CN111344722A - 用于情景模拟的系统和方法 - Google Patents

Abstract

描述了用于自动生成情景和表示在该情景下的工具的评估的用户界面元素的系统和方法。该系统和方法使用专家轮询系统和机器学习规则生成树数据存储结构，该树数据存储结构表示针对事件结果的宏观因素的不同情景。还提供了用于专家轮询、情景呈现以及与情景交互的机器实现界面。

Description

用于情景模拟的系统和方法

相关申请的交叉引用和优先权要求

本申请根据35U.S.C.§119(e)要求于2017年5月1日提交的第62/492,668号美国临时专利申请的优先权，其内容通过整体引用并入于此。

技术领域

本公开总体上涉及应用于在不确定性下制定决策的图形用户界面、计算机工具和人工智能领域。

背景技术

鉴于大量决策点和概率事件相互依存并相互影响，因此现实世界情景分析具有挑战性。随着事件的发生，日益全球化世界中的宏观因素和微观因素都会受到影响，了解这些影响的作用和可能的结果可能有助于制定决策。

发明内容

在每个其他方面中，本公开提供了对应的系统和设备、以及用于实现这样的系统、设备和方法的逻辑结构，诸如机器可执行编码指令集。

本文描述的实施例涉及用于自动生成情景和表示在该情景下的工具的评估的用户界面元素的系统、方法和设备。

本文描述的实施例涉及用于使用人工智能、轮询和网络理论自动生成情景和用户界面元素的系统、方法和设备。例如，本文描述的实施例可以使用情绪分析来处理轮询结果以用于情景生成。例如，人工智能可以被用以通过轮询标识大型数据集中的趋势和见解。作为另一示例，情绪分析可以被用以理解每个实施例所轮询的专家的意见分布。本文提供了进一步的细节。

本文描述的实施例涉及用于自动生成表示情景和用户界面元素的数据结构的方法。该方法可以涉及：通过应用第一规则集从由第一规则集限定的多个事件生成事件来处理多个数据馈源(feeds)，该事件被链接到结果集。该方法可以涉及：通过将第二规则集应用到所述事件来生成宏观因素集。示例宏观因素可以包括组织的资产负债表事项，使得组织可以了解与这些事项相关联的风险。例如，供应链中的因素具有可以通过本文描述的实施例评估的相关联的风险。该方法可以涉及：获取限定多个轮询问题的第三规则集。该方法可以涉及：通过应用第三规则集生成轮询问题子集来处理宏观因素集的子集，每个轮询问题被链接到宏观因素子集中的宏观因素和可接受作为宏观因素的数据值的输入响应范围。该方法可以涉及：生成并显示用户界面，该用户界面具有针对被链接到宏观因素和可接受作为宏观因素的数据值的输入响应范围的轮询问题的可视元素。该方法可以涉及：生成表示宏观因素和结果的情景的图形数据存储结构，该图形结构中的每个节点限定描述符和数据值，图形结构具有与根节点相对应的事件节点、被连接至根节点的结果节点、和被连接至结果节点的宏观因素节点，每个宏观因素节点具有数据值。该方法可以涉及：在用户界面处接收对轮询问题的所选输入响应。该方法可以涉及：获取第四规则集，该第四规则集计算宏观因素节点的数据值。该方法可以涉及：通过应用第四规则集生成宏观因素节点的数据值来处理所选输入响应。该方法可以涉及：用宏观因素节点的数据值填充图形数据存储结构，以生成结果节点的情景。该方法可以涉及：更新界面以产生其他可视元素，该其他可视元素指示响应的分布。

该方法可以涉及：通过将第二规则集应用到事件来生成宏观因素集涉及对历史数据的深度学习。

该方法可以涉及：通过将第二规则集应用到事件来生成宏观因素集涉及对历史数据的回归。

在一些实施例中，宏观因素的数据值基于响应分布而被计算。

在一些实施例中，宏观因素的数据值包括到极限的范围。

在一些实施例中，宏观因素的数据值包括值增加或降低的概率。

在另一方面中，本文描述的实施例提供了一种用于自动生成情景和表示该情景下的工具的评估的用户界面元素的设备，该设备包括数据存储设备和处理器以：接收多个数据馈源并且应用第一规则集来生成事件，该事件被链接到结果集；生成事件的宏观因素集；生成宏观因素子集的轮询问题子集，每个轮询问题被链接到宏观因素子集中的宏观因素和可接受作为宏观因素的数据值的输入响应范围；生成用户界面，该用户界面具有针对被链接到宏观因素和可接受作为宏观因素的数据值的输入响应范围的轮询问题的可视元素；生成表示针对宏观因素和结果的情景的图形数据存储结构，该图形结构中的每个节点限定描述符和数据值，图形结构具有与根节点相对应的事件节点、被连接至根节点的结果节点、和被连接至结果节点的宏观因素节点，每个宏观因素节点具有数据值；在用户界面处接收对轮询问题的所选输入响应；使用所选输入响应来计算宏观因素节点的数据值；用宏观因素节点的数据值填充图形数据存储结构，以生成结果节点的情景；以及更新界面以产生其他可视元素，该其他可视元素指示响应的分布或投资组合的评估。

在一些实施例中，处理器使用对历史数据的深度学习来生成宏观因素集。

在一些实施例中，处理器使用对历史数据的回归来生成宏观因素集。

在一些实施例中，宏观因素的数据值基于响应分布而被计算。

在一些实施例中，宏观因素的数据值包括到极限的范围。

在一些实施例中，宏观因素的数据值包括值增加或降低的概率。

在另一方面中，本文描述的实施例提供了一种用于自动生成情景和表示在情景下的工具的评估的用户界面元素的方法。该方法涉及：获取限定多个事件的第一规则集。该方法涉及：通过应用第一规则集从多个事件生成事件来处理多个数据馈源，该事件被链接到结果集。该方法涉及：获取限定多个宏观因素的第二规则集。该方法涉及：通过应用第二规则集生成宏观因素子集来处理事件。该方法涉及：获取限定多个轮询问题的第三规则集。该方法涉及：通过应用第三规则集生成轮询问题子集来处理宏观因素子集，每个轮询问题被链接到宏观因素子集中的宏观因素和可接受作为宏观因素的数据值的输入响应范围。该方法涉及：生成并显示用户界面，该用户界面具有针对被链接到宏观因素和可接受作为宏观因素的数据值的输入响应范围的轮询问题的可视元素。该方法涉及：生成表示针对宏观因素和结果的情景的图形数据存储结构，图形结构中的每个节点限定描述符和数据值，图形结构具有与根节点相对应的事件节点、与根节点的子节点相对应的结果节点、和与结果节点的其他子节点相对应的宏观因素节点，每个宏观因素节点具有数据值。该方法涉及：在用户界面处接收对轮询问题的所选输入响应。该方法涉及：获取第四规则集，该第四规则集计算宏观因素节点的数据值。该方法涉及：通过应用第四规则集生成宏观因素节点的数据值来处理所选输入响应。该方法涉及：用宏观因素节点的数据值填充图形数据存储结构，以生成针对结果节点的情景。该方法涉及：更新界面以产生其他可视元素，该其他可视元素指示所选输入响应的分布和图形数据存储结构的情景。

在一些实施例中，图形的每个结果节点限定宏观因素节点的2ⁿ条路径的子树，每条路径对应于情景，n是宏观因素子集中的宏观因素的数目。

在一些实施例中，该方法涉及：生成输入响应范围，其中图形数据存储结构中的父节点和子节点通过边连接，该边与从父节点遍历到子节点的概率相关联，每个情景与情景概率相关联，该情景概率使用与边相关联的概率而被得出。

在一些实施例中，计算宏观因素节点的数据值的第四规则集生成响应的一种或多种分布。

在一些实施例中，该方法涉及：使用标度来生成可接受作为宏观因素的数据值的输入响应范围，该标度的中点表示没有变化，一部分表示向上变化到极限，而另一部分表示向下变化到另一极限。

