在几天前召开的“2019中国银行业发展论坛智慧金融（上海）峰会”上，招商银行副行长兼上海分行行长施顺华讲道：“今年上半年，我行在信息科技上投入36.33亿元，同比增长63.87%，占我行上半年营业收入的2.81%。全行上半年累计立项1169个，其中500个项目已投产上线”。（见：《招商银行施顺华：5G技术大规模商用还需等待一些契机》：http://finance.sina.com.cn/stock/relnews/hk/2019-09-17/doc-iicezzrq6521204.shtml ）

  36.33亿除以1169个项目，平均每个项目310万，厉害吧！难怪我要“弃笔从戎”，开发“基于银行大数据的精准营销系统”。简介如下：

一、产品基本功能

基于银行大数据，包括各类存贷款、各类理财产品等，应用最先进的机器学习算法，建立深度卷积模糊系统预测模型，预测客户购买特定理财产品的数额，将客户精细分类，在此基础上进行精准推荐。

二、深度卷积模糊系统的优势

支撑当下AI泡沫的深度神经网络有两大缺陷：（1）计算量庞大导致精度无法保证，因为有大量的参数需要循环迭代，不知道算多久才能收敛，所以模型的精度无法保证；（2）模型不可解释，是完全的黑箱，一旦出问题没有有效的方法进行改进，保证下一次不犯同样的错误。

深度卷积模糊系统恰恰克服了这两大缺陷：（1）由于基础的学习算法--WM方法只需要数据一次过，不用循环迭代，计算量小，精度有保证；（2）深度卷积模糊系统由简单的模糊子系统层层构建而成，每个模糊子系统就是一些简单的IF-THEN规则，容易理解，解释性强；如果系统出错，可以很容易查出是哪一条IF-THEN规则链出了问题，予以修正。

三、模型预测的基本思路

            数据文件

                x₁     x₂     x₃    ...    x_n    y   

               2.1   3.5   1.2    ...   2.8   0.1   

               1.5   2.2   4.2    ...   3,3   1.3         àà    y=f(x)  深度卷积模糊系统

                               ......

               2.6   3.1   2.6    ...   2.5   2.1

其中 x₁, …, x_n 为银行客户各类存贷款、各类理财产品等等的数据，y 为特定理财产品，y=f(x) 为深度卷积模糊系统预测模型：给出最新的客户数据 x，就可以通过 y=f(x) 预测出该客户购买相应理财产品的具体数额。

四、模型架构（深度卷积模糊系统）

五、快速学习算法

Step 1: Design the Level 1 fuzzy systems using the WM Method.

After the Level 1 fuzzy systems are designed, they are fixed and will not change in the future.

Step 2: Pass the data through the Level 1 fuzzy systems to get the new input-output data pairs, and use the WM Method to design the Level 2 fuzzy systems based on the new data pairs.

Step 3: Repeat Step 2 to design the Level 3, Level 4, Level 5, …, fuzzy systems, layer-by-layer, until the top level.

六、优越的性能

  混沌时间序列测试：Mackey-Glass chaotic time-series:

我们用一个五级深度卷积模糊系统预测回报率，得到预测模型。蓝线为学习误差，红线为检测误差，横坐标为覆盖每个输入变量的模糊集合的个数。

七、清晰的可解释性、简单有效的改错机制                                               

      左图：单个模糊系统的可解释性：对于任何输入场景（x₁^*, x₂^*）（高维情况一样），有一条起主要作用的 IF-THEN 规则，其 THEN part 模糊集合的中心点 c^ij 主导支配着整个系统的行动。

      右图：深度卷积模糊系统的可解释性：对于输入场景（x₁^0*, …, x₇^0*），每个模糊子系统由相应的主导规则参数 c^ij 所代表，整个深度卷积模糊系统就是这些主导规则 c^ij 的结构化链接。

      改错机制：如果系统在某个场景（x₁^0*, …, x_n^0*）犯了错误，只需基于新的正确数据把相应的主导规则参数 c^ij 重新学习一遍就可以了，无需改变系统的其它规则参数，既简单快捷，又不会误伤其它正确的规则。

八、产品的开发、交付、更新、与维护

第一步：入住银行，获取非敏感数据，包括各类存款数据（活期存款、通知存款、定期存款、大额存单等）、各类贷款数据（房贷、车贷、消费贷等）、各类理财产品数据（固定期限短期、固定期限中期、固定期限长期、无固定期限随时可支取、无固定期限特定时间可支取等）、各类通过银行出售的基金、债券、保险产品数据等（不需要任何客户敏感信息，每个客户只是一个代号）。采样间隔可以是按天采样、按星期采样等。

第二步：根据想要销售的金融产品，确定需要预测的变量y。比如想要销售一款三个月固定期限理财产品，那么需要预测的变量就是过去曾经销售过的同类产品在下一个采样点的数值。

第三步：基于数据及预测变量的特点，构建适合的深度卷积模糊系统预测模型；反复验证，确保性能最优。

第四步：将预测模型交付银行使用，协助将预测模型融入银行的软件系统。

第五步：定期更新预测模型。随着时间的推移，新的数据不断产生、新的现象不断出现，所以预测模型必须不断更新，才能跟上形势的发展，做出准确的预测。根据预测变量的变化特点，模型更新的频率可以是一个季度、一个月、一个星期等。

  产品开发及产权拥有者：王立新（Founder and Chief Scientist），大漠天鹏智慧金融科技（香港）有限公司，Desert Eagle Smart Finance Technology (Hong Kong) Limited。（学术界我是“Fuzzy王”，行业里我是“沙漠之鹰”）

  相关学术论文：L.X. Wang,“Fast training algorithms for deep convolutional fuzzy systems with application to stock index prediction”, IEEE Trans. on Fuzzy Systems, Early Access, August 2019. https://ieeexplore.ieee.org/document/8788632 or 

Fast_Training_DeepCFS.pdf