科技的浪潮汹涌澎湃，正以前所未有的力量重塑着各个行业。在这股浪潮之中，金融领域也不可避免，人工智能如同一股强劲东风，正悄然改变着金融的生态格局。
金融领域复杂多变，如何在金融领域更高效、安全地利用大模型等人工智能技术，如何能够对利率进行更为精准的预测，如何才能通过AI进行金融决策是学界、业界专家一直以来的聚焦重点。而yl23411永利与之江实验室共同参与的最新课题《基于人工智能的资金面预测及报价模型研究》正可以助力推动金融行业人工智能发展。
2024年6月6日《解放日报》刊发相关新闻
日前，首批12个长三角创新联合体成立，成为长三角科技创新共同体建设的一个里程碑。其中，“长三角金融市场人工智能与安全创新联合体”由建信金融科技有限责任公司牵头，浙江大学以及复旦大学、上海交通大学、中国科学技术大学、观源（上海）科技有限公司、杭州银行等共同组建。
其中，由yl23411永利财务与会计学系徐维东副教授、肖炜麟副教授，浙江大学国际联合商学院助理教授邵辉，企业管理专业博士生黄寅中、李旭东、邱泓韬、黄文萱、罗紫珺、刘悦组成课题小组，通过数智模型对资金及报价提供精准预测，为长三角金融市场人工智能与安全提供学术助力，为未来的金融决策提供更为可靠的技术支持。
课题组成员
徐维东，yl23411永利财务与会计学系副教授、博士生导师
肖炜麟，yl23411永利财务与会计学系副教授、博士生导师
邵辉，浙江大学国际联合商学院助理教授
黄寅中，yl23411永利2022级企业管理博士生
李旭东，yl23411永利2022级企业管理博士生
邱泓韬，yl23411永利2022级企业管理博士生
刘悦，yl23411永利2024级企业管理博士生
黄文萱，yl23411永利2021级企业管理博士生
罗紫珺，yl23411永利2023级企业管理博士生
01
这项课题针对金融数智化展开了哪些研究？
在多源异构海量数据的背景下，yl23411永利副教授徐维东团队在前沿金融工程模型的基础上融入基于深度学习的人工智能算法，可以创新性解决银行间资金交易场景中资金面预测和动态交易策略问题。
基于深度语言模型的多源市场信息银行间资金交易情绪指标研究
课题组构建专有的银行间资金交易数据集和语料库是首要任务。徐维东团队设计样本利用率高的深度语言模型，设计建模文本信息中情感/情绪语义的预训练任务，缓解银行间资金交易有限语料问题，设计多级舆情分类体系，更精细地量化、建模银行间资金交易市场舆情情绪。
此外，课题组采用新型机器学习范式构建银行间资金交易市场情绪因子生成模型，输出情绪因子。结合结构化因子，根据实际业务设计并实现银行间资金交易复合情绪指数。
银行间市场资金利率预测
课题组基于不同频率数据，构建同时考虑低频和高频数据的资金利率预测模型，并给出RR-MIDAS 模型构建过程中频率对齐、分时期处理、权重约束、参数估计以及多步向前预测等完整理论框架，进一步利用实际数据验证模型的可靠性。
此外，课题组为了考虑利率数据的非线性特征，建立神经网络混频数据模型，同时充分发挥机器学习中的数据驱动与自适应学习能力，进一步通过实证研究说明模型的精确性。
深度强化学习框架下的银行间资金交易动态策略研究
研究构建以多属性效用函数优化为目标的资金交易策略。采用深度强化学习方法，在高维交易特征数据集中，设计资金交易关键执行目标，完善交易闭环奖励函数，探索交易配对时间与资金成本平衡的最优交易策略组合。
课题组通过对交易对手画像的精准识别，在限定交易环境下匹配最优交易对手，实现资金交易机器人的自主交易。
02
这项课题解决了哪些重大科学问题，有何关键技术突破？
有限文本语料条件下情绪语义理解和多级情绪分类
课题组面向银行间资金交易市场有限文本信息场景下的情绪语义理解与识别、多级情绪分类的构建，解决了如何融合不同类型的资金交易市场信息、小样本或有限样本条件下的针对情感语义提取的预训练深度语言模型设计和多级舆情情绪分类体系设计等关键技术问题。
混频数据驱动的资金利率预测模型构建
基于混频数据，课题组将不同频率的数据统一到同一个模型，构建资金利率的预测模型需要对模型的参数进行稳健估计，并采用所构建的模型对利率进行预测研究。
研究为如何构建不同频率下资金利率预测模型、如何对模型的参数进行稳健性估计、如何利用深度神经网络改进模型的非线性特征。
针对资金市场的多属性效用函数的构造与优化
课题组意识到要想实现智能机器人自动化交易，需要同时考虑到交易匹配时间、资金成本、交易对手特征、交易风险预判等多维度因素，因此需要依赖多属性效用函数评估资金交易策略的可行性，并对其进一步优化。
03
这项课题解决了哪些技术问题？