在一些实施例中，情景由从树数据存储结构的根节点到叶节点的路径限定。

在一些实施例中，该方法涉及：处理输入响应以针对每个宏观因素生成概率分布。

在一些实施例中，每个概率分布包括p^u(F_i)，即在时间范围内因素i向上移动的概率。

在一些实施例中，每个概率分布包括p^d(F_i)，即在时间范围内因素i向下移动的概率。

在一些实施例中，输入响应被处理以针对每个宏观因素获取至少一个：对于第i个因素，可能的上行变动范围r^u(F_i)和下行变动范围r^d(F_i)。

在另一方面中，本文描述的实施例提供了一种用于自动生成情景和表示在情景下的工具的评估的用户界面元素的系统。该系统包括存储器以及被耦合至该存储器的至少一个处理器。该至少一个处理器被配置为提供限定多个事件的第一规则集、限定多个宏观因素的第二规则集、限定多个轮询问题的第三规则集、和计算宏观因素节点的数据值的第四规则集。该至少一个处理器还被配置为通过应用第一规则集从多个事件生成事件来处理多个数据馈源，该事件被链接到结果集。该至少一个处理器被配置为通过应用第二规则集生成宏观因素子集来处理事件。该至少一个处理器还被配置为通过应用第三规则集生成轮询问题子集来处理宏观因素集的子集，每个轮询问题被链接到宏观因素子集中的宏观因素和可接受作为宏观因素的数据值的输入响应的范围。该至少一个处理器还被配置为控制显示器显示用户界面，该用户界面具有针对被链接到宏观因素和可接受作为宏观因素的数据值的输入响应的范围的轮询问题的可视元素。该至少一个处理器还被配置为生成表示宏观因素和结果的情景的树数据存储结构，该树结构中的每个节点限定描述符和数据值，树结构包括与根节点相对应的事件节点、与根节点的子节点相对应的结果节点、以及与结果节点的其他子节点相对应的宏观因素节点，每个宏观因素节点具有数据值，其中，树的每个结果节点限定宏观因素节点的2n条路径的子树，每条路径对应于情景。然后，至少一个处理器还被配置为接收对轮询问题的所选输入响应。该至少一个处理器还被配置为通过应用第四规则集生成宏观因素节点的数据值，并且用宏观因素节点的数据值填充树数据存储结构以生成结果节点的情景，来处理所选输入响应。然后，该至少一个处理器还被配置为更新界面以产生其他可视元素，该其他可视元素指示在树数据存储结构的情景下轮询问题的分布以及所选输入响应和工具的评估。

在另一方面中，本文描述的实施例提供了一种使用图形用户界面和用户输入设备自动生成情景和表示该情景下的工具的评估的用户界面元素的方法。该方法涉及：维持表示情景的树数据存储结构，该树数据存储结构包括限定描述符、概率值和数据值的多个节点，树结构具有与根节点相对应的事件节点、与根节点的子节点相对应的结果节点、以及与结果节点的其他子节点相对应的宏观因素节点，每个宏观因素节点具有数据值。该方法涉及：基于接收到的输入数据集周期性地或连续地更新树数据存储结构，该输入数据集至少包括对轮询问题的机器可读答案，该周期性地或连续地更新包括：处理每个机器可读答案以确定一个或多个形变因素并将其应用于多个节点中的至少一个节点，该一个或多个形变因素修改概率值和数据值中的至少一个。该方法涉及：使用树数据存储结构，确定一条或多条路径的集合，这些路径组合起来跨越节点的所有可能组合，并且针对每条路径，遍历树数据存储以确定对分析中的特定投资组合的对应贡献。该方法涉及：基于树数据存储结构和多个节点实例化图形情景树，该图形情景树绘制树数据存储结构和多个节点的可视表示，图形情景树具有与多个节点中的每个节点相关联的用户界面元素。该方法涉及：将实例化的图形情景树动态地绘制在图形用户界面上。该方法涉及：接收来自用户输入设备的一个或多个用户输入，用户输入与一个或多个用户界面元素中所选择的用户界面元素集合相对应。该方法涉及：确定跨越一个或多个用户界面元素中所选择的用户界面元素集合的路径或部分路径，并且选择实例化的图形情景树的区域，该区域被选择使得跨越路径或部分路径的所有节点在图形用户界面上都可见。该方法涉及：控制图形用户界面以使在图形用户界面上显示的视图适应于被定界，使得选择的区域被图形显示为图形情景树的扩展部分显示。该方法涉及：确定对分析中的特定投资组合的一个或多个贡献估计值，该一个或多个贡献估计值中的每一个与路径或部分路径的对应节点相对应。该方法涉及：将表示一个或多个贡献估计值的一个或多个图形元素动态地附加到路径或部分路径的对应节点，该一个或多个图形元素与路径或部分路径的节点对齐。

该方法涉及：动态地绘制专家界面以用于接收输入数据集，该输入数据集表示来自一个或多个专家的输入，专家界面包括一个或多个专家界面可视界面元素，当与一个或多个专家进行交互时，专家界面可视界面元素指示来自一个或多个专家的输入。

在一些实施例中，一个或多个专家界面可视界面元素包括一个或多个标度，该标度具有被配置为用于沿着一个或多个标度放置的可选择图标。

在一些实施例中，一个或多个标度中的每个标度具有动态设置范围，每个动态设置范围被确定为限制可供专家选择的可能值的集合。在一些实施例中，动态设置范围是根据规则集来设置的，该规则集至少基于针对对应专家标识的所标识的偏差模式来限制可能值的集合以及沿着对应标度的值的分布。

在该方面中，在详细解释至少一个实施例之前，应当理解，实施例不限于以下描述中阐述的或在附图中图示的构造的细节和组件的布置。同样，应当理解，本文采用的措词和术语是出于描述目的，并不应当被视为是限制性的。

