---
title: 202109 Overview
tags: teach:MF
---

# 機器學習與金融科技

:::info
編輯者: 鄧惠文教授
財務金融研究所，國立陽明交通大學，教學使用請勿轉載。或有疏漏，歡迎留言分享。上次更新2021/11/1.
:::

## 金融科技

### Fantancies from course participants

1. 沒有人的服務，冰冷的空間，悄悄的完成客戶想要的交易

### 最新科技?

|Type | Topic | Features|
| ----|----|----|
| Algorithm | AI| Machine learning, etc.
| | Block Chain| 節點之間傳遞加密訊息，由*區塊*跟*鏈*組成, 藉由密碼學串接並保護內容的串聯紀錄, 分散式的分類帳, Pkc, 由密碼串接並保護內容, 雲端儲存, 點對點架構讓資料去中心化|
| 硬體 | Cloud computing|
| | 量子電腦 |

### 金融服務業?

## 例子


### Portfolio management

Predict return $y$ using explanatory variable $x_1,\ldots,x_p$.


:::info
Markowitz 在 1952 年發表「分散投資」與「效率組合投資理論」等論文，第一次以嚴謹的數學工具，展示投資者在眾多風險資產中、如何構建最佳資產組合的方法，也因此成為「現代投資組合理論之父」。

初探markowitz的現代投資組合理論
https://reurl.cc/1ovzKD

資本資產定價模型 (CAPM)
https://reurl.cc/oxRXYD
:::

:::success
[巴塞爾協定](https://www.moneydj.com/kmdj/wiki/wikiviewer.aspx?keyid=5fa34842-7319-4e7b-814a-15ed9c6f8aae)

1. Market Risk
2. Counterparty risk
3. Liquidity risk

巴塞爾協定起源於前聯邦德國赫爾斯塔銀行（Herstatt Bank）和美國的佛蘭克林國民銀行（Franklin National Bank）的倒閉，在這兩家國際著名銀行倒閉第二年，也就是1975年9月，第一個《巴塞爾協定》提出。該協定之核心內容是針對國際性銀行監管主體缺位的現實，提出了兩個基本之監管思想：任何銀行的國外機構全都不能逃避監管；母國和地主國應共同承擔相應職責。1988年7月，國際清算銀行下的巴塞爾銀行監理委員會(BCBS)對協定進行了首次實質性完善，並通過了《關於統一國際銀行的資本計算和資本標準的報告》（簡稱《巴塞爾報告》），以規範信用風險為主的國際準則，簡稱Basel I。報告的核心內容是資本分類，從資本標準及資本風險兩個方面對銀行提出明確要求，反映出監管思想的根本轉變。

巴塞爾委員會建議在1992年底之前，各會員國銀行的自有資本與風險性資產比例(資本適足率)，不得低於8％。

資本適足率＝自有資本/經風險係數調整之資產

自有資產=第一類資本+第二類資本+第三類資本；
風險係數調整之資產，該協定根據違約風險將銀行資產區分為四類。

:::

### Algorithmic trading

Similarly terms: statistical arbitrage, quantitative trading, AI trading. Which term you prefer? :heart:

Predict return $y$ using explanatory variable $x_1,\ldots,x_p$.


:::info
文藝復興科技有限責任公司（英語：Renaissance Technologies LLC）是美國一家對沖基金公司，其專門從事利用數學和統計分析得出的定量模型進行系統交易。文藝復興科技公司由詹姆斯·西蒙jim simons斯於1982年成立，詹姆斯·西蒙斯jim simons是一位屢獲殊榮的數學家和前冷戰時代的密碼破解者。

1988年，文藝復興科技公司創立了該公司最賺錢的投資組合，即「大獎章基金（Medallion Fund）」。大獎章基金的定量模型是基於對倫納德·鮑姆的鮑姆－韋爾奇算法模型的改進和擴展，以探索其可能獲利的相關性，而這個改進是由代數家詹姆斯·克斯完成。西蒙斯與克斯以此成立了一家基金，並以「大獎章」命名來紀念他們曾經獲得的數學榮譽。 [from course parcipant internet surfing]
:::

### Risk Management


### API 經濟


### Other data science



### RegTech


### 政府對金融監理沙盒的態度





















---

## AI v.s. machine learning v.s. 統計

---

“When you’re fundraising, it’s AI. When you’re hiring, it’s ML. When you’re implementing, it’s logistic regression.”
—everyone on Twitter ever

---


---

[No, Machine Learning is not just glorified Statistics](https://towardsdatascience.com/no-machine-learning-is-not-just-glorified-statistics-26d3952234e3)


---

#### A funny news from course participants

[【不要叫我大學生，叫我AI生】
有一系列招生廣告，被罵翻....太荒謬 不要叫我大學生 叫我AI生](https://ai.thu.edu.tw/)

---

## 統計 v.s. 機器學習 (data science)

---


---


---

## 統計


### 信賴區間

### 假設檢定


### 迴歸 (不是校正回歸喔):smile:


### 其他統計模型

1. 財務:財務時間序列模型
2. 生物統計:存活分析，長期資料分析
3. 工業統計:實驗設計，品質管理
4. 機器學習:又稱統計學習

---

## 機器學習

1. Unsupervised learning
a. Clustering: K-means, heirarchical clustering.
b. Dimension reduction: Principle Components Analysis (PCA).
2. Supervised learning
a. Classification ($y$ is binary): K-nearest neighbors, Decision tree, Random forest, Support vector machine, Neural network
b. Regression ($y$ is continuous): regression, Neural network
3. Others
a. Reinforcement learning
b. Semi-supervised learning
c. Active learinng
d. Natural language processing

### Unsupervised learning 非監督式學習 (data mining): $(x_1,x_2,\ldots,x_p)$

#### Clustering 分群: K-means

Euclidean distance:
$$d(a,b)=\sqrt{\sum_{i=1}^p(a_i-b_i)^2}.$$


---

#### Hierarchical clustering

Need to decide
1. Distance: $d(a,b)$
2. Linkage method: $L(G_1,G_2)$


#### Principle component analysis (PCA) 主成分分析


### Supervised learning 監督式學習: $(x,y)$

#### Notation

$y$: 被解釋變數, response variable, dependent variable, output.
$x$: 解釋變數, explanatory variable, independent variable, input.

Seeks a function $f$ to connect $x$ and $y$ through
$$y = f(x).$$

$f(\cdot)$ can be very complicated.

If $y$ takes continuous values, we call it regression.

If $y$ takes categorical values, we call it classification.

#### KNN

#### Decision tree and random forest


#### Support vector machine


#### Neural network


### 文字探勘

#### 文字雲


#### 知識圖譜


## 結論: Take home message

1. Humanity versus technology!
2. A mixture of domain knowledge (business question), analysis (math, stat, machine learning), coding.