大数据可以帮助企业了解金融风险

研究人员正使用大数据和新模型以更好了解复杂金融问题并化解金融风险。麻省理工学院的数据，系统及社会研究所(IDSS)正创建基于大数据的模型以帮助减少金融风险。

该项目的目的是发现新问题，更优的模型并最终创建一个更强大，灵活的金融体系。IDSS正采取多学科视角来看待金融风险并聚集工程师，数据理论家，数学家，经济学家，生物学家和政策专家来创造一个更强大，灵活的金融体系。

IDSS研究的一个中心主题是采用系统方法来进行分析。金融系统相关问题需要采取开阔视野，互相关联以及跨系统的方法来研究，而不仅仅是侧重于单个银行市场部分。

麻省理工学院斯隆商学院的Andrew Lo及Susan T. Harris教授在接受Financial Planning杂志采访时说到：“当一个生态学家管理某一区域的生态时，他们不会仅仅考虑正饲养的动物或植物，他们还会考虑生态系统内土壤细菌及食物的来源。我认为这就是我们在考虑金融监管时缺失的部分—我们并没有把系统当作一个系统来看待。”

衡量风险的新方法

生态系统模型的一个工具性特点是系统组件及它们之间的相互作用的细节复杂性。但从工程角度来看，系统的网络模型并无区别。

实验室信息与决策系统(LIDS)经理兼IDSS金融教师AsuOzdaglar称：“个体层面冲击如何传播，放大，并产生系统性风险显然是一个系统层面的问题。”

使用数据观察全局

为了充分体会推动市场行为的力量，我们有必要收集那些相关，跨行业，可访问的数据。随着新的可用数据的获取，其中大多数是高精细化数据，数据管理及分析的挑战也随之而来：在庞大规模的数据中获取有效信息，保证隐私性及安全性，从模型中获取政策制定及决策的建议。和银团系统性风险分析(CSRA)进行合作是IDSS研究人员应对这些挑战的一个关键。

数据的隐私性

隐私是金融数据管理的一个独特的挑战。和其他行业不同，交易知识及想法的行业需要申请专利，从而受到保护，大部分金融行业的脑力成果都不受知识产权保护，包括那些业务流程涉及商业机密的部分。结合消费者数据隐私的问题，这将造成一个访问数据的障碍。保护商业秘密及给监管部门提供系统性风险透明度是IDSS研究人员的另一个需要解决的矛盾。Lo说：“大数据和机器学习已经完全改变了几个行业。我认为金融行业也将发生同样的事情。我们正看到金融系统各个不同部分以前看不到的关联。由于大量数据及分析数据能力的结合，我们现在可以更加有效地管理风险并识别投资者及其他金融市场参与者价值的新来源。这将开启金融创新和探索的一个全新的黄金时代。”

多学科方法

IDSS汇集了多个学科的天才，可以从多种不同位置观察金融系统。Ozdaglar称：“不同的视角可以带来不同的观点，这总是有用的。最初LIDS内系统性风险不仅采用了多学科研究方法，还采用了系统性方法，这可以很好照顾到当前的问题。”

他说：“系统性风险不仅仅发生在金融系统中，举个例子，它还会影响环境。大型系统通常都是每个人都认为是理所当然的系统，没人会觉得有责任感或维护它们。通过正视这些系统性问题，我们可以取得更多进步并产生。“