首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    金融科技的养分:互联网金融的科技再进化

    文|孟永辉 以人脸支付为代表的新型支付时代的来临,似乎正在告诉我们一个与科技紧密相连的新时代正在悄然来临。这个时代要比互联网时代展示给我们的画面还要绚丽多彩,因为在即将到来的时刻,我们能够享受到的服务要比现在更加智能、更加富有科技质感。 人脸支付相对应的就是金融的科技化,现在很多人将这种科技化称作是金融科技化,抑或是科技金融化。无论是金融科技化,还是科技金融化,它们都有一个很大的特点,这个特点就是金融与科技两大领域的融合将会进一步加深,而不再是和互联网与金融一样,仅仅只是两种元素的简单相加。 金融科技时代

    04

    比特币下跌,虚拟货币大跌背后的深层逻辑是什么?

    文/孟永辉 数字货币的出现从某种程度上说明以互联网技术为主要驱动力的外部势力正在深度影响并改变着当前业已形成的金融秩序。改造并不能一蹴而就,金融领域市场行情的变化更是喜怒无常。因此,我们看到了虚拟货币市场跌宕起伏的一些变化。 尽管如此,我们依然不能否认互联网技术对于传统金融体系的冲击以及它们对于未来金融市场的积极影响和变化。因为从这些虚拟货币的产生和运作机制来看,它们大大提升了原有的以实体货币为主要交易标的的传统金融市场的效率,并大大节省了交易成本。 正是由于这些优势的出现,市场对于这些虚拟货币充满了信心

    06

    瑰丽异常!金融科技,一缕新金融之光正在升腾

    文\孟永辉 金融科技是未来金融行业的发展趋势已经成为不可逆转的潮流。除了互联网金融的草莽式发展带来的诸多不安定性因素之外,新技术对于传统行业影响的加剧同样让这种金融科技的发展变得有些顺理成章。当下,大数据、云计算、智能科技的因子不断加入到金融行业的势力范围,并将金融行业的原有运行逻辑进行重新建构与优化。 金融科技成为互联网金融的解药。风控、项目对接、项目运营等诸多金融行业的运行环节都能够在金融科技时代找到注脚。而以阿里、腾讯、百度为代表的互联网巨头则以亲身实践参与到了金融科技的具体实践当中,不断为我们展示着

    08

    互联网金融的重生:金融科技时代的新金融

    文|孟永辉 移动互联网时代的结束让人们开始寻找新的破局点,互联网金融同样如此。在经历了移动互联网时代用户从线下迁移到线上带来的快速增长之后,整个行业陷入到了新一轮的困境之中。P2P平台跑路、校园信贷乱象频出、ICO被定义非法都是移动互联网时代互联网金融飞速发展之后留下的问题。在互联网金融发展的新阶段,如何借助新的手段和思路破解当前行业面临的困境和问题成为众多企业面临的主要问题。 在金融与人们的生活联系日益紧密的背景之下,如何借助新的科技手段在这一市场当中找到新的增长点,成为很多互联网金融企业当下必须慎重考

    04

    人工智能步入金融领域,“AI+”会是金融业的未来吗

    目前金融机构的主流玩法有四种:1. 投资银行和卖方研究尝试自动报告生成,2. 金融智能搜索;3. 公募、私募基金在通过人工智能辅助量化交易;4. 财富管理公司在探索智能投顾方向。 人工智能如何辅助量化交易 量化交易从很早开始就运用机器进行辅助工作,分析师通过编写简单函数,设计一些指标,观察数据分布,而这些仅仅把机器当做一个运算器来使用。直到近些年机器学习的崛起,数据可以快速海量地进行分析、拟合、预测,人们逐渐把人工智能与量化交易联系得愈发紧密,甚至可以说人工智能的3个子领域(机器学习,自然语言处理,知识图

    05

    “大数据+人脸识别”将成互联网金融领域蓝海

    当前,各种高科技不断应用于互联网金融领域,无论是传统金融,还是互联网金融,都将面临高科技带来的技术革新的机遇,同时,也意味着一旦在这场攻守战中失败,则很可能被市场淘汰出局。 “人脸识别”和“大数据”是近几年在互联网金融中运用最广泛的两种方式之一。谷歌、苹果、百度等国内外知名企业,以及以微众银行、网商银行、众可贷为代表的互联网金融企业都在加速布局“人脸识别”和“大数据”。这两项技术到底有何奇妙之处?它们在加速行业发展的同时,又带给投资人哪些不一样的投资体验? A 模式创新 互联网金融行业突飞猛进 近年来,特

    06

    陈龙:从金融的本质和历史,看未来

    原文注:陈龙,原长江商学院金融学教授、长江商学院副院长,现阿里旗下“蚂蚁金服集团”首席战略官。本文是陈龙教授于2014年10月25日长江商学院毕业暨迎新典礼上的演讲稿。在演讲中,陈龙教授从银行、投行、消费者信贷三个角度出发,深入浅出地对金融的本质进行了阐述。围绕着互联网金融和供应链金融,陈龙教授展开了细致而又深刻的探讨,更结合中国的经济和金融制度现状,对金融产品在中国的未来做了展望。陈龙教授认为,基于互联网、数字技术和平台的普惠金融大有可为,当前正是发展“不一样的金融”的黄金时代。以下是微信公号“盈保倍”整

