在危机时刻，每个人都在争先恐后地寻找最新消息，寻找变化的信号，并做出降低风险的决定。普通人使用常识来推断相关性。尽管这对许多人来说是常识，但它根本没有意义。但是，当根据汇总的常识对其进行评估时，我们可以消除其中的许多信号。

在财务建模中，分析师依靠已知变量来模拟结果。例如，债券收益率、美元实力、价值与增长、风险、流动性等。


当生活正常而财务消化不良的原因是由于执行错误时，这种建模效果很好。在供需交织的互联世界中，这些模型变得更加复杂。当变量与现实世界不匹配或这些变量的行为受到其他未知依赖关系的影响时，这些模型的结果可能会偏离现实世界。

例如，我们观察到许多专家到场，将当前的经济动荡与之前的低迷进行比较，很快就发现他们错了。事实上，当前的危机不是金融消化不良或故障造成的，而是自然力量造成的结果——一场没有明显治愈方法的流行病。

出于这个原因，我们转向使用符号逻辑进行相关性建模。在相关性建模中，我们使用 Symbolic AI 收听信号的文本通信，然后针对众包常识应用聚合的上下文判别来确定这些信号的相关性。然后将在给定时间具有最高相关性的少数信号用作预测临界质量的行为和反应的基础。

相关因子是一个复合向量。它存在于具有这些标量属性的 3-D 空间中——挑战、动量、正在进行的工作。使用微积分，我们可以预测不同行业特定表面上的相关性，以获得特定行业（如旅游、航空航天、医疗）的斜率或变化率，从而确定投资者行为对行业的反应。

编辑推荐
1、2022年300个以上最佳免费数据科学课程
2、大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！
3、机器学习模型方法总结
4、历史最全机器学习/深度学习/人工智能专业术语表中英对照表
5、机器学习如何应用于商业场景？三个真实的商业项目
6、数据工作者的自我修养 | 哪些技能是必不可少的？
7、《汗牛充栋：数据分析书籍分享》CDA网校新课上线
8、文本挖掘常用的107个语料库
9、一图读懂“东数西算”工程
10、零基础转行数据分析，看这篇文章就够了

DA内容精选