0
“夫運籌帷帳之間，決勝于千里之外。”
1955年，研究人員從《史記·高祖本紀》中提取出“運籌”二字賦予年輕的Operations Research（簡稱OR）學科以中文名。OR起源于第二次世界大戰，最初是為了最高效地分配軍事任務和軍事資源。隨著戰后工業生產的日益復雜化，本質是研究優化問題的OR開始延伸至其他更廣泛領域，傳統應用包括供應鏈管理、路徑優化、選址、能源網絡布局、收益管理、資產配置與風控等。
作為一門交叉學科，運籌學與數學、計算機、經濟管理等學科都存在著密切的聯系。斯坦福大學李國鼎工程講座教授（K. T. Li Chair Professor）、優化領域基石算法內點算法的奠基人之一葉蔭宇教授表示，運籌學是在滿足約束條件下能夠最大化、最小化某一目標的最優決策，有兩大關鍵步驟：建模，將問題通過數學形式準確有效地表達；求解，獲得最優化目標函數的決策。
葉蔭宇教授
隨著 AlphaGo等應用的突破性進展，人工智能大行其道，相關企業如雨后春筍般涌現，對于AI相關學科也產生了深刻的影響。在近日上海財經大學聯合杉數科技召開的“2017年數據驅動的優化理論與實踐”國際研討會上，上財交叉科學研究院院長，斯坦福大學博士葛冬冬教授分享了一番運籌學面臨的機遇和挑戰。
數據全鏈條包含三個階段，第一是采集挖掘、管理存儲數據，通常由計算機和信息科學技術完成。隨后提取數據中的信息，通過規律性分析發現規律，通常由統計和機器學習完成。但這些還不能釋放數據的巨大價值，核心決策往往有較高的復雜度，還受諸多關系復雜的決策因素影響，所以運籌學接棒以期實現決策最優化。
“大數據天然帶來了算法的需求，一階算法興起，非凸優化在深度學習和機器學習取得了有目共睹的成功。此外，量化意識覺醒，帶來了對運籌學模型的再意識。”
但與此同時，整個過程從模型驅動向數據驅動轉變，對方法論、實踐的突破提出了新要求。在現實中，運籌學從業者常會遇到算法歸功于誰，模型該聽從經濟學、統計學還是計算機科學的聲音，以及工程化能力薄弱不足以支撐完整思想的傳達等一系列問題。
而在斯坦福大學統計系教授黎子良眼中，這一切與AI相關的學科關系則更加簡單，“往前數幾十年，統計、運籌等都是同源。”在研討會上，黎子良教授對雷鋒網表示，在實際研究人工智能過程中，他也從不拘于統計學的方法，“我的學生散布在計算機、工科、醫學等多個專業，我會經常與他們交流問題，也要求他們相互合作。”
作為人工智能決策層面的支持理論，隨著其他技術的發展，運籌學的應用場景在不斷拓寬。當然也包括金融領域。
第一個應用場景是投資組合優化。葉蔭宇教授曾在公開演講中提及優化馬科維茨模型投資組合的例子。本質上，它是一個權衡收益和風險，構建最優投資組合的優化問題。
“把投資組合的問題寫成一個二次規劃，它的目標函數是二次函數，所有的約束也都是線性。我們通過一些常用軟件Barra、Axioma、ITG、Mosek 等來最快地解出這個二次規劃。”
第二大應用場景是風控與征信。作為全球最大的信用評級公司，2006至2007年間，FICO在征信模型求解方面找到了葉教授的科研組求助。葉蔭宇教授表示，當時項目的信用評分模型極為復雜，數據樣本過大，采用的機器學習模型，例如SVM，缺乏專用算法，一般的算法求解器調用以后無法在短時間內輸出分類結果。
這是一個非線性優化問題，求解難度很大。后來，FICO簡化了求解問題，并開發出專用、針對性的大規模優化算法，提升效率，增強可用性，還收購了一家專門的優化算法公司Xpress。當下，FICO已經自稱是一家預測分析和決策管理公司，據2016年報顯示，FICO 評分貢獻 2.41 億美元收入，占其總收入 27%，決策工具占比12%。據了解，旗下擁有一款幫助業務分析師優化決策策略的優化工具Decision Optimizer。
此外的應用場景還包括金融機構的儲備金以及金融產品的定價。由幾位斯坦福運籌學博士創立于2016年的杉數科技，主要為大公司提供咨詢和定制化服務。CTO、明尼蘇達大學助理教授王子卓告訴雷鋒網，“總的來說，只要涉及到決策的金融場景，多多少少都會牽涉運籌優化。”
