资产管理组织中分析和机器学习的用途

资产管理组织中分析和机器学习的用途

在facebook上分享
在twitter上分享
分享LinkedIn.
在whatsapp分享

全球资产管理行业一直在稳步扩张,并见证了最近科技和全球金融领域的根本转变所带来的变革。各国高净值客户数量的增加,以及退休市场的迅速扩张,都对该行业的业务量做出了贡献。根据全球金融咨询公司willis Towers Watson的数据,截至2016年底,该公司管理的总资产膨胀了5.8%,达到81.2万亿美元。随着人工智能和高级分析开辟了新的途径,资产管理公司正处于一个转折点。

过去二十年来技术的显着快速进展明显改善了行业专业人士商店和过程数据的方式。Traditional data-processing application software have given way to newer analytical applications which are adequate to deal with ‘big data.’ The cost of collecting and processing stock market data across industries has consequently reduced, opening new possibilities for improving decision-making mechanisms across verticals. The asset management industry has been no exception to this trend, with analytics revolutionising the problem-solving paradigms of this trillion-dollar business. Gartner, in a研究据报道,2017年进行的,越来越多的人工智能采用,机器人过程自动化等自动化技术,以及开放应用程序编程接口(API)提供资产管理公司戏剧性地利用的戏剧性机会。

分析在资产管理中的应用
分析可以有助于改革这个行业的某些方面的功能。上述分析驱动重铸的主要亮点可能包括以下方面:

客户端分析:客户分析是一个至关重要的过程,通过这个过程,资产管理公司可以创建所服务客户的描述性部分。每个部门都由特定的特征定义,使资产管理公司能够更好地了解他们的客户。他们可以通过提供高度个性化的产品、服务和基于个人偏好和愿望的见解来赢得客户的忠诚度。这种聚类练习提供了对客户投资行为的洞察,从而帮助构建一个路线图,以创造和衡量价值。

产品推荐:资产管理人员使用高度特定的投资者见解来开发新产品和定价策略,以实现潜在的投资者。根据客户兴趣提供产品建议提高潜在客户的达成和接触,从而提高竞选效率。

客户搅拌:在机构投资者中,消毒可能会扰乱市场趋势。预测客户流失使得资产管理人员能够在必要时启动客户风险并早期干预。公司还可以通过了解损失的驱动程序来构建强大的投资组合。

情绪分析:情绪分析提供了对资产管理公司的品牌认知、产品植入和驱动这两者的因素的深入了解。透彻的分析可以帮助公司通过赞助和其他活动来扩大你的市场范围。

营销和策略:跟踪和规划营销活动对于管理者有效利用企业资源非常重要。

资产管理的机器学习

案例研究:客户保留模型

问题陈述:

构建客户保留模型的主要目标是识别:

  • 可能会撤资的活跃客户
  • 投资减少背后的驱动因素

由于客户通过授权投资,这通常超过一个,因此目标被重新定义,以考虑到授权风险而不是客户风险。

理解收回投资:如果在观察月后12个月内,如果管理(AUM)的授权资产减少超过50%,则据说事件发生。

让我们考虑一个AUM为1140万的授权ABC。如果授权的AUM在X点下降到50%或低于它的价值,那么它被认为是“撤回投资”。

b2
b3

解决数据的复杂性:使用传统技术,如时间序列分析和回归是由于缺乏数据点而采用缺点。通过聚合为12个月的时间框架来解决该问题,以预测从观察点的未来12个月内丢失的概率。

被考虑的数据:在理解撤资时,大致有四个变量需要考虑:

b4

数据模型:
建立模型以估计每个任务的风险得分,使用投资减少指标作为因变量(DV.)和准备的因素作为独立变量(价值).

准备好的数据被分成训练集和验证集,如下图所示:
b5

极端梯度助推法具有较高的预测精度和较好的预测效果。

模型验证技术:
有许多方法来验证或验证预测的质量。以下是一些常用的模型验证技术:

K-fold交叉验证:
b6

遗漏一次交叉验证(LOOCV):
b7

引导:
b8

验证技术对业务问题的适用性:手动的问题需要一个窗口方法来查看相关数据点。因此,每次连续快照都有十个月的重叠与前一个快照。即使对于第一个测试快照的最后一次训练快照之间的重叠也是如此。在接下来的六个快照上,此重叠逐渐减少。因此,模型的培训和测试集之间存在常见的数据点。这些信息在火车和测试之间泄漏了通过简单的交叉验证来测量鲁棒性的过程。这是通过使用除样本引导测试来解决的问题。

b9

为了解决信息泄露的问题,我们留出了一些记录,并对剩余的数据进行了培训。该过程重复一定次数,计算样本间的稳健性参数并进行比较。由于性能被发现是一贯的高,它建立了模型是稳健的。

总之,迅速和战略性地拥抱数字中断的资产管理公司将在最佳职位上为投资者提供卓越的回报。然而,今天,新的数字化技术挑战现状并威胁到严格到传统方法的企业的稳定性。机器学习,人工智能(AI),自然语言处理和预测推理等技术让快速移动的公司和金融技术提供者应对推动传统分析的边界的问题和模型情景,提供满足众多投资的有针对性的洞察力具有前所未有的精度和速度的变量。在许多情况下,现在可能在几小时内实现数周的全面分析。

帮助你的企业实现高级分析的承诺
188bet金宝搏彩票Lateveview Analytics正在与跨行业的公司合作,以利用高级分析的力量,AI &毫升转变他们的业务流程,推动创新和增强客户体验。要了解LatentVie188bet金宝搏彩票w Analytics如何帮助您规划人工智能并在您的业务中发挥其潜力,请通过以下方式与我们联系marketing@latentview.com.