Автор Джесси Ин

Программа магистра инженерии Беркли (MEng) всегда гордилась широким спектром проектов Capstone, которые она предлагает своим студентам каждый год. Эти проекты дают студентам возможность работать над реальными проблемами в группах под руководством преподавателей или консультантов-партнеров. Профессор Синь Го из отдела Промышленная инженерия и исследования эксплуатации (IEOR) - один из них. Она преподает и проводит исследования по прикладной теории вероятностей, теории управления и теории игр, которые являются полезными инструментами для анализа экономической системы. Проекты Capstone, которые она консультировала в последние несколько лет, также были связаны с финансами. В прошлом году она возглавила создание новой FinTech-концентрации в рамках отдела IEOR.

У нас была возможность задать профессору Синь Гуо несколько вопросов о ее опыте работы с проектами Capstone и FinTech:

Почему вы хотели создать концентрацию FinTech?

Мои исследовательские интересы имеют очень естественную связь с финансами и экономикой. Я вижу, что все больше студентов, которые прошли со мной курсы финансовой инженерии, продолжали работать в таких компаниях, как Google и Facebook, а не на Уолл-стрит. Некоторые из моих аспирантов поступили так же. Итак, я подумал: раз мы находимся в Кремниевой долине, почему бы нам не сделать это - продвигать FinTech?

Нам очень повезло, что у нас есть платформа MEng и большая поддержка со стороны преподавателей. Мы первые в стране сделали это и получили огромное количество заявок. У нас очень хорошее начало.

Что отличает проекты FinTech Capstone от других?

Обычно проблемы в финансовой индустрии являются самыми сложными, потому что там самые умные люди пытаются зарабатывать деньги. Ключ программы FinTech - это действительно Capstone. Замечательная особенность нашего Capstone заключается в том, что, хотя мы исправляем объем проблем, мы меняем детали в зависимости от учащихся. Если группа более продвинутая, мы адаптируем задачи к более сложным темам.

Как выглядит типичный проект Capstone в FinTech?

В первом семестре мы требуем, чтобы студенты изучали теоретическую тему, которая является важным инструментом, например, опорная векторная машина (SVM) или линейная регрессия, читая книги и статьи. Мы просим их писать отчеты и делать презентации по этой конкретной теме. Я сказал им: «Вы всегда можете пойти на лекцию и чему-то научиться. Но для вас - изучить, представить и научить меня этому - другой уровень понимания ».

«Вы всегда можете пойти на лекцию и чему-то научиться. Но для вас - изучить, представить и научить меня этому - другой уровень понимания ».

После этого мы обычно берем реальную проблему, которая была изучена и опубликована в предыдущей статье. Это не финансовые данные. Обычно это медицинские данные, данные из социальных сетей или данные о покупках. Эти данные обычно чище (чем финансовые данные). Они применит инструменты, которым научили меня, к этим данным и проанализируют их. К концу семестра они докладывают мне о том, что они сделали. Поскольку это хорошо изученные данные, у нас есть эталон, чтобы сравнить и посмотреть, достаточно ли хорошо студенты усвоили инструменты, чтобы их можно было применять к реальным проблемам.

Тогда следующий семестр будет сложным. Теперь им нужно заняться настоящими финансовыми проблемами. Они сделали «техническую» часть. Теперь им нужно сделать «плавник». Финансовые данные обычно очень грязные. Им нужно научиться очищать данные. Это та же самая работа, которую должны выполнять инвестиционные банкиры, когда их впервые нанимают. Итак, мы обучаем студентов этому здесь. После очистки данных студенты используют уже отработанные методы работы с финансовыми данными. Но обычно финансовые данные труднее анализировать.

Что затрудняет анализ финансовых данных?

Позвольте привести пример. Что касается медицинских данных, если вы хотите отличить раковые клетки от здоровых, вы анализируете данные, а клетки не знают, что вы их анализируете. Они не меняются, поэтому у вас есть много повторяющихся данных, которые нужно тренировать и анализировать.

Что касается финансовых данных, они не повторяются. Это называется временным рядом. Другая трудность заключается в том, что когда вы пытаетесь найти сигналы в таких действиях, как торговля, другие люди могут видеть ваше торговое поведение. Итак, в нем есть игровой (теоретический) аспект, называемый сериалом. всякий раз, когда вы обнаружите сигнал, он исчезнет через некоторое время. Но данные о другом поведении, например о покупках, люди не меняют, потому что знают, что вы их изучаете. Так что, что бы вы ни делали, это не оказывает негативного влияния на основную динамику.

«Другая трудность заключается в том, что когда вы пытаетесь найти сигналы в таких действиях, как торговля, другие люди могут видеть ваше торговое поведение».

Вот почему мы помещаем фактические финансовые данные во второй семестр и позволяем студентам сначала тренировать «дружественные» данные. Вот почему некоторые студенты говорят: «Это сложно. Могу ли я пройти еще один курс Capstone и все же получить степень в области FinTech? » Нет, не можешь. Это сложно по какой-то причине. Но, в конце концов, если вы войдете в такие области, как машинное обучение или финансы, они тоже будут сложными. Вы должны принять вызов. Но насколько я слышал, большинству студентов проекты действительно нравятся. Они хотят узнать больше, чтобы стать более конкурентоспособными.