阅读了本公开之后，本领域技术人员将想到与本文描述的实施例有关的许多其他特征及其组合。

附图说明

在附图中，实施例通过示例来说明。应当明确理解的是，说明书和附图仅出于说明的目的，作为理解的辅助。

现在将仅通过示例的方式参考附图来描述实施例，其中，在附图中：

图1图示了根据一些实施例的情景模拟/生成平台的示意框图；

图2A图示了根据一些实施例的不同类型和层次的分析因素的流程图；

图2B图示了根据一些实施例的不同类型和层次的分析因素的流程图；

图3A图示了根据一些实施例的基于货币波动的示例结果情景；

图3B图示了根据一些实施例的基于政治上的胜利和货币波动的示例结果情景；

图4图示了具有与轮询问题相对应的可视元素、数据值范围、以及所选择的数据值的指标的界面；

图5A图示了根据一些实施例的对宏观因素的影响的表格；

图5B图示了当第一方获胜时具有与针对示例结果的冲击级别分布相对应的可视元素的界面；

图5C图示了当第二方获胜时具有与针对示例结果的冲击级别分布相对应的可视元素的界面；

图5D图示了当第三方获胜时具有与针对示例结果的冲击级别分布相对应的可视元素的界面；

图5E图示了当第一方获胜时具有与针对示例结果的宏观到微观上行和下行冲击级别相对应的可视元素的界面；

图5F图示了当第二方获胜时具有与针对示例结果的宏观到微观上行和下行冲击级别相对应的可视元素的界面；

图5G图示了当第三方获胜时具有与针对示例结果的宏观到微观上行和下行冲击级别相对应的可视元素的界面；

图6A图示了根据一些实施例的事件的可能结果情景的树结构；

图6B图示了根据包括示例情景路径的一些实施例的当第二方获胜时的可能结果情景的树结构；

图6C图示了根据一些实施例的事件的可能结果情景的树结构；

图7A图示了根据一些实施例的事件的可能结果情景的子树；

图7B图示了根据一些实施例的事件的可能结果情景的子树；

图7C图示了根据一些实施例的事件的可能结果情景的子树；

图8图示了根据一些实施例的导致微观因素改变的宏观因素的流程图；

图9图示了根据一些实施例的因素之间的相互关系树；

图10图示了根据一些实施例的用于生成情景模型的过程；

图11-30图示了根据一些实施例的用户界面的示例屏幕截图；

图31A、31B、31C、31D、31E和31F图示了根据一些实施例的报告界面的示例屏幕截图；

图32图示了根据一些实施例的用于自动生成情景和表示工具的评估的用户界面元素的方法；

图33图示了根据一些实施例的用于生成可视元素的用户界面的方法；

图34图示了根据一些实施例的计算设备的示意框图；

图35图示了根据一些实施例的用于轮询的界面；

图36图示了根据一些实施例的具有图形表示的界面；

图37图示了根据一些实施例的具有图形表示的界面；

图38图示了根据一些实施例的具有图形表示的界面；

图39图示了根据一些实施例的具有图形表示的界面；

图40图示了根据一些实施例的具有图形表示的界面；

图41图示了根据一些实施例的百分比值的图形；以及

图42图示了根据一些实施例的上行冲击级别和下行冲击级别。

图43图示了根据一些实施例的情绪分析的处理流程。

图44图示了根据一些实施例的具有情景度量的界面；

图45图示了根据一些实施例的具有损益热图的界面；

图46图示了根据一些实施例的具有损益热图的界面；

图47图示了根据一些实施例的具有损益热图的界面；

图48图示了根据一些实施例的具有行业(sector)级概要的界面；

图49图示了根据一些实施例的具有损益热图的界面；

图50图示了根据一些实施例的具有投资组合和对等方之间的差异的热图的界面；

图51图示了根据一些实施例的具有分布图的界面；

图52图示了根据一些实施例的具有分布图的界面；

图53图示了根据一些实施例的具有分布图的界面；

图54图示了根据一些实施例的具有行业级概要的界面；

图55图示了根据一些实施例的具有行业级概要的界面；

图56图示了根据一些实施例的具有行业级概要的界面；

图57图示了根据一些实施例的具有分布图的界面；

图58图示了根据一些实施例的具有分布图的界面；

图59图示了根据一些实施例的具有分布图的界面；

图60图示了根据一些实施例的具有图形表示的界面；

图61图示了根据一些实施例的具有图形表示的界面；

图62图示了根据一些实施例的具有宏观情景列表的界面；

图63图示了根据一些实施例的具有宏观情景列表的界面；

图64图示了根据一些实施例的具有图形表示的界面；

图65图示了根据一些实施例的具有图形表示的界面；

图66图示了根据一些实施例的具有图形表示的界面；

图67图示了根据一些实施例的具有图形表示的界面；

图68图示了根据一些实施例的具有图形表示的界面；

图69图示了根据一些实施例的具有轮询分布图的界面；

图70图示了根据一些实施例的具有轮询分布图的界面；

图71图示了根据一些实施例的具有轮询分布图的界面；

图72图示了根据一些实施例的具有轮询分布表的界面；

图73图示了根据一些实施例的具有轮询分布图的界面；

图74图示了根据一些实施例的具有轮询分布图的界面；

图75图示了根据一些实施例的具有损益频率图的界面；

图76图示了根据一些实施例的具有事件概率表的界面；

图77图示了根据一些实施例的具有回测图的界面；以及

图78图示了根据一些实施例的具有回测图的界面。

具体实施方式

通过参考附图描述方法、系统和装置的实施例。

以下讨论提供了本发明主题内容的许多示例实施例。尽管每个实施例表示发明元素的单个组合，但是本发明主题内容被认为包括所公开元素的所有可能的组合。因此，如果一个实施例包括元素A、B和C，而第二实施例包括元素B和D，那么，即使没有明确地公开，本发明主题内容也被认为包括A、B、C或D的其他剩余组合。

本文描述的各种实施例涉及与对结果情景(例如，天气、世界事件、金融事件)进行分析以确定对金融证券的潜在影响有关的机器分析工具。据推测，这些情景被用于指导与发起与金融证券相关的换算有关的决策制定。这些工具可以适合于各种目的，并且在一些实施例中，可以被特定地配置为提供经过修改的界面，该界面被设计用于帮助人们在与系统交互时避免偏差。

提供了用于生成和处理鉴于一个或多个未来事件可能发生的情景的系统、方法和计算机可读介质。这些事件中的每一个都与一个或多个发生概率相关联，并且这些概率可能会基于其他事件的结果而变化。例如，可以按照条件概率((P(A|B)等)的形式提供概率。可以利用推论方法，原因是在这些推论方法中，实时发生的事件结果的证据可以被用在采用贝叶斯方法解释和/或重新评估下游结果中。

这些概率还包括对应的影响分数，例如，这些影响分数可以确定对特定度量、资产价值或其他要考虑的因素(相对或绝对)的影响程度。

由于各种基础事件和对因素的影响之间的相互关系非常复杂且难以建模，因此提供了一种方法，凭借该方法，利用自适应机器学习方法来生成考虑到条件概率的模型，在众多相互关联的因素和指标之间进行分析。例如，可以利用回归方法使用模型确定不同因素与变量之间的关系。

在特定的非限制性示例中，选举(诸如法国初选)可以被视为与不同结果相关联的“事件”。本文描述的实施例可以通过使用规则处理数据馈源来自动检测事件和结果。本文描述的实施例可以自动标识与事件和结果有关的宏观因素。可以按照模型的形式提供宏观因素(例如货币、掉期、价差、指数)。在法国初选中，根据事件的结果(以及潜在的子事件和对应的结果)，价格变动的路径可能不同。

存在用于生成模型的不同方法，并且所提出的方法是将专家系统(例如，专家轮询机制)与机器学习引擎一起使用，该机器学习引擎被配置为完善用于在给定足够大的数据语料库(例如，基于对现实世界分析的反馈或基于训练数据集获得的数据)的情况下在一段时间内自动检测宏观因素和对应数据值的过程。

通过与轮询的接口，给领域中的各种专家提供了一组机器生成的问卷。该界面包括指标，指标用于：在各种事件发生时，请求专家提供意见或与特定选择的问题相关的所选数据值，这些问题涉及对指标(例如，宏观因素)的潜在影响，诸如金融指标。

专家轮询系统还被配置为利用经过特定调适的界面，该界面还会在一段时间内进行修改和完善，以更新与轮询的界面，以询问更多相关问题并限制专家的输入，使得专家只能在特定输入范围内提供他们的输入。因此，在一些实施例中，该系统被配置不仅用于自动完善用于模型生成的方法，而且还用于自动改善用于接收来自人类专家的输入的方法。

该系统可以被配置为：响应于精度确定、机器确定的专家偏差、过去的表现、专业领域等来完善方法。例如，专家面临的挑战是在数据点的语料库中可能存在明显的认知偏差。具有特定投资组合的一个或多个特定专家可能倾向于确认偏差，过于保守(例如，堆沙袋)、过于激进等。在一些情况下，专家也可能存在不均匀偏差。例如，随着时间的流逝，专家可能会被证明始终低估了下行风险，同时又高估了上行潜力。该系统可以被配置为自动采取双重方法应对偏差；系统可以被配置为修改专家输入的加权方式及其总体影响，和/或系统可以被配置为修改经由输入界面轮询专家时可用的信息和可用的交互。可以在自动尝试转变专家的行为(例如，以避免偏差)的情况下修改受约束的范围集、用于轮询的所选可用因素集等。

提供了模型生成平台，该平台生成或以其他方式实例化指示事件和结果的不同情景的模型。该模型可以指示与对各种因素的影响的概率确定相关联的各种上行和下行幅度，这些因素以事件和子事件的发生为条件，诸如经济因素。例如，该模型可以是树数据结构的形式，并且可以遍历该树数据结构以执行各种分析或报告生成。

在一些实施例中，在模型的生成和完善中应用特定的数据结构，使得可以实现改进的效率和处理。在一些情景中，基础模型和数据可能非常庞大，需要大量资源进行处理，或者需要应用简化方法(例如启发式)来生成大量数据并将其转换为可用数据子集。

