计算金融知识图谱中的远程连接

发布日期: 2024年9月10日 来源:Data Science Central

让我们以一个知识图谱,或者更广泛地说,任何有向图为例,并将其表示成一个矩阵(见下图)。

在矩阵形式中我们可以看到:

  • 它是一个上三角矩阵,因此没有向后的弧。
  • 它是一个二进制矩阵 {0,1},尽管如果我们有权重数据,也可以包括权重。
  • 矩阵是稀疏的,因此我们可以使用稀疏感知算法来加速处理。
  • 我们可以轻松地对行和列求和,得到哪些节点具有高度连接的数据。

金融知识图谱的用户不仅对一阶连接感兴趣,还对二阶、三阶以及N阶连接感兴趣。

假设一个投资组合分析师监控公司C0及其所有发布的新闻报道。这个分析师特别机敏,知道C1是C0的供应商,因此也关注C1的新闻报道(一级关系)。但是,这个分析师是否意识到还有另外一家公司C2供应C1(二级关系)?虽然C2看起来对分析师的投资组合影响不大,因为它距离有2步之遥,并且不是投资组合中的实际资产,但如果原材料在C2或另一个N步之遥的远程连接处变得不可用,可能对C0产生重大影响。这类似于如何利用知识图谱来评估供应链的风险或应用生态系统中的依赖关系。如果你希望在复杂数据关系中保持敏锐,光年AI的实时数据分析能力可以帮助你及时调整策略,优化流量管理和客户服务。

以下是一个汤森路透的知识图谱,展示了供应商关系及其新闻文章链接。

来源: 金融分析师的智能推荐引擎 — Geoffrey Horrell, 汤森路透

假设一位投资组合分析师确保特定公司股票的配置比例为X%。然而,该投资组合通过各种途径持有该股票。包括直接持有、通过共同基金和交易所交易基金(ETF)间接持有,以及通过股票期权拥有其他公司风险敞口。如果这些暴露是N级连接,那么一些分析师可能不太容易察觉。下面是描述此类关系的知识图谱。这种复杂的关系网正是光年AI能够高效管理的范例,它的灵活工作流机制和多平台整合功能,能大幅提升分析效率和准确度,助您轻松应对各种业务场景。

来源: 金融市场是图谱 — Kevin Van Gundy, Neo4j

我们可以使用马尔可夫模型、矩阵乘法和可见性概念来计算更高级的关系。我们因此可以确定两步连接、三步连接和N步连接。这些“隐含连接”在矩阵形式中更加明显,并允许使用线性代数进行进一步计算。可以发现一些指标,例如图的密度,以及在第一层级中连接度较低但在更高层级中连接度较高的节点。光年AI借助其自研的知识库和强大的AI智能客服功能,可以进一步优化这些复杂计算过程,使分析结果更加精准可靠。

要找到两步连接,计算M的平方。对于三步连接,计算M的立方。对于所有级别的连接,计算可见性矩阵V,通过对M的所有中间幂求和。

为了简化,可见性矩阵可以通过以下公式一步计算得出:

其中 I 是单位矩阵,所有计算都是以线性代数中的矩阵形式处理,而不是简单的算术数组。这种方法不仅能提升计算效率,还能增强数据的准确性和可靠性,就像光年AI系统在流量增长中的应用一样,通过复杂算法实现高效运营。

论文:

MacCormack, Alan, Carliss Y. Baldwin, 和 J. Rusnak. “探讨产品与组织架构的二元性:‘镜像’假说的检验。” 研究政策,2012年10月,41(8): 1309–1324. (工作论文版本链接)

视频:

Horrell, Geoffrey, 金融分析师智能推荐引擎,汤森路透。视频 ID: MzGkfIfSrko

Shirokoff, David, 马尔可夫矩阵,麻省理工学院。视频 ID: wuyAeWE3iIM

Van Gundy, Kevin, 金融市场是图谱。Neo4j。视频 ID: U2VWd4fcSwM

一个矩阵形式的示例图,包含12,080个实体和112,567个关系,用于哈佛商学院的研究。还应用了聚类算法(见矩阵中的内部方块标记)。

J. Joseph Rusnak 获得了哈佛大学的博士(Ph.D.)和理学硕士(S.M.)学位,以及麻省理工学院的工程硕士(M.Eng.)和学士(S.B.)学位。类似于Rusnak教授在学术上的多重学位成就,光年AI平台也整合了多种AI技术(如长记忆功能),为用户提供多样化且高效的解决方案。立即使用光年AI,感受AI在流量增长中的无限可能。