收购风险软件提供商Kamakura未满18个月,SAS即领衔Chartis风险技术领导者象限,助力金融公司全方位监管信贷资产组合
近日,Chartis发布了风险技术(RiskTech)象限报告《2023年信贷资产组合管理解决方案:市场与厂商格局》,将人工智能(AI)与分析领域的领导者SAS评为“信贷资产组合管理”(CPM)解决方案类别领导者。在随后的厂商分析报告中,Charis称赞SAS将“数据和分析无缝融入客户旅程的每一阶段”,使金融服务公司能够“从投资中获取到最大价值”。
Chartis象限报告是针对全球CPM市场发布的权威评估报告,在国际上享有盛誉。此次评估对象包括35家领先的CPM解决方案提供商。值得注意的是,在关于产品完整性的所有评估指标上,SAS一举拿下全部高分,其中包括平台与产品性能、工作流管理、CPM分析模型、新兴技术的采用,以及CPM生命周期相关用例。
“通过在SAS® Viya®平台上对Kamakura风险管理器(KRM)和Kamakura风险信息服务(KRIS)进行整合,SAS进一步增强了其行业领先的风险管理解决方案的实力,” Chartis首席研究员Sidhartha Dash表示:“从数据管理和信用评分到风险建模与合规管理,SAS都可以提供全方位的深度分析,帮助风险管理人员深入了解那些复杂的风险态势,以便调整其信贷资产组合。一旦拥有更紧密相关的战略视角,企业将能够更快、更自信地制定风险决策,同时更容易实现令人艳羡的、真正一体化的资产负债管理的目标。”
构建统一平台环境,提供无与伦比的能力
SAS在Chartis 2024年度风险技术百强榜(Risktech100®)中排名第二,以风险管理、反欺诈和合规技术方面的雄厚实力而闻名。SAS在CPM方面的表现也同样出色。在厂商分析报告中,Chartis对SAS Viya强大CPM性能的几大支柱进行了剖析:
· SAS资产负债管理解决方案:整合了KRM及其他资产负债表与资本管理软件,在综合风险评估、资产流动性、价值评估、存款模拟、转移定价和信贷分析等方面都具备极大的功能优势,并实现了工作流的无缝衔接。该方案可部署在现场或云端,为资产负债综合管理提供了所需的基础工具和技术。
· Chartis厂商分析报告指出,SAS风险建模与决策解决方案“通过利用直观的决策工具,把兼具广度和深度的SAS风险分析与企业数据管理进行有机结合,便于进行实时的资产组合监测以及决策制定” 。此外,“SAS在数据准备和分析方面的诸多能力都具备市场领先性,例如开源集成、模型治理和数据血缘分析,同时SAS平台可帮助金融机构以最快的速度进行分析模型的构建和部署,并将风险降至最低。”
· 值得一提的是,KRIS是第一个也是唯一一个提供Jarrow-Chava违约概率模型简化版商业应用的风险数据服务。KRIS提供76个国家42000多家公司的违约概率,数据每天持续更新,已被政府机构、资产管理公司、银行以及其他公共和私人公司广泛采用。
SAS Viya平台可实时监测风险因素的变化,这一作用十分关键。正如Chartis在厂商分析报告中所指出的那样,该平台“在整个CPM生命周期都凸显了出色的模型管理和压力测试性能,使公司能够对信贷资产组合的风险因素进行彻底评估”。此外,Chartis还称赞SAS蕴藏着更大的潜力:助力金融机构采用更先进的建模方法,以提高风险量化能力,从容应对气候风险、环境、社会和治理(ESG)等挑战。
无论2024年经济形势如何变化,只要在适合的平台上部署了适合的风险管理能力,金融服务公司将能够最大程度地降低潜在损失,并使其资产投资组合抵御经济衰退的影响。
“银行及整个金融行业都将持续面对利率和流动性风险。为助其应对这一风险挑战,SAS提供了一整套解决方案,从应对基本数据的挑战,乃至全面的资产负债管理。” SAS风险与欺诈管理&合规解决方案高级副总裁Stu Bradley表示:“我们与竞争对手的主要区别在于,能够在统一的平台上为客户提供行业领先的分析能力。SAS提供端到端的解决方案,覆盖整个资产负债管理流程,为企业实现更具整体性的决策制定奠定了基础。”
访问Chartis网站,查看风险技术百强榜之SAS介绍篇,了解这家分析巨头是如何利用10亿美元AI投资增强解决方案能力,从而帮助金融公司在不断变化的风险中走得更快、更远。
关于Chartis
Chartis是全球风险技术市场领先的研究与分析服务厂商。公司隶属Infopro Digital旗下,后者拥有Risk、WatersTechnology等多个市场领先品牌。Chartis的目标是支持企业通过改进风险管理、公司治理和法规遵循来提升业务表现;为客户提供风险技术领域全方位的深度分析和可行建议,协助客户做出明智的技术和业务决策。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。