该系统可以被配置为生成和完善多个接口，以改进其输入的有效性和/或向系统的最终用户传递信息的有效性。

软件/硬件描述

图1图示了根据一些实施例的情景模拟和生成系统100的示意框图。如图1所示，系统100表示一种计算系统，其包括至少一个处理设备101、至少一个存储设备103、至少一个通信单元105以及至少一个输入/输出(I/O)单元107。

处理设备101执行可以被加载到存储器设备109中的指令。处理设备101以任何合适的布置包括任何合适(多个)数目和(多个)类型的处理器或其他设备。处理设备101的示例类型包括微处理器、微控制器、数字信号处理器、现场可编程门阵列、专用集成电路和分立电路装置。

存储器设备109和持久性存储装置111是存储设备103的示例，其表示能够存储和便于信息(诸如数据、程序代码和/或其他合适的临时或永久性的信息)的检索的任何(多个)结构。存储器设备109可以表示随机存取存储器或任何其他合适的(多个)易失性或非易失性存储设备。持久性存储装置111可以包含一个或多个支持长期数据存储的组件或设备，诸如只读存储器、硬盘驱动器、闪存或光盘。

通信单元105支持与其他系统或设备的通信。例如，通信单元105可以包括便于通过有线或无线网络进行通信的网络接口卡或无线收发器。通信单元105可以支持通过任何合适的(多个)物理或无线通信链路的通信。

I/O单元107允许数据的输入和输出。例如，I/O单元107可以提供用于通过键盘、鼠标、小键盘、触摸屏或其他合适的输入设备的用户输入的连接。I/O单元107还可以将输出发送到显示器、打印机或其他合适的输出设备。

在一些实施例中，由处理设备101执行的指令可以包括实现图1的系统100的指令。系统100包括机器学习单元120、界面单元122、情景生成单元124、事件单元126和轮询单元128。在一个实施例中，单元120-128是由处理设备101可执行的程序代码或指令集。这些单元120-128可以被存储在存储器设备109上。在其他实施例中，单元120-128可以是特定的硬件处理设备或被实现为固件。

系统100连接到数据源108，以接收用于事件检测的实时和历史数据馈源。数据源108可以连接到一个或多个数据库110。

系统100自动生成情景和表示该情景下的工具的评估的用户界面元素。

机器学习单元120配置和更新限定多个事件的第一规则集。事件单元126与机器学习单元120交互，以通过应用第一规则集生成或检测事件以便为该事件生成情景来处理数据馈源。该事件被链接到结果集。

机器学习单元120配置和更新限定多个宏观因素的第二规则集。情景生成单元124通过应用第二规则集生成或检测宏观因素的子集来处理事件。情景生成单元124生成表示宏观因素和结果的情景的树数据存储结构。树结构中的每个节点限定了描述符和数据值。树结构具有与根节点相对应的事件节点、与根节点的子节点相对应的结果节点、以及与结果节点的其他子节点相对应的宏观因素节点。每个宏观因素节点具有数据值。两个节点之间的边可以与从父节点遍历到给定子节点的概率相对应。

情景表示从根节点到叶节点的路径。该情景可以具有对应概率，该概率可以由与表示特定情景的树的路径中的所有节点之间的边相关联的概率生成或推导出来。通过树建模的因素之间的相关性或独立性可以用于推导整体情景或特定边的概率。因此，情景生成单元124对事件和结果的所有可能情景以及每个情景的概率进行建模，以不仅包括最可能的情景，而且还包括仍可能极大地影响投资组合的评估的异常或罕见情景。

树数据存储结构是一个示例图形结构，其可以用于对情景集进行建模。在一些实施例中，也可以使用具有节点和边的其他类型的连接的图形结构。

机器学习单元120根据事件和结果自动生成宏观因素集。机器学习单元120还可以基于宏观因素之间的相关性和依赖性生成有序的宏观因素集。情景生成单元124可以使用该宏观因素集来生成用于表示情景的图形结构。例如，图形结构可以是具有与不同宏观因素相对应的不同节点的树结构。机器学习单元120维持将事件和结果链接到宏观因素的规则集。机器学习单元120还维持用于限定宏观因素之间的依赖性和相关性以生成有序的宏观因素集的规则集。例如，事件可以涉及地理区域。机器学习单元120可以具有将事件的地理区域映射到与该地理区域相关的宏观因素的规则，诸如该地理区域的货币或该地理区域的指数。作为另一示例，事件可以与诸如选举之类的属性相关联。可以将属性值(选举)链接到与该属性值相关的一个或多个宏观因素。

机器学习单元120配置和更新限定多个轮询问题的第三规则集。轮询单元128与机器学习单元120交互，以通过将第三规则集应用于宏观因素集以生成轮询问题子集，来处理宏观因素子集。每个轮询问题被链接到宏观因素子集中的宏观因素和可接受作为宏观因素的数据值的输入响应范围。

界面单元122被配置为生成和显示具有针对被链接到宏观因素的轮询问题的可视元素的用户界面。界面单元122还为可接受作为宏观因素的数据值的输入响应范围生成可视元素。系统100连接到终端106或(多个)专家输入102以在其上生成并显示用户界面。终端106或(多个)专家输入102在用户界面上接收对轮询问题的所选输入响应。终端106或(多个)专家输入102将响应数据传输到系统100，尤其是传输到界面单元122和轮询单元128。

情景生成单元124处理对轮询问题的响应，以限定宏观因素节点的数据值。机器学习单元120生成并更新第四规则集，该第四规则集计算宏观因素节点的数据值。情景生成单元124与机器学习单元122交互，以通过应用第四规则集生成宏观因素节点的数据值来处理所选输入响应。情景生成单元124用宏观因素节点的数据值填充树数据存储结构，以生成结果节点的情景。例如，树数据存储结构被维持在数据库180中。

界面单元122更新用户界面以产生其他可视元素，该其他可视元素指示在树数据存储结构的情景下轮询问题的分布以及所选输入响应和工具的评估。界面单元122使用树数据存储结构生成输出数据，以用于作为终端106或(多个)专家输入102的界面的一部分显示。可以基于由机器学习单元120维持的规则集动态生成其他可视元素。随着机器学习单元120在一段时间内检查并验证情景结果，机器学习单元120可以被配置为自动修改如何生成和提供其他可视元素。例如，在特定专家给定的情况下，机器学习单元120可以从专家的输入中挖掘偏差或不准确性的持续模式。为了解决这些偏差或不准确性，机器学习单元120可以修改可视元素的产生方式，使得专家的输入被限制以提高专家的潜在准确性。这些修改可以是动态的，并且可以包括标度范围的修改、标度因素的修改、需要输入的问题的呈现的重新排序等。

验证单元104可以与机器学习单元120交互，以提供关于自动检测到的事件、结果、宏观因素等的反馈。验证单元104还可以将规则发送给机器学习单元120或其他反馈以完善规则。验证单元104提供从数据源108和数据库110收集的与现实世界结果有关的电子信息，包括对宏观经济因素、微观经济因素和事件发生等的影响。在一些实施例中，验证单元104可以被配置为实时或接近实时地提供与当前正在发生的事件和子事件有关的反馈，从而引起对与树的各个节点相关联的概率和关联结果的动态修改。在一些实施例中，随着关于事件的更多信息可用，与各个节点相关联的概率可以主动地转变。例如，对于一次选举，随着各个地区投票机构提交其投票结果，选举的最终结果变得越来越确定。验证单元104可以被配置为镜像或监测这样的事件概率，并且随着结果转变而引起对存储在树存储结构中的信息的动态修改。

在一些实施例中，验证单元104还被配置为验证专家的估计，因为其与一段时间内的现实事件数据的语料库有关。验证单元10可以被配置为用于与机器学习单元120互操作，以确定实际事件发生之间的差异及其对各种经济因素的影响。验证单元104可以被配置为检测专家估计中的持续偏差，并且在一些实施例中，可以生成规则并且将其存储在数据库180中，该规则在一些情况下减小专家估计的权重，或者修改如何通过轮询单元128轮询特定专家(例如，界面单元122更改呈现给专家的可用影响范围、对问题重新排序、呈现不同类型的标度、使用不同间隔的抽取标记)。

