率保持在40％以下起到了重要作用。此外，程序化加速硬件的启动非重复工程（NRE）成本历史上为利用技术来提高竞争力提供了成本障碍。诸如现场可编程门阵列（FPGA）等更低成本选择的可用性和灵活性的提高为人工智能/机器学习过程提供了更多可利用的途径。
目前的经营方式是什么？
人力资本驱动成本，风险管理结构。对于今天的许多大型资产管理公司来说，创造收入的员工成本占创造收入的1/3到1/2之间，因为员工负责筛选强大的数据集，管理评论和研究观点，做出有利于客户的知情投资决策。为了同样的效果，传统贷款机构的贷款官员通常负责批准和监督信贷周转箱和可能出现的违约的定期贷款，其总体责任是尽量减少固定的贷款损失。在投资和社区银行，不断变化的监管环境增加了需要人力资本的合规工作的资本支出。
市场依赖于预定的主要来源数据发布来衡量综合ROIC。由于大数据访问的低障碍和通过在线渠道的相关一次性市场事件的低延迟传播，投资者分配大量的劳动力和资本以有效地清理数据集，获得专有边缘，并对快速变化的情况做出快速反应。然而，无论这些专有优势如何，资金管理者最终都依赖于主要源数据发布（例如每周EIA石油库存数据，公司收益报告）来衡量预测随后的市场变动以及所产生的ROIC。
人工智能/机器学习如何助力？
机器学习的应用可以快速监控和处理健壮的数据集，以寻求分析或执行特定的最终目标，特别适合高频交易公司，传统资产管理和传统贷款机构。
执行速度。具有HFT焦点的资产管理者面临来自竞争对手日益增长的压力，因为不断发展的技术采用减少了对技术和一次性基本市场催化剂的反应时间。延迟套利是资金用于在市场之前仅仅几分之一秒获得交易信息的一种做法，通过增加诸如ASIC和FPGA之类的硬件加速器来减轻。
企业能够以两种不同的方式减少延迟。首先，他们能够在交易所共同定位交易服务器，减少物理距离，并更快地获取相关贸易数据。第二，这些公司能够从原始交易进货中获取数据，并比传统数据合并过程更快地检索全国最佳出价/报价（NBBO）价格（图37）。公司可以在具有明显优势的市场之前接收数据，并且我们相信机器学习算法具有在延迟时间段更快速和准确地识别和执行价格扩展的潜力。
图37：延迟套利提供早期NBBO访问
人工智能和机器学习促进数据捕获和执行
数据访问。随着技术演进促进传统资产管理者获取大数据，企业越来越试图在行业中找到竞争优势。数据分析公司进入市场以捕捉未开发的机会。例如，一些公司正在利用来自卫星的数据，捕获关于股票，商品价格，甚至全面经济的信息的区域的图像。对于像Cargometrics和Orbital Insight这样的公司，这些图像包括运输模式，以通知商品价格以存储停车场，并分别通知零售商的客户增长率。有几家公司正在建造自己的火箭并预订未来的小型卫星以进行有效载荷发射，而SpaceFlight等公司则通过与世界各地的发射载波提供商合作来保证发射。
利用机器学习/人工智能的数据分析公司利用诸如卷积神经网络（CNN）的算法的图像识别能力来擦洗用于世界特定区域中的特定特征的图像数据。 以这种方式，他们能够更快速和准确地定制敏感，偏远和密集区域的数据，并打包它以通知具体的市场趋势。 风险投资公司Deep Knowledge Ventures是对大数据的行业承诺的最好例证，最值得注意的是，在2014年它向其董事会指定一个名为VITAL的数据分析算法。
图38：卫星数据周期
人工智能和机器学习创建优势，优于传统的数据收集
Orbital Insight（轨道透视）：在卫星图像分析中开创性地使用AI
我们与Orbital Insight（一家位于加利福尼亚州帕洛阿尔托市的数据分析公司）进行了交流，该公司汇总了来自8个卫星提供商的卫星图像数据，并使用人工智能技术加快资产管理者的市场适用性。
问题：资产管理公司面临着日益激烈的竞争环境，因为技术进步普及了数据的获取，并加速了市场对一次性事件的反应。当企业寻求利用市场低效率的方法时，许多相关的数据源仍然没有被利用（即卫星图像，航运运动），或者无法有效地商业化而用于市场。
