新闻资讯

九卦丨可解释神经网络如何推进数字银行?(某银

来源:admin日期:2020/01/09

继2019年底索信达香港主板上市后,2020年1月7日,距离IPO成功不到一个月的时间,索信达上海扬帆起航。

上海是中国经济,金融、贸易、航运、科技创新中心,这与索信达金融科技的基因高度吻合。落地上海,标志着索信达正式开启华东市场新篇章。至此,索信达形成华北,华南,华东三个“主战场”。

索信达董事长宋洪涛表示,2016年,我们从深圳到北京,在首都的沃土上让金融科技更快地生长。如今,我们已在北京拥有了超强的团队和客户,通过大数据分析及AI解决方案获得了更多的认可。2020年,从深圳到上海,1400公里,我们同样希望用自己的大数据+AI服务方案,帮助更多的客户提供解决方案。未来,索信达期望通过自身多年在大数据分析领域的实战经验和落地标杆案例,帮助更多的金融客户,实现自身数字化进程。

据介绍,上海的索信达管理团队拥有近二十年的大数据及分析管理经验,履创行业优异增长佳绩。技术团队拥有数十年的行业经验,为多个行业提供大数据分析咨询服务,并参与多部统计学专著的编写。管理团队与技术团队的专业能力将助力索信达华东市场的开拓,蓄势待发。

索信达强大的金融科技能力也为学界业界提供了重要的理论支撑。今天就为大家介绍由索信达金融AI实验室与香港大学张爱军博士团队共同编写的《可解释神经网络在金融科技的应用——某股份制银行应用案例研究》。

如果您是一位金融科污水处理设备安装技行业的技术大佬,可以直接点击文章下方的“阅读原文”查看报告,直接浏览硬核文章。如果您想先了解可解释神经网络是什么,请耐心先看完本篇文章再做决定。

看到这个标题,很多人都在想:什么是可解释神经网络?这是一个深奥的问题,我们可以先把这个名词拆分为人工神经网络和模型的可解释性分别介绍一下。

人工神经网络是一种模仿动物神经网络行为特征,最初的人工神经网络模型是在现代科学对人脑的理解上建立的。换言之,人工神经网络是一个复杂的数学模型,能像我们的大脑一样具有自动学习能力,会主动完善自己,以应对复杂的情况。

近些年最著名的人工神经网络是谷歌推出的围棋程序AlphaGo,一开始谷歌推出AlphaGo将其投放到网络平台上与世界各路棋手对弈收集数据、自我完善,甚至逐渐形成自己的“棋风”。随后,AlphaGo接连击败了李世石、柯洁、聂卫平等人类顶尖棋手。曾与他交手过的人类棋手们纷纷表示,AlphaGo像是一个滴水不露的绝世高手,而不像是冷冰冰的机器。

再以科幻电影《终结者》为例,电影中的人工智能反派——天网系统就是一个可解释性为零的人工神经网络。它在自我学习过程中发现和平都是被人类所破坏,所以天网系统机械地认定消灭全部人类即可实现和平。可见,一个神经网络如果没有良好的可解释性,那么应用的前景就会蒙上一层阴影。

模型的可解释性,即预测过程可以转化成具备逻辑关系的规则,简单来说,就是能清楚说明为什么一个输入可以得到最后的输出。用大家能理解的话来解释,就是让一个模型形成一个能自洽的逻辑,从而避免机械地拟合数据而形成偏差。

目前的可解释机器学习方法,根据模型的复杂程度和研究路径,大致可分为如下两类:①复杂模型事后解析 (Post-hoc Interpretability):在模型训练完成后,可通过事后解析来提升模型的解释性;②内在可解释机器学习 (Intrinsic Interpretability):内在可解释机器学习的目标是通过改良模型结构,在保证内在可解释属性的前提下,通过增强模型灵活表征能力,提升模型的预测精度。

现在我们可以了解一下可解释神经网络。它是近年在人工智能领域新兴的一种模型(Explainable Neural Network,缩写为xNN),该模型主要由美国富国银行模型风险团队和香港大学张爱军博士团队联合提出,属于内在可解释机器学习方法。

香港大学张爱军博士团队提出了基于可解释性约束条件的 xNN 模型。这个约束 xNN 预测模型建立在广义加性指数模型或投影寻踪学习的基础之上,通过多种可解释性约束条件,对回归或分类问题进行可解释机器学习。相比于朴素xNN模型,约束xNN模型增加了三个可解释性约束条件(子网络稀疏性、投影正交性与岭函数平滑性),使得模型的辨识性与可解释性得以增强。

可解释神经网络xNN有多种具体的模型形式,在特定条件下包含广义加性模型(GAMxNN)、单一指数模型(SIMxNN)、以及我们常用的广义线性模型(GLM)等。

接下来我们看看可解释神经网络模型在金融科技中有何应用前景,了解这个新兴事物的前世今生。

众所周知,网络化、数字化、智能化将成为未来银行的发展趋势。大数据和人工智能是构成金融科技的重要元素。一方面银行金融数据早已积累达到引起行业变革的规模和水平,另一方面计算机技术同时在算力和算法上的革命性突破,人工智能作为一项跨行业颠覆性科技、正在深度渗透到银行金融行业。

跟以往的统计模型和机器学习算法不同的是,人工智能主要依赖于极其复杂的深度神经网络模型。人们通过设计各种复杂的神经网络结构,在信噪比相对较高的应用领域(特别是计算机视觉和自然语言处理)获得了极大的成功;然而相对于信噪比相对较低的银行金融数据,人工智能所训练出的深度神经网络,其模型预测表现有时并不理想。因此在金融科技,基于大数据的人工智能预测模型尚处于萌芽阶段。

银行业属于高风险高监管领域,仅仅有对模型整体解释不足以满足相应监管部门的要求,能够对每位客户提供个性化的解释才是更加可以信赖的模型。通过基于广义加性模型的可解释神经网络(GAMxNN)模型,为每位客户绘制特征得分图,可以告诉这位客户每一项数据在模型的预测中起到怎样的作用。内在可解释的 xNN 系列模型,不借助事后归因方法,对于单一特征同时输出该特征的特征重要性、特征得分趋势图和特征取值分布直方图来获得相应的模型解释性。

目前系列模型可应用于理财产品推荐,境外汇款跨节点时长预测,手机 App 客户流失预警与快速贷款等场景。以理财产品推荐为例,由于基金产品种类繁多且功能不一,客户群体存在年龄、收入、性别等等的差异,银行需要解决向不同类型客户精准推荐的问题。索信达金融AI实验室团队针对70余万条数据,设计百个变量,并筛选出最关键的10个进行了模型的推演,最终结果得出的预测值与真实值(用户是否对基金产品有兴趣)完美匹配。GAMxNN模型为这一问题提供了精度高、解释性好的解决方案。

该项目模型拥有对每个变量和响应变量间的精确解释能力,模型训练速度快等等优点。同时模型精度还可以再次提高,以及模型在对于业务的解释性上也有可以提升的空间。只要结合相应的业务场景,对模型稍加修改,模型便可以更加的适用于银行业务场景,以污水处理设备满足银行需求。

如果您一直耐心地看到这里,想必一定对可解释神经网络有了一定了解,并产生了浓厚的兴趣。那么不妨点击下方的“阅读原文”,里面有一篇可解释神经网络应用在某股份制银行具体案例的详细报告,该报告由索信达金融AI实验室和香港大学张爱军博士团队联合撰写,绝对能满足您意犹未尽的好奇心。

0
首页
电话
短信
联系