在一个专家对于特定度量或事件类型特别错误或无益的情况下，可能根本不会选择该专家来衡量度量或事件类型(例如，验证单元104确定相对于欧元/美元(EUR/USD)汇率在统计上重要的时间段内专家A比随机差，因此放弃专家A对欧元/美元汇率的看法)。

系统100使得能够自动检测即将发生的事件(例如，“英国脱欧”、美国大选、法国大选、苏格兰全民公决)和关联结果。系统100使用自动情景生成来自动生成指示不同投资组合的风险的数据。

除了追踪特定度量外，自动化情景生成还可以包括对特定投资组合的下游影响的分析。例如，投资组合具有一篮子不同的股票、固定收益产品和衍生产品。这些不同资产或资产类型中的每一个都可能不同地受到由于事件发生而发生的宏观/微观经济因素变化的影响。例如，利率变动对固定收益产品的影响将不同于股票产品。类似地，整体波动率的增加可能会将某些衍生产品推入货币中，或从货币中剔除等。在这些情况下，自动化情景生成可以用于触发指示有关特定投资组合/资产所需关注的通知，或触发配置为生成和传输导致自动电子交易发生的指令集的工作流(例如，买/卖、对冲、取消对冲、取消、修改)。

可以使用机器学习和概率分布从事件中得出宏观因素。数据图形或树结构将宏观因素建模为情景集。树由系统100自动生成，以从宏观因素中得出情景。在一些实施例中，树可以指示供宏观因素指示相关性的顺序。宏观因素可以通过机器学习能力分布得出。如果宏观因素相关，则可以基于相关性在树中构造它们。机器学习规则可以限定宏观因素。

系统100确定具有非金融结果的事件。系统100将结果与宏观因素链接起来。系统100基于结果标识宏观因素集。系统100在指定时间段内自动生成树以对宏观因素的情景进行建模。系统100将宏观因素集和情景集与微观因素链接起来以评估投资组合。

系统100可操作以按照不同方式生成宏观因素集。例如，专家系统可以提供输入以将宏观因素与结果和事件链接起来。作为另一示例，系统100实施回归过程以查看历史结果并标识受影响最大的宏观因素。系统100可操作以实施深度学习，以生成节点和边的网络来表示宏观因素和情景集。系统100可操作以深度学习，以基于宏观因素的历史数据从结果和事件生成推理数据。推理数据可以被处理以标识情绪和宏观因素。

系统100可操作以生成宏观因素集的值范围的不同可视表示。例如，系统100可操作以使用轮询单元128来生成轮询并处理数据以生成直方图表示。系统100可操作以处理数据以针对来自轮询的响应数据生成平滑分布。例如，系统100可以使用多项式平滑来平滑直方图以生成分布曲线。分布曲线的中间部分对应于零范围，而左边和右边对应于宏观因素的极值范围。系统100可操作以过滤数据以去除极端响应。例如，系统100可以选择诸如第95个百分位数等范围来生成分布曲线。系统100实施清洁和过滤阶段以去除明显不正确的数据以避免虚假数字。例如，系统100可操作以检测可疑活动，诸如，针对特定专家系统，对轮询的所有响应都具有最极端的值。过滤数据使系统100能够去除可能是错误的或不正确的那些极值。

系统100使用响应数据来生成用于表示不同情景的宏观因素的值范围和概率。系统100具有用于存储针对特定宏观因素和专家属性的响应数据的数据结构。系统100可以生成矩阵，该矩阵具有针对专家的行和针对不同宏观因素的响应的列。系统100可以生成特定宏观因素的分布曲线。该宏观因素的概率可以通过值范围内曲线下方的面积来表示。系统100使用来自轮询的响应数据来获得宏观因素上升的概率和上升范围、以及宏观因素下降的概率和下降范围。系统100还可以沿曲线生成介质或其他点。系统100生成数据以便填充情景树或图形。冲击或值范围对应于从零到冲击值的范围。例如，特定宏观因素的值在0到7.38的范围内可能有12％的概率。宏观因素可以是独立的或相关的。条件概率可以用于捕捉那些相关性。系统100向专家系统显示轮询问题，该专家系统可以基于顺序或表示来创建某种依赖性。系统100根据宏观因素的概率和范围值生成树。情景与宏观因素的概率和值范围中的每一个都相关联。然后，系统100使用市场模型、回归、条件期望等来处理宏观因素情景以生成微观因素值。然后，系统100使用微冲击来生成投资组合评估。系统100可操作以生成情景值的分布曲线。例如，不同的情景可能导致其他情景的范围和概率相同。

出于定价和风险度量计算的目的，系统100中的以下对象可以用于情景限定和评估：

·金融工具

·坐标

·冲击

·事件

·情景

·轮询

·金融工具

可以将金融工具建模为构建定价模型以用于评估各种度量所需的关键属性或术语的地图。单独的属性通常在可能的情况下遵循ISDA术语，但可能会扩展奇异产品或定制产品的标准限定。对于包括多个分支或嵌套在限定中的结构化产品或复杂产品，该地图可能具有大于1的深度。数据结构将包含根据对应的术语表或确认书(在生成时)明确表示工具收益所必需的完整术语集。普通(vanilla)工具的示例术语为：strikePrice、expirationDate、settlementDate、volatilityStrikePrice等。将经由Asset API公开在系统中创建工具的能力，该API将这些术语序列化为JSON。

坐标可以指可以生成市场数据坐标列表的任何支持的金融工具，这些市场数据坐标形成计算价格或其他风险度量所需的依存关系图。

每个坐标具有以下形式：

·类或数据集，例如外汇波动率

·资产，例如欧元/美元

·其他维度，例如strikePrice、expirationDate。

坐标在依存关系图中形成节点，并通过边将节点连接起来，这些边限定了定价输入之间的关系。节点在多个工具之间被共享，因此投资组合(即，其工具集合)可以形成完整的定价坐标图。其他参数计算可能暗含坐标。例如，可以从数学函数计算在波动率表面上采样的点，该数学函数经由一组参数来限定该表面。参数空间的选择可以由专家系统在特定资产类别和领域知识中选择。

冲击是一种可以用于在一个或多个坐标上执行平移的函数。冲击可以具有以下形式：

·坐标选择器：一种查询，其确定受该冲击影响的坐标子集。例如，资产区域为“欧洲”的所有坐标、或所有执行价格(strike)中给定资产的十年波动率级别

·变换：应用于每个所选点的函数：

·绝对：对每个值应用固定数量的方向调整

·相对：对每个值应用百分比变动

系统100可以添加更复杂的变换，例如，使用6m的历史收益数据计算每个点的一个标准偏差变动，并应用此调整。事件是现实世界事件的系统模型，或者是经由分析框架生成的预测事件的模型。事件被如下建模：

·元数据：名称、描述、标签等。

·事件日期/时间：事件发生的日期和/或时间

·子级：相关子事件的标识符

事件也可以形成图形，即，一个事件可以生成一组级联的(递归)子事件。

情景是一组冲击，其对向世界状态的变换进行建模。这些可能与现实世界事件有关或无关，例如“2016年美国大选情景”。情景可以具有以下属性：

·元数据：名称、描述、标签等。

·EventId：如果与给定事件相关，则为事件的标识符

·冲击：根据上面定义的一系列冲击，按顺序执行。

轮询是用于对一个或多个参与者进行调查的一组问题。轮询可以具有以下形式：

·元数据：名称、描述、标签等。

·问题：一系列问题。

为了缩放输入，系统100查看相同时间范围的历史变动(例如，过去20年)，并通过最大变动来缩放它。另外，向用户提供有关变动的标准偏差和输入的历史百分位数的信息。

在某些情况下，可以引入代理基准(underlyer)来计算预期所研究的事件对基准的影响与(多个)过去事件对代理事件的影响类似的范围。例如，查看“Frexit”风险(Frexit被定义为法国退出欧盟)，可以使用意大利/德国债券利差作为代理来缩放法国/德国债券，因为这是2012年欧洲危机中的动产。在一些实施例中，系统100可以紧接在轮询问卷之后存储预先封装好的变动(指示最坏的事件和在该时间帧内发生的变动)。