Orbital Insight解决方法：轨道使用卫星数据来分离图像，指示特定的市场趋势。 无论是聚合油桶盖上的阴影形状以通知商品价格还是量化主要零售商的零售流量模式，该公司的分析解决方案利用了大量数据集，通常在传统收集指标无法覆盖的领域，并且训练机器学习算法，来快速打包与所需解决方案相关的数据。虽然该公司指出，图像数据本身是公开可供购买的，但它利用专有机器学习的能力超越了仅仅是学术用例，这对于创建有关数据对投资者的影响的差异化洞察是至关重要的。
该公司表示当今利用卫星图像的困难，因为卫星到任何特定的位置的访问从15-30天不等。 这需要将图像的相对捕获时间的变异性以及控制变量中的其他相关偏移归一化。然而，最近与Planet Labs的合作关系使得公司能够获取数据集，为下一年世界各地提供每日图像，因为纳米卫星队将进入轨道。
Orbital通过50-60专有神经网络分类器来强调它的价值主张，其基本上是在“训练集合”上训练的算法，来寻找和识别兴趣点和关于兴趣点的特定特性。该公司估计，他们的深度学习算法现在达到了90-95％的精度，通过使用可靠的数据集（即EIA油储存数据）进行比较来验证人工智能预测。
云与人工智能的交汇减少了瓶颈：随着Orbital扩展规模获得越来越多的图像数据，它正在利用亚马逊网络服务（AWS）云平台临时存储数据，同时也被分析。考虑到图像的潜在存储障碍，特别是与Planet Labs合作，该公司表示，它将依靠AI系统快速高效地更新数据，并在项目完成后平衡图像库存的一致流入/流出。
图39：微型分析通知零售趋势
图40:石油存储水平
信用风险降低。冲销阻碍了商业银行资产负债表和现金流，我们估计每年约有600亿美元与消费信贷有关。基于Khandani等人的报告（《通过机器学习算法的消费者信用风险模型》，MIT，2010年6月10日），我们认为人工智能/机器学习有可能迅速识别循环信用额度（RLOC）中的风险，并让数据显示的可能拖欠的账户执行限额减少或抵销。
研究表明，他们的机器学习模型能够预测RLOC中的信用违约率，线性回归
为85%，突出了机器学习应用于洗钱和信用数据。我们进一步认为，除了使用典型指标外，机器学习可以帮助贷款人员确定信用度，从而对非循环消费贷款做出类似贡献。在欺诈检测方面，诸如AIG和Stripe这样的私人支付公司正在使用机器学习进展来更好地通知和确定欺诈活动索赔和交易中的模式。
减少合规成本。在合规方面，小型社区银行和大型投资银行都在加大支出，对行业面临的新法规保持警惕。根据摩根大通最近的年度报告，公司在2011年至2015年期间将合规支出增加了50％，达到90亿美元。同样，花旗集团在2014年表示，合规员工人数增长到3万，占员工总数的12％以上。
我们认为人工智能/机器学习可以在减少执行某些任务所需的员工开销方面产生有意义的影响。对于Digital Reasoning，一家位于纳什维尔的私人分析公司，开发机器学习技术，以提供主动合规分析，完成任务，如筛选员工的电子邮件可能不合规的内容，并检测违规，如市场操纵等未经授权的交易交叉违规。
数据访问和ROI。为了说明利用人工智能/机器学习获得全面的专有数据对ROI潜力的潜在影响，我们对石油期货投资和2011 - 2016年隔离的前端石油期货合约价格进行了分析。使用合同价格数据，我们发现在EIA石油储存数据发布（星期三，每周）当天，石油期货市场的波动率增加了14％。
鉴于从采油ML容器，钻机，船运和生产设施的高清图像数据获得的价值和观察，没有地理或地缘政治约束，我们认为金融服务行业有机会利用数据驱动的市场事件使用机器学习。 石油期货市场数据释放的波动是一个例子，说明如何使用更好的数据来为投资决策提供信息，并提供更好的回报潜力。
量化机会
我们估计人工智能/机器学习有可能在2025年之前为金融服务行业每年节约大约340-430亿美元的成本和创造新的收入机会，随着相关技术在复杂性和复杂性方面不断发展，这个数字会进一步增大。我们量化人工智能/机器学习每年在未开发的延迟套利机会中贡献了65亿美元到150亿美元，130亿美元来自更高效的数据访问导致的资产管理器运营成本降低，每年约20亿美元来自合规性成本降低，以及每年约130亿美元来自传统贷款机构的年度减免。