在打造“智能货币资金交易磋商平台”过程中，yl23411永利扮演了重要角色。
作为金融专家，yl23411永利副教授徐维东带领团队目前已构建出7个利率预测模型，解决了三大技术问题。
技术问题一：银行间资金面情绪因子的量化与识别
针对面向银行间资金交易市场的舆情量化问题，课题组构建了专有的模型训练数据和特定场景金融语料库；针对目标场景及目标数据设计专有的基于深度学习的语言模型，研究将降噪变分编码方法和舆情多级分类方式融入传统预训练语言模型中，并设计有针对性的预训练语言模型学习任务，提高语言模型对文本信息中舆情实体和情感倾向识别的能力。此外，课题团队采取诸如对比学习、提示学习等方式，强化模型对资金交易舆情情感的量化和预测能力，并基于此构建资金交易情绪指标。
技术问题二：混频数据的融合
课题组建立反向有约混频数据模型（RR-MIDAS），用于解决使用低频信息预测高频变量的反向混频数据问题，同时不受频率倍差限制，建立组惩罚混频数据模型以及神经网络混频数据等模型，用于银行间资金利率预测，并针对利率时间序列的非线性特征，建立神经网络（有约束/无约束）混频数据模型（ANN-(U-)MIDAS），发挥机器学习中的数据驱动与自适应学习能力。
技术问题三：银行间资金交易策略的动态实现
研究构建了银行间资金交易结构化和非结构化交易特征数据集。通过特征工程，提取出与资金利率相关性更高、复杂度更低的交易特征；构建了多属性效用函数，用于优化以深度强化学习框架为核心的银行间资金交易组合策略；通过交易对手画像，实现资金的自主交易。
04
这项课题有哪些创新点？
创新性地将银行间资金情绪指标分为以下三个子维度
银行间市场总体显性情绪指标、银行间市场总体隐性情绪指标和银行间市场复合情绪指标，在此基础上分别从每个子维度对银行间资金情绪作出更为细致的研究。从指标构建来看，本项目提出了可供选择的若干个创新型的解决方案，分别从现代人工智能算法结合NLP 等先进AI技术，通过交易面、资金面和利率衍生品这三个层面选取因子等三方面来构建银行间资金情绪指标的方法，将结构化数据与非结构化数据相结合，从多个维度对银行间资金情绪作出科学准确的判断。
相较于市场已经存在的银行间资金指数，本项研究构建的指数以金融业界通用的金融工程模型为基础，结合现代人工智能算法对传统模型持续修正的创新模式构建银行间资金情绪，相信在科学性和准确率等方面必将有新的突破。
构建创新模型
对于具有非线性特征的混频数据分析问题，传统的函数型非线性混频数据模型需要事先给定函数形式和分布假设，而传统的结构型非线性混频数据模型无法有效刻画变量间的复杂非线性影响模式。
为了弥补现有非线性混频数据模型的不足，借助机器学习方法中的数据驱动与自适应学习优势，本文将(U-)MIDAS模型拓展至人工神经网络框架下，建立神经网络（无约束）混频数据抽样模型ANN-(U-)MIDAS，借助人工神经网络中的智能算法求解所有参数，并对利率进行预测。
创新融合基于深度强化学习和金融工程中的多种动态交易策略
本项研究摒弃了传统的时间序列预测方法，创新地将基于深度强化学习和金融工程中的多种动态交易策略相融合，既提升了交易策略上拟人化的动态变化，又在强化学习的不稳定问题上加入金融交易策略以保证其在实际场景运行中更加稳定地完成状态更新和策略行为。
此外，本课题在上述设计基础上拟加入知识蒸馏、对比学习及对抗模型的人工智能方法，将优化模型的学习性能以及降低部署成本，更好地适应银行间资金交易场景。
05
这一课题具有怎样的教育价值及社会经济效益？
本项课题以培养符合金融科技行业要求的研究型硕博士后备人才为目标，聚焦国家重大战略需求，支撑产业链安全，兼顾金融和科学技术理论知识、工程实践和生产一线专业知识，着力提升在校研究生金融与科技的交叉复合能力，加强学生金融科技工程技术创新创造能力。
此外，从经济社会效益角度而言，基于人工智能的资金面预测及报价模型实现，一方面提高对资金市场流动性与债券利率趋势预测的准确性，另一方面为市场提供资金市场智能交易的实现方案。
课题研究成果有利于市场发挥自主选择机制，提高银行间资金交易市场的流动性，满足金融机构的资金需求，促进资金交易市场与国际接轨，更好发挥债券回购在货币市场中的稳定器和利率锚的作用，进一步推进银行间资金交易市场对外开放与健康发展。
协同创新为长三角一体化发展添动力，浙大管院的学者们以学术创新突破金融领域前沿难题，为金融行业数智化发展助力。
面向国家战略所需，浙大管院将进一步加大金融科技创新力度，为金融领域高效、安全地利用大模型等人工智能技术提供智力支持，助力数字长三角构建。