问题可以具有以下形式：

·标识和编号：在所呈现的调查中的排序

·分组：如果将问题分组，则为分组名称/标识符

·冲击：其中问题提示受访者预测价格冲击、初始(默认)状态、可能值的范围、以及由用户针对响应录入的值。

图2A图示了根据一些实施例的不同类型和层次的分析因素的流程图200A。这是事件、结果、宏观因素、微观因素和评估的特定非限制性示例。一个示例事件可以包括选举，诸如法国选举。示例结果包括不同方获胜。例如，如本文所讨论的，不同方可以指左翼、右翼、中左翼、中右翼、自由主义党、共和党、民主党等。本文中对于一方获胜的任何提及也可以指该方的一个或多个候选人获胜。系统100使用事件和结果来自动生成宏观因素的子集。示例宏观因素是利率、信贷利差、波动率、10年期美元掉期的价值、其他类型的利差(例如，违约利差)和欧元货币评估。

系统100使用宏观因素来自动生成结果的不同情景。系统100使用宏观因素来自动生成微观因素的子集。示例微观因素包括收益率曲线上的点、股票因素、波动率表面和外汇汇率。在一些实施例中，被分析的每个因素可以被用作不同结果之间的分裂点。在每个节点结果都是二项的(除了初始事件)并且可以用于分支的示例树数据结构中，每个主要事件结果可能有2^x种组合(在图3B的示例中，第一、第二和第三方获胜)。

图2B图示了根据一些实施例的不同类型和层次的分析因素的流程图200B。示例宏观因素包括欧元币值、10年期美元掉期/国债价值、法国德国利差、S&P

(SPX)指数、Euro Stoxx

(SXSE)指数和ITRAXX。系统100使用由规则限定的数学模型来生成关于与各种冲击相关联的宏观因素的组合的情景(例如，对特定因素的潜在影响幅度/大小)。系统100将宏观因素转换为微观因素，并且对应的冲击与微观因素相关联。各种因素之间可能存在相互依存的关系，此外，宏观因素可能与下游因素相关联，并且树数据结构被应用以提供合适的数据结构，该数据结构可以捕捉与节点链接有关的条件概率。

系统100使用微观因素来自动评估一个或多个投资组合。可以使用专家系统和机器学习来完成宏观因素的生成和/或选择。系统100生成情景以跨越可能的未来事件的范围。自动化情景生成使系统100能够找到“黑天鹅”并消除人为偏差。在一些实施例中，形变因素被用来修改接收到的专家输入以解决潜在的偏差。除了其他因素，这些形变因素可以是加权或乘法因素，其可以适应、转变或变换专家输入以解决持久偏差。

系统100提供了稳健的情景生成工具，该工具可以在各种潜在结果给定的情况下，通过因素的概率组合来提供对每条路径的可能的概述和分析。测试每条可能的路径(如果将启发式方法应用于极其复杂的情景，则足够大标度的路径)允许针对情景分析的减少的“盲点”。

机器生成的分析允许对大量不同情景及其变化进行合理快速的分析(例如，灵敏度分析)。例如，可以确定附加见解，否则，人们将无法理解大量看似无关紧要的路径对结果产生了巨大的影响，反之亦然，单个路径对结果产生了极大的影响，这从人类的直觉中看不出来。

此外，在人类能够使用合适配置的界面以能够整体地看到所有情景并与之交互的情况下，可以减少人类偏差。在一些实施例中，提供了界面和工具，其中界面适于提供用于决策制定的改进工具，该工具可以通过响应于从各种界面元素接收到的输入实现对特定路径的遍历或分析来有助于以图形的方式指导人类评论者。例如，可以将路径或部分路径分组在一个区域中，并且可以将该区域“放大”或重构(例如，调整大小、突出显示)到图形用户界面上，以使人类评论者更能从图形用户界面搜集信息或在更深入的分析中进行进一步交互。

鉴于信息优势是有时间限制的，因此使用系统100会带来明显的先发优势。系统100提供的结果和确定应尽可能近实时地被提供，以便在至少基于系统100的输出采取行动时提供尽可能多的前置时间。在一些实施例中，自动化工作流引擎被用于生成信号或使下游交易被处理(例如，买/卖订单、取消订单、修改订单、期权行权、对冲)。

模型生成

已知的手动情景生成方法存在的一个问题是，情景只是一组或一个人对世界未来状态的猜测的情绪。这使得基于情景的风险管理成为猜谜游戏。情景(诸如，在压力测试(风险分析)投资组合的应用中)的另一个问题是，只有在事后才能知道情景是增强还是影响与投资组合相关联的风险。本文描述的实施例将情景的生成系统化，以使得能够自动生成它们。机器学习单元120处理输入数据以检测触发前瞻性情景分析的事件和结果(例如，冲击)。本文描述的实施例使得能够生成逆向情景并且可以捕捉极端事件以及也不会被预见的情景。更重要地，本文描述的实施例可以最小化当人类设计情景设定时引入的偏差。

系统100实现了只有很小偏差或完全没有偏差的完全自主的机器生成情景。同样，这些情景需要“跨越”可能的未来状态的范围，并且在金融应用的情况下，在没有先验知识了解证券在投资组合中的头寸(position)的情况下，强调他们将要遇到的投资组合(在这种情况下，跨越集的定义)。例如，机器学习单元120被配置为限定、生成和应用与多个事件、轮询问题和宏观因素相关的不同规则集，以生成表示各种情景的树数据存储结构。

限定规则集，以便生成所有未来状态的跨越集。机器学习单元120利用关于节点之间的链接(例如，概率)、潜在的影响的大小(例如，冲击值)的信息来实例化树数据结构，并且处理可以通过独立于投资组合中有哪些资产的知识遍历树而获得的路径。这种方法改进了繁琐且耗时的且在可能甚至是本质上是潜意识的潜在偏差方面存在缺陷的现有人类方法。实例化树结构的中间步骤对于执行路径的跨越集的严格而稳健的分析非常重要，使得可以获得对投资组合的潜在影响的准确视图。

系统100可以使用函数或公式、历史数据、回归、贝叶斯定律或其他统计方法来捕捉宏观因素之间的相关性和依赖性。例如，回归过程可以标识宏观因素之间的相关性。系统100可以为宏观因素的值和概率生成相关性矩阵，以便标识它们之间的依赖性。系统100使用规则来限定树的顺序或结构以及宏观因素的布置。例如，系统100可以包括用于标识什么是受影响最大的微观因素以及哪些因素影响其他因素以限定相关性和依赖性的规则。如所提到的，系统100不仅必须使用树结构来限定情景，而且还可以使用其他连接的图形结构。系统100可操作以过滤或清除轮询响应以便例如去除不正确的响应，并且系统100可操作以自动生成针对宏观因素集的轮询并生成情景集的树或图形结构。系统100接收事件和结果并生成宏观因素集。系统100可操作以在生成图形结构时确定宏观因素变量之间的相互关系。系统100为所有宏观因素生成跨越坐标系，以自动化图形和树结构的生成。系统100可以生成API以与所生成的情景进行交互。

系统100被配置为基于事件和结果自动标识宏观因素集。系统100被配置为自动对因素进行排序并标识因素之间的依赖性。系统100被配置为生成轮询以接收用于填充宏观因素的值的输入。使用分布对从轮询中接收到的输入进行预处理，以生成宏观因素的值和概率。

宏观因素节点的顺序可能很重要。例如，概率可以是基于树或图形中的先前因素节点的条件概率。系统100可以创建相关性矩阵以生成概率。矩阵可以将树的叶和端作为行，并将因素作为列。系统100可以使用方差和协方差矩阵。每个情景的结果都可能暗示相关性。如果方差很小，则可以将这些因素关联起来(例如，如果方差为0，则这些因素是完美关联的)。给定的树和轮询可以生成协方差矩阵。随着时间的流逝可能会进行多次轮询以生成多个协方差矩阵。多个协方差矩阵可以表示随时间的变化(例如，方差的方差)。