潜伏套利。为了量化美国股票市场的潜在套利潜力，我们利用了Elaine Wah的学术研究（《如何普及和盈利是美国证券交易所的延迟套利机会》，密歇根大学，2016年2月8日）。根据研究人员，2014年495 S＆P 500股票的总延迟套利利润为30.3亿美元，每个股票每天有大约69个套利机会。根据这个分析，我们发现这样的利润相当于每股交易的3/10，而推算到2016年总估计美国股票交易量时，盈利水平为65亿美元。假设股票数量增长与2014-2016年水平保持不变（10％的年复合增长率），这意味着到2025年年收入150亿美元。
图41：潜伏套利利润
到2025年为65亿-150亿美元，取决于股权总量的复合年增长率
资产管理成本降低。波士顿咨询集团指出，资产管理公司营业利润占净收入的百分比在近年来保持在39％，2007年达到41％，2014年利润达到1020亿美元。我们认为，引入人工智能/机器学习数据访问和分析（如我们的小卫星案例研究所强调的）将缓慢地使得对冲基金和其他资产管理者以比数据采购成本的增长更快的速度减少劳动力需求。所有其他条件相同时，我们预计未来十年资产管理行业的运营成本将下降5％，或每年增加13亿美元。这意味着该行业在2025年之前每年可以节省130亿美元的成本，并且在假设对冲基金利润在未来几年保持基本持平。考虑到资产管理者利用人力资本的水平，我们认为人工智能/机器学习可以使运营利润高于我们在2007年看到的水平。
图42：资产经理营业利润率占净收入的百分比停滞不前
我们期望边际效应能通过人工智能/机器学习增加
传统贷款人风险降低。在Khandani等人关于机器学习和消费者信用风险的文献之前，研究人员表示，他们的循环式消费信贷违约的机器学习模型意味着收费成本节约了6%到23%。考虑到机器学习在我们看来只能用于贷款的前端，我们仍然更接近这个范围的保守末端（隐含成本约为8％），我们在机器学习应用中增加了非循环贷款，而并非在整个付款时间表加入循环信贷情况。然而，到2025年，随着技术在外部年代越来越复杂，我们的隐含成本节约增加到19％。假设每个类别中的违约概率相等，四分之一的退款来自循环信用，另外四分之三来自非循环（NR）信用协议。基于这些假设，我们预计到2025年，人工智能/机器学习每年为传统贷款机构节省成本约130亿美元。
图43：消费信贷持续增长
商业银行冲销已稳定在600亿美元
图44：机器学习可以减少贷款损失
我们估计到2025年每年成本减少130亿美元
减少合规成本。我们估计社区银行和大型投资银行每年总共支付约180亿美元的合规相关员工成本。根据美国联邦储备委员会对21世纪社区银行业的研究，社区银行（资产不到100亿美元的银行）在2015年支付了超过30亿美元，而我们估计最大的10家投资银行的支付额不到140亿美元。 我们假设每个合规员工的平均工资为每年69,000美元，并认为人工智能/机器学习可以减少合规员工成本的10％，因为银行合规工作的一部分由机器学习驱动。基于这些假设，我们认为到2025年，人工智能/机器学习可以为银行公司的合规成本削减贡献约20亿美元。
谁会占下风？
有资本限制和传统资产管理实践的公司可能会受到干扰，因为适应性公司更多地投资于竞争性人工智能/机器学习交易硬件和新的专有数据库。由于这些公司在缩小市场无效率差距方面减少了延迟，因此对于仅依靠人力资本进行研究的公司和技术市场运动/一次性基本市场催化剂交易的公司可能没有太多空间发展。
在批准贷款（即信用评分）时，具有繁重信用审批流程或依赖于少量信用度量标准的公司可能会受到开始使用人工智能/机器学习的竞争对手的影响。由于机器学习算法减少/消除了前沿公司的风险信用额度，这些客户可能越来越多地尝试从没有机器学习应用的传统机构接受贷款，这些公司的违约率将更高。
连载（共7篇）
[/url]
京公网安备 11010802022788号