據他介紹，他們曾經做過類似項目，為某投資理財機構設計儲備金，來應對投資者贖回或者其他市場風險，“類似于物流，只不過這里是資金流，需要做出每天儲備多少資金才是安全線的決策，用到了魯邦優化（Robust Optimization）等模型”。
定價問題其實是指金融產品的利率。產品利率與投資者投資成正比，這時需要權衡利率與平臺利潤的關系，“可以將此比作零售價格的設定”。
此外還可以應用在收益管理。該場景下要解決的問題就是，商家在如何不增大流量投入的前提下，顯著提升企業的銷售收入，解決這個問題需要收集多個維度數據，找到不同場景下的最優定價和最好的銷售策略。
在實踐中應用運籌學也符合我國所倡導的集約型經濟增長方式，但當前其在金融業的應用還處于早期階段，相較而言無法與物流、零售領域的實踐比肩。
王子卓表示，杉數一開始聚焦的行業就是物流，目前在物流和零售的案例最多。主要有三方面原因：第一運籌學與物流、零售的契合點傳統上比較多，這主要表現在解決問題的廣度更高，效果更為顯著。第二，金融行業充斥著一大不確定性因素——人，可控性和標準化難度高，以及金融天然的避險性和強監管，一貫對新技術持相對謹慎的態度。第三金融機構內部也有團隊在做類似的事情，洽談項目的難度會更高。
另一方面，國外金融行業運籌學的普及度也更高。
據雷鋒網了解，葉蔭宇教授的斯坦福團隊曾為美國運通公司進行過利用動態博弈模型追討未償債務的項目。追討未償債務是運通重要的商業流程之一，即使是微小的提升也會顯著影響其盈虧，但問題是追討成本高，哪些值得追討，又該采取怎樣的策略。
葉蔭宇教授介紹說，后來他們利用有期限的動態博弈來建模還款過程，在三個層面（債務人分配、追債人分配、有期限的動態博弈）進行優化，找到最佳的追債人債務人匹配及追償方案。落地實施時，將復雜博弈模型轉化為5個分割點方案，取得了明顯效果。
除了定制化服務，行業機構還會提供一類標準化產品——算法求解器（optimization solver）。運籌學加上算法引擎，通過集成高效的優化算法為復雜數據分析提供基礎的算法和軟件支持，特別是開發優化算法求解器，能夠顯著提升機器學習和深度學習效率。市面上知名的求解器有美國Gurobi、IBM旗下Cplex、MOSEK等，前文提及的FICO 旗下Xpress也是此類。
在運籌優化國際研討會上，成立于1997年丹麥的MOSEK創始人Erling D. Andersen告訴雷鋒網，MOSEK產品的主要市場在歐洲、北美，中國僅有一兩個正版客戶（也有一部分原因是，由于商用求解器相對昂貴，所以存在盜版和大規模的免費教育版用戶）。
“國內采用求解器的大多是大公司，而國外應用更加廣泛，小公司也有這種意識。此外，國內一些機構可能也不能很好地發揮這種工具的作用。”王子卓剖析道。
國內的從業機構不多，又有著廣闊的應用前景，運籌優化這片藍海似乎十分富饒。但在從業者縱橫波濤之前，還有一個阻礙——生力軍匱乏。作為一門交叉學科，運籌學散落在商學院、計算機學院、數學學院、工程學院中，學科建設不足，國內高校開設寥寥。此外，直到今年11月開源算法平臺LEAVES發布前，中國還沒有自己的優化求解器，主要依靠海外產品。
“不過近兩年，運籌學學科受重視程度提升”，葛冬冬教授向雷鋒網闡述變化，“一些高校設置交叉研究院，吸引海外知名學者。在業界，我們發現不少大公司，比如順豐、滴滴、美團、京東等，給相關人才開出的待遇顯著提高，這也有利于提高學科培養人才的積極性。”
在閉門會議上，葉蔭宇教授表示，研究運籌學，第一要跟上技術發展的潮流，比如關注機器學習中的優化問題；同時，也可以為其他學科提供新思路、方法，幫助他們解決問題。
第二，長期來說，運籌學要結合學術研究與深層的應用，對實際產生意義。
“OR 的本質是一個接地氣、落地的科學。OR 要走出去，不要孤芳自賞，還要再做點實際的事。”
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