系统100被配置为自动生成专家的轮询，以得出宏观因素的值。在事件给定的情况下，系统100被配置为在限定树或图形结构时自动限定宏观因素集以及这些宏观因素之间的相互关系。系统100被配置为将宏观因素转换为微观因素以评估投资组合。系统100在生成树时使用规则来限定宏观因素之间的相互关系。系统100为所有市场因素生成跨越坐标系，以自动化树的生成。

本文描述的实施例涉及全自动情景生成方法。事件和结果或冲击引发对理解可能的未来情景的需求。有了这些信息，系统100使用机器学习技术来收集有关宏观因素的信息，这些宏观因素可能由于所讨论的事件而发生显著变化。例如，机器学习单元120可以使用表示历史和当前市场情绪的数据来得出规则，并且可以使用模型来开发世界的情景或可能的未来状态的跨越集。系统100可以自动地估计这些情景发生的概率，如受到当今市场观点的影响以及具有相关历史的情况。

情景评估可以包括两个常规步骤。首先，需要知道在这些情景下要检查的投资组合的价值，而与它们发生的可能性无关。此信息至关重要。它显示了可能对投资组合造成破坏的情景。因此，不管发生的概率如何，这些都是需要制定决策的情景–是对冲还是不对冲？忽略这些情景是对付他们的另一种方式。但是至少系统100所采用的下注是明确的并且可以被传达。其次，应该检查与情景相关联的概率所估计的可能性。这允许计算概要统计信息，诸如风险价值(VaR)或不足或根据发生的可能性对结果进行排名。

自动化情景生成

系统100标识初始事件及其产生的结果或经济冲击。为了说明该方法，描述了完整的端到端自动化情景生成过程，该过程基于群众的智慧，使用轮询机制来获取相关数据以生成不同情景的数据值和概率。

该过程从可能影响金融市场的金融或非金融事件(例如，选举)开始。系统100处理该事件以决定可能受该事件影响的宏观因素(例如，各种指数、利差、GDP等)。

在训练阶段，可以将本领域的专家与机器学习单元120结合使用，以确定哪些宏观因素对于限定和更新规则以自动化宏观因素的标识很重要。一旦确定了这些因素，系统100就可以在金融市场中对行动者的大量独立样本进行轮询，以获取有关该事件在所讨论的时间范围内对这些因素变动的可能影响的数据。

结果是每个宏观因素的概率分布。这给出p^u(F_i)，即已经被选择的、因素i在所选时间范围内向上变动的概率。类似地，系统100可以获得第i个因素向下变动的概率p^d(F_i)。另外，对于第i个因素，可能的向上变动r^u(F_i)和向下变动r^d(F_i)的变动范围。使用该数据，系统100生成情景的跨越集。注意，代替该轮询，在一些实施例中，系统100还可以使用机器学习单元120来运行人工智能引擎以得出这些概率分布。

图3A图示了根据一些实施例的基于货币波动的示例结果情景300A。在该示例中，示出了两个宏观因素：10年范围内的欧元币值和美元币值。金融情景被示出为节点树。每个路径表示情景。所示的示例路径是在10年范围内欧元币值下降而美元币值上升的情景。

图3B图示了根据一些实施例的基于政治上的胜利和货币波动的示例结果情景300B。

在该示例中，示出了选举(事件)的三个结果：第一方获胜、第二方获胜和第三方获胜。针对这些结果中的每种结果示出了不同的示例情景。在该示例中，示出了两个宏观因素：欧元币值和美元币值的10年掉期价值。金融情景被示出为节点树。每个路径表示情景。

图4图示了具有与轮询问题相对应的可视元素、数据值范围、以及所选择的数据值的指标的界面400。在示例界面400中，示出了三个结果410、420和430。

该界面包括针对每个结果的轮询问题集。轮询问题针对各种宏观因素402或冲击，例如，可以基于特定的追踪记录或专家的专业知识来动态选择各种宏观因素402或冲击。在一些实施例中，机器学习单元120应用专家分析规则，该专家分析规则基于专家的过去表现来修改针对哪个专家示出哪些因素。例如，如果专家比随机差(或没有明显好于(例如，一个标准偏差))，则向专家询问特定因素可能无济于事或适得其反。

每个结果410、420和430都被链接到指示宏观因素集402的用户界面元素。对于每个轮询问题，该界面使用表示标度406的可视元素指示数据值的范围。选择单元408可以被用于在标度406上移动选择器界面(例如，光标/指针/点/符号)，并且可以应用抽取点409来辅助指定选择单元408可以驻留的点。标度406可以显示例如十个标准偏差。

标度406可以对应于每个因素或冲击的可能值的分布。对于每个数据值范围，界面都会为所选数据值指示一个指标。在一些实施例中，界面可由机器学习单元120动态且自动地修改，以鼓励/劝阻各种行为，或约束专家的行为。例如，可以修改标度406上可能值的范围，可以修改抽取点和抽取线等。

机器学习单元120被配置为经由验证单元104追踪性能，并且可以将专家输入102与现实世界结果进行连续比较(或在一些情况下，根据过去的结果进行训练)。机器学习单元120维持规则集，这些规则确定询问哪个专家哪个因素以及如何配置界面元素。界面元素的配置可以提供较大的自由裁量段(例如，+50bps至-40bps)、狭窄的自由裁量段(例如，+5bps至-10bps)，并且如上所述，这些段在正数和负数中不一定是对称的(例如，不必是+10bps至-10bps)。

此外，标度406上所示的范围不必在标度406上均匀地增加。在一些实施例中，标度406基于特定的分布或基于特定标度类型(例如，对数标度，几何标度)而被专门重构。标度406如何与专家交互的这些动态修改提供了一种有用的机制，该机制用于约束专家的选择，或使专家选择沿标度406的边界线值的可能性更大/更低，或者使标度406在选择标度406的各个部分时特别敏感。例如，对于标度406，其范围在+10到-10bps之间，标度406的中心60％可以在+/-3bps之间变化，标度406左端的20％可以提供在-10bps至-3bps之间的变化，标度406的右端的20％可以提供在3bps至10bps之间的变化。

因此，在该示例中，标度406的中心60％提供增加的精细调整，而“尾”端允许更粗略的调整。在该示例中，机器学习单元120已基于事件和结果的先前类型(影响可能大约为+/-3bps)维持了规则，因此规则集在这些范围附近提供了增强的精细调整，使得专家可以更仔细地选择一个值。另一方面，如果专家希望选择超出此范围的值，则专家可以自由选择。基于所应用的特定规则，每个因素的标度406可以不同。例如，机器学习单元120具有用于校正专家A的过于保守的估计的规则，该规则仅适用于专家A关于与选举相关事件的10年美元掉期的价格变动有关的考虑，机器学习单元102应用该规则是由于对专家A的表现进行了事先验证。

标度406指示每个宏观因素402的可选响应的范围。标度406上的中间点表示零，并且任一侧的点表示宏观因素402的上或下值。两端表示宏观因素402的极端点或值。

每个专家访问界面400以响应于轮询问题而提供输入数据。可以使用界面400来轮询大量专家以利用大数定律。鉴于大数定律，考虑许多专家可以消除或减少偏差。此外，理想情况下，使用许多专家会产生响应于轮询接收到的逆向观点。每个专家都可以使用界面400独立地响应轮询。此外，并非所有经由界面400接收到的响应都需要被同等对待。例如，系统100可以比来自其他专家的响应更高地加权来自一些专家的响应。在界面400处接收到的响应用于限定分布图。可以基于专家类型对专家进行分类。可以对从一种类型的专家接收到的响应进行归一化或过滤。例如，可以从100个类型1的专家接收响应，并且可以从30个类型2的专家接收响应。可以对响应进行归一化或过滤，以便为每种类型的专家生成加权平均值或其他值。然后，可以在所有类型的专家之间汇总经过滤的值。