    06

    驶向理想中的人工智能未来,见证人工智能各项落地实践

    作为中国人工智能技术和产业领域规模最大、影响力最强的专业会议之一,2017全球人工智能技术大会汇聚了全球人工智能学术界和产业界著名学者、顶级专家和业界精英,在48小时的议程中,立体剖析了技术大牛与产业明星眼中的人工智能,硕果累累。 在首日精彩纷呈的主题报告与尖峰对话后,大会的第二天为主题分论坛专属,围绕人工智能技术、投资、创新和行业应用多个维度进行探讨,带来了大量超规格干货内容。多达12场的分论坛,涵盖了智能驾驶、机器人、深度学习、脑科学、智能金融和智能投资等领域,解读人工智能产业落地的正确姿势。堪称人工智

    06

    涨姿势!用深度学习LSTM炒股:对冲基金案例分析

    大数据文摘作品 编译:王一丁、修竹、阮雪妮、丁慧、钱天培 英伟达昨天一边发布“全球最大的GPU”,一边经历股价跳水20多美元,到今天发稿时间也没恢复过来。无数同学在后台问文摘菌,要不要抄一波底嘞? 今天用深度学习的序列模型预测股价已经取得了不错的效果,尤其是在对冲基金中。股价数据是典型的时间序列数据。 什么是序列数据呢?语音、文字等这些前后关联、存在内有顺序的数据都可以被视为序列数据。 将序列模型应用于语音和文字,深度学习在语音识别、阅读理解、机器翻译等任务上取得了惊人的成就。 具体怎么操作?效果又如何呢

    04

    【学习】如何利用互联网文本语义分析进行金融量化投资?

    1.金融文本挖掘背景介绍 文本挖掘作为数据挖掘的一个分支,挖掘对象通常是非结构化的文本数据,常见的文本挖掘对象包括网页中的论坛、微博、新闻等。文本挖掘是目前金融量化研究的一个非常热门的领域,其主要原因有以下三点: 关注对冲量化与金融工程行业的读者,如果想加入“对冲量化与金融工程”专业讨论群,请即回复后台“金融工程”,我们审核通过后将尽快将您安排加入到相应的微群讨论组中。 一是对传统数值型数据的研究已经相对成熟了,而对文本数据的研究处于起步状态,在全新的数据源寻找超额收益相对容易。 二是网络文本数

    06

    美国如何监管P2P,有何借鉴意义?

    与美国相比,中国的互联网金融行业规模更大,在一些技术领域比如支付处置能力等也更领先。这主要是基于三个方面的原因:市场空白大、技术发展快和监管适度。互联网金融行业的普惠性也十分突出。但行业发展不平衡,比如第三方支付相对发达,网络贷款比较混乱、股权众筹基本没有做起来。未来互联网金融企业的发展可能会呈现多样化,既有大而惠,也有小而美;既有专注tech,也有直接做fin。 美国的监管框架,一方面消除了金融科技领域的一些潜在风险,另一方面也极大地限制了这个行业发展的空间。显然,在风险控制方面,我们应该向美国学习。但我们也应该为互联网金融的发展留下足够的空间。客观地看,互联网金融的发展实实在在地满足了实体经济的一些需求,在助力普惠金融发展方面的作用尤其明显。同样,如果对数据管制过严,大数据分析就无从谈起,但如果听任商业机构任意侵犯个人隐私,也会酿成严重后果。 因此,监管政策的核心是要平衡创新与稳定之间的关系,既保证互联网金融行业的快速发展,又不造成重大的金融、社会风险,起到真正支持实体经济的作用。

    02

    AI、大数据、云计算:重塑金融产业的锋芒利刃

    文|孟永辉 智能科技的涌现、大数据风口的到来、生物识别技术的广泛应用都在开始影响我们的生活,并开启了一个“互联网+”后时代发展的序幕。正如那个时候人们对于互联网技术的期待一样,人们对于这一波新科技同样给予了厚望,并试图通过新的技术来改变传统互联网时代无法解决的问题。互联网金融同样如此。 在互联网时代,我们尽管实现了用户从线下向线上的迁移,但是金融本身的改变却很少,因此金融在于其他行业结合的过程当中同样出现了诸多的问题和痛点。正是由于这些问题的存在,才让我们对于即将到来的新科技时代充满了希望,希望金融行业能

    07

    LLMs大模型在金融投资领域的15个具体应用场景

    传统的股票时间序列预测主要依赖统计和计量经济学方法,如自回归滑动平均模型(ARMA-GARCH)、向量自回归模型(VAR)、状态空间模型、扩散模型和误差修正向量模型(VECM)。这些模型通过识别金融系列中的模式和波动性,对市场进行分析和预测。随着机器学习的发展,决策树、支持向量机(SVM)等方法逐渐受到重视。近年来,深度学习技术如循环神经网络(RNN)、卷积神经网络(CNN)和Transformer模型的应用显著提升了股票时间序列预测的精度和效率。GPT-3、GPT-4和LLaMA等大型语言模型在解析复杂数据关系方面表现出色,推动了时间序列数据转化为文本序列的创新。

    01
    领券