金融领域的统计学方法应用

昨天有小伙伴跟我讲怎么在金融领域中应用这个自然语言技术

那我今天就简单的说一下自己的想法

首先，我认为一个企业的画像是动态的。

企业的核心是资本和人才

画像是动态的就代表着，我们要针对开放数据监控企业的动态

例如我们经常可以看到的淘宝中的商品。

或者是招投标网站中的企业供需信息关系

快速消费品我们就可以看销量，以及销量预估判断企业的当前状态。

另外就是企业的正常运营是需要资本的

资本的来源一部分是预支未来的产业产能，对现在的产业产能进行有效的变换。

上升一个等级就是 第一产业 制造业 第二产业 以及第三产业服务产业的动态问题。再到中央银行对整个产业的现金流限制。

而从小说就是新产品的市场化冷部署。

传统新产品方案的就是ee

而下一个方面我们就围绕着人展开。

怎么样去表示一个企业中的人

首先存在着固定标签，例如大学 学校 大学专业 等等。

也存在一些动态标签

常见的动态就是人事系统的动态

社会关系的动态

这里面社会关系的动态是经常会在CRM中利用到的。

是一个信任体系。

例如雷军的朋友，或者是雷军投资的企业都是好的企业。这是因为雷军朋友这一个关系从而推断出来的。

是不是很熟悉这个场景

是一个图游走的过程

落地到CRM系统中就是潜在客户挖掘

社区发现就是一个聚类过程

那么潜在客户可能和已经成交的客户存在共同的需求

从而这个可以降低我们无效销售成本的一个重要手段

我们常见的福布斯排行榜也在不同的基金公司里面有小版本的

也是对一个集团一个个人的价值的评估。

另外就是结合产品的周期性挖掘历史用户的需求。是否存在继续供需的服务。

例如市场中的连环贷的商品我如何可信的评价一个用户的可持续的信用体系。

我是如何可推理的判断一个用户的信贷上限的

就是一个关系网表示一个用户的最高债务承受能力

那么我之前和国内的比较大的一些餐饮集团聊过

里面有一个需求就是餐饮的进销存，以及下一个季度的新菜预估

这里面和金融领域有一部分还是比较相似的

另外一个方面就是融合投资领域来看，虽然神经网络解决的主要的问题就是缺失信息下的数据规律发现。

但是学习的目的是为了你在做下一个决策的时候你能发现更多的做出当前决策的依据。

而所有的依据都应该是动态的

图神经网咯表示的特点就是可以动态的表示所有的信息。从而更好地支撑我们对未来的决策。

所以为什么推荐系统要达到分钟级或者是小时级别的更新就是因为所有的标识都应该是动态的

例如我们线上的NLP服务底层的预训练模型就是自动学习的一个动态预训练语言模型。

动态语言表示训练

有点形而上学了

但是本质我觉得是这些领域的金融对于AI的应用。

对更多的信息进行向量化，并且找到和当前事件有关的向量，再根据这些向量做出决策。