Investment Products Recommendation Engine
概述
IPRE（Investment Products Recommendation Engine）是一个综合性的投资银行业务解决方案，旨在连接零售投资者与复杂的资本市场。该解决方案利用AI/ML产品帮助客户进行最优投资组合构建、财富分配，并发现投资的关键绩效指标。通过结合多种ML解决方案，IPRE能够根据个人的风险偏好和财富管理目标生成高度个性化的投资建议。该参考模式无需大量手动工作即可部署高级分析服务，并使用Terraform脚本构建和部署IPRE的所有组件。
项目结构
- 高级分析服务源代码：位于
advanced-analytics/目录下，脚本按ETL、投资组合优化、投资分析服务的目标进行模块化组织。
- 数据管道：
data-pipelines/目录包含用于生成数据集、将数据从Cloud Storage写入BigQuery的Cloud Functions脚本。资本市场和投资者风险偏好数据集有专门的Cloud Functions用于调用BigQuery AutoML和ARIMA模型的训练和推理作业。
- 推荐引擎：
recommendation-engine/目录提供用于凸优化和投资分析的脚本。
数据管道
IPRE依赖于内部和外部多种数据源，并采用BigQuery、Cloud Storage、Dataflow等大数据技术实现可扩展的数据管道，遵循schema-on-read数据湖规范。
- 资本市场数据：通过专用数据管道作业从Yahoo Finance收集选定证券的报价，包括大型科技股、外汇、ETF等。预处理脚本去除损坏和缺失记录，并将每日历史报价转换为周期性回报，写入Cloud Storage，再通过Dataflow写入BigQuery。
- 投资者风险偏好：包含1000名现有零售投资者的历史记录的合成数据集，用于根据个人投资偏好进行个性化推荐。风险厌恶是目标变量，平均月收入、教育程度、贷款、存款等15个独立变量被用于生成投资者属性。
高级分析
- 风险厌恶：使用BigQuery AutoML模型预测潜在投资者的风险厌恶因素。通过Cloud Function调用脚本在BigQuery中训练模型，并使用BigQuery ML工具处理整个模型训练管道。
- 预期回报：利用BigQuery forecasting工具训练模型预测独立资产（股票、指数）在任意投资期限内的预期回报。使用多线程BigQuery作业减少训练时间，并采用ARIMA模型进行时间序列预测。
推荐服务
- 投资组合优化：通过计算资产组合的唯一组合来最大化预期回报与风险之间的差异。风险厌恶因素通过引入目标函数的惩罚来调整资产权重，风险厌恶越高，对包含风险资产的惩罚越大。
- 投资分析：计算投资组合的关键绩效指标，包括预期回报、风险和夏普比率，帮助用户根据风险偏好和投资目标做出明智的投资决策。
意义
- IPRE能够根据现有投资者的风险厌恶因素提供准确的推荐，并可扩展到OTC资产和结构化投资产品。
- 相比于内部解决方案，BigQuery的高级分析、ML和预测工具能够更有效地利用大规模数据集，降低人工维护成本。
- IPRE通过提供个性化推荐，提升用户参与度，增加交易活动，为金融公司提供竞争优势。