Что вы узнали, консультируя проекты Capstone?

Мы узнали, что студенты каждый год разные. С годами знания студентов изменились. Вначале о машинном обучении никто не знал. Но сейчас это уже часть кампуса. Все это знают. Кроме того, это интересно, когда мы даем разным группам похожие проекты, которые немного отличаются друг от друга. Вы видите, что люди такие разные. Наши способы мышления настолько разные, что в конечном итоге у них очень разные подходы.

А с точки зрения учителя, когда активные мыслители учатся чему-то с нуля, они иногда задают вопросы, о которых не задумывались даже специалисты в этой области. Мы всегда удивляемся тому, как младенцы задают удивительные вопросы. Но на самом деле то же самое и со студентами. Они задают удивительные вопросы, которые заставляют вас чувствовать, что вам нужно учиться большему, даже у молодежи. Я думаю, что это, наверное, лучшая часть преподавания.

«Мы всегда удивляемся тому, как младенцы задают удивительные вопросы. Но на самом деле то же самое и со студентами. Они задают удивительные вопросы, которые заставляют вас чувствовать, что вам нужно узнать больше ».

Какие проекты вы сейчас консультируете?

В одном проекте мы пытаемся использовать нейронные сети для изучения изображений. Это взято из одной из наших последних статей.

Другой проект касается машины опорных векторов (SVM), очень популярного инструмента машинного обучения для исследования изображений. Он пытается найти шаблон для классификации точек данных, который затем может быть применен к новым данным для прогнозирования. У него много реальных приложений. Например, в финансах его можно использовать для прогнозирования направления рынка, чтобы люди могли решить, когда покупать или продавать.

Как студенты могут извлечь максимальную пользу из своих проектов MEng?

На первом этапе важно действительно усвоить математические основы. Тогда у вас будет больше уверенности для второго шага. Но математики недостаточно. Специально для FinTech многие студенты боятся программирования. Но и математика, и программирование имеют решающее значение. Им необходимо уметь написать программу без ошибок, а также иметь математическое понимание, чтобы знать, как построить модель.

Для наших проектных групп Capstone мы обычно выбираем по одному сильному техническому специалисту в каждой из областей, таких как математика, программирование, моделирование и финансы. Я думаю, что в этом процессе ученики должны учиться друг у друга, а не говорить: «Я математик. Я просто посчитаю. Им нужно научиться работать в команде, а также улучшить свои более слабые навыки, обучаясь у своих товарищей по команде. Вместо того, чтобы думать о том, чтобы просто завершить проект, примите это как вызов и возможность увидеть, чего ожидать от сильного кандидата на рынке труда. Вы должны владеть хотя бы тремя из пяти навыков.

«Проекты Capstone дают учащимся ориентир, чтобы увидеть, в чем [им нужно] совершенствоваться».

Как вы думаете, какими должны быть инженерные лидеры?

Я считаю, что хороший инженер и руководитель должен хорошо мыслить. Вам нужно подумать о лучшем решении проблемы. Вы также должны учитывать не только себя, но и людей вокруг вас. Хороший лидер должен быть чутким к тому, что думают другие люди. Вы также должны хорошо мыслить в технических вопросах, чтобы люди уважали вас. Итак, хороший лидер должен быть как сильным техническим человеком, так и сознательным мыслителем. Я думаю, что культура Беркли учит этому. Мы не только хороши в технической подготовке, но и настоятельно поощряем думать об обществе и благополучии других людей. Это одна из лучших частей Беркли.

«Мы не только хороши в технической подготовке, но и очень поощряем думать об обществе и благополучии других людей. Это одна из лучших частей Беркли ».

Каким будет FinTech в будущем?

Финансы по-прежнему будут здесь, потому что зарабатывать деньги - в человеческой природе. С технологической точки зрения он станет более интенсивным. За последние десятилетия FinTech принял разные формы. Проблемы, с которыми мы столкнулись, разные. То, как мы торгуем, сильно изменилось. Но по сути, FinTech был здесь всегда. Раньше люди использовали перо для обработки данных. Теперь мы используем технику. Так что наша программа FinTech может выглядеть иначе, но она останется и будет адаптироваться к изменениям.

Какие проекты вы надеетесь посоветовать в будущем?

Любая интересная задача, в которой хорошо сочетаются фундаментальные инструменты, которые, как мы надеемся, студенты могут изучить, и реальные проблемы, к которым студенты могут применить эти инструменты. Любая хорошая программа магистратуры или доктора философии не должна просто учить вас учиться. Он должен научить вас применять полученные знания для решения новых задач. Так что любой проект, имеющий такую ​​природу, будет хорош. Я не хочу, чтобы проблемы были настолько простыми, что не заставляли людей думать. И слишком сложные задачи не подходят для получения опыта студентами магистратуры. Это должен быть правильный уровень. Я также хочу проекты, которые дадут мне возможность узнать что-то новое.

«Любая хорошая магистерская или докторская программа не должна просто учить вас учиться. Он должен научить вас применять полученные знания для решения новых задач ».

Профессор Го - заведующий кафедрой Coleman Fung по финансовому моделированию, работает в отделе Промышленное проектирование и исследования операций (IEOR) Калифорнийского университета в Беркли. Связаться с Профессором Го.