专家可以访问界面400以在一段时间内提供响应。随着事件日期接近，随着新信息的揭示，特定专家的响应可能会变化。因此，系统100可以标识事件和结果的日期以及响应的日期。系统100可操作以基于日期信息来处理我们的过滤器响应。

在一些实施例中，可以将界面400呈现给不同的专家组，以尝试减小能够由专家的选择生成的偏差。可以存在地域多样性。可以存在主题多样性。系统100可以使用自然语言处理来标识市场情绪和非结构化文本数据，其可以进一步被用于加权来自专家的响应。系统100可以用类型来标注专家及其对应的响应并且通过每种类型来将响应预分组。不同的权重可以被附接到专家的响应。系统100可操作以预处理响应以去除或减轻固有偏差。例如，系统100可操作，以使用过滤器预处理响应数据，以标识和去除偏差。系统100处理响应，以生成可以包括逆向观点的情景的跨越集。

系统100可以具有针对情景的跨越集的条件。对于每个宏观因素，可能值的范围跨越正向和负向变动(分布曲线必须越过0线)。跨越集涵盖所有不同的结果(请参见图形重叠的界面)。这也可以扩展到微观因素。如果不满足这一点，则这表明该轮询是错误的。系统100捕捉逆向情景(即，市场普遍认为不会出现的情况)。例如，系统100可以捕捉通常不会被人所预见的异常事件。系统100生成情景的跨越集。

标度406的中间可以对应于零，并且侧面部分可以对应于向上和向下范围至极值。系统100响应于轮询而接收输入数据。专家应独立应对轮询并且可以根据专家类型对专家进行加权。系统100可以利用大数定律。系统100可以轮询各种各样的专家类型。系统100可以利用与来自特定专家的响应有关的历史数据和准确性。例如，系统100存储用专家标识符标记的响应数据。系统100还可以存储与诸如专家类型、日期、时间等其他属性有关的响应数据。系统100可以基于专家数据的先前响应来对其加权。系统100可操作以使用实际结果数据来评估历史响应数据。系统100使用响应数据生成直方图，这些直方图又用于生成界面的分布曲线。系统100可操作以随着事件的日期临近更频繁地轮询。系统100通过要求大量专家包括逆向观点并减轻偏差来利用大数定律。系统100可以收集原始响应并且过滤数据集，以考虑没有响应的情况。系统100可以不将数据拟合到任何分布，并且也可以拟合某些分布来得出冲击。系统100可以从原始数据集得出上、下变动的概率。例如，这由低于零和高于零的响应数限定。

为了得出上行和下行冲击级别，系统100可以处理经过滤的数据集以查看5％和95％处以得出上行和下行冲击。百分位数的选择是动态的，并且将取决于轮询结果和参与程度。

在轮询方面，系统100可以将有关变动的历史频率和幅度信息添加到归一化的度量(标准偏差)中以将用户的响应形成帧。系统100可以添加“无观点”选项以避免强迫用户在他/她摇摆不定时进行选择。系统100可以组织问题，以便从用户那里得到连贯的市场状态，表示其对相关性的感知以及变动的方向和幅度。

例如，悬停时，可能显示百分位数和标准偏差。图35示出了具有轮询的示例界面。

图5A图示了根据一些实施例的对宏观因素的影响的表格500A。表格500A包括每个结果的一部分。该表的列对应于不同的宏观因素。一些行对应于因素上升或下降的概率。一些行对应于因素上升或下降的冲击或数据值范围。对应于不同概率的单元格是各种因素的冲击值。系统100从轮询收集响应，并为宏观因素生成概率和值。系统100还使用响应于轮询收集的数据来生成分布。参见例如图27。

这些因素说明了可以根据树数据结构存储的值。这些值被存储在不同节点之间限定的链接中，并且在遍历节点期间，可以标识结果的所有可能组合。在所示的示例中，示出了向上和向下的概率以及向上和向下的冲击，但是在其他实施例中，可能存在两种以上的概率。

机器学习单元120与轮询单元128互操作以确定值，并且可以通过应用由机器学习单元120维持的规则集对专家输入102进行加权或处理。来自一些专家的输入可以与其他专家不同地加权，并且相似地，可以根据从某些专家接收的输入中的偏差的追踪模式来调整专家输入102。然后将这些值作为参数提供给情景生成单元124，情景生成单元124填充并实例化树数据结构。

图5B图示了根据一些实施例的当第一方获胜时具有与针对示例结果的冲击级别分布相对应的可视元素的界面500B。系统100使用分布曲线处理对轮询问题的响应以生成概率和冲击值范围。

可视元素包括表，该表的列对应于事件的不同宏观因素。该表的单元格填充有使用对轮询问题的响应得出的值。这些行对应于因素值上升或下降的概率，并且可视元素中的冲击值跨越度还包括每个宏观因素的图形。系统100通过生成针对专家从轮询中接收到的响应的分布来生成宏观因素的概率和值范围。

示出了金融因素的样本概率分布。可以利用统计量度从接收到的轮询信息中得出向上/向下的概率以及冲击幅度值。在一些实施例中，基于所确定的平均值、中值等中的至少一项来确定向上/向下的概率和冲击幅度值。在一些实施例中，异常值被忽略或被标记以供查看。

图5C图示了具有与针对事件(第二方获胜)的示例结果的冲击级别分布相对应的可视元素的界面500C。可视元素包括表，该表的列对应于事件的不同宏观因素。可视元素还包括显示因素的不同值的图形。

相似地，示出了金融因素的样本概率分布。可以利用统计量度从接收到的轮询信息中得出向上/向下的概率以及冲击幅度值。在一些实施例中，基于所确定的平均值、中值等中的至少一项来确定向上/向下的概率和冲击幅度值。在一些实施例中，异常值被忽略或被标记以供查看。在该示例中，由于事件结果不同，所以值不同于图5B中的值。因此，各种专家考虑了潜在价值、经济方向、政治方向等，并将其提供给系统，使得可以分析第二方获胜的预测情景。

图5D图示了当第三方获胜时具有与针对示例结果的冲击级别分布相对应的可视元素的界面500D。可视元素包括表，该表的列对应于事件的不同宏观因素。可视元素还包括显示因素的不同值的图形。

相似地，示出了金融因素的样本概率分布。可以利用统计量度从接收到的轮询信息中得出向上/向下的概率以及冲击幅度值。在一些实施例中，基于所确定的平均值、中值等中的至少一项来确定向上/向下的概率和冲击幅度值。在一些实施例中，异常值被忽略或被标记以供查看。在该示例中，由于事件结果不同，所以值不同于图5A和图5B中的值。因此，各种专家考虑了潜在价值、经济方向、政治方向等，并将其提供给系统，使得可以分析第三方获胜的预测情景。

图5E图示了当第一方获胜时具有与针对示例结果的宏观到微观上行和下行冲击级别相对应的可视元素的界面500E。可视元素包括被链接到结果的每个风险因素的上行冲击级别和下行冲击级别。左手侧列说明了上行冲击的影响，而右手侧列说明了下行冲击的影响。微观因素被链接到宏观因素的变动。

如上面的行所示，10年期美国掉期利率变动50/-25bps可能会导致美元、欧元、英镑和日元的2年、5年和10年利率发生相应变化。类似地，如下一行所示，欧元价值变动5％/-4％可能会导致其他货币的转变，诸如英镑、日元、瑞郎、港币、新台币、韩元、澳元和墨西哥比索等。在下一行中，ITRAXX变动25％/-20％可能会导致与美国投资级别、美国高收益率和信用掉期指数(例如，CDX EM)有关的信用违约的转变。在最后一行，ESTOXX变动10％/-7.5％可能会导致世界各地各种追踪指数发生变化，包括例如NIKKEI、HIS、TOPIX、DAX、RUSSELL和SPX。

鉴于发生的各种事件，微观值可以用于估计/追踪投资组合的价格变动。例如，持有日元计价资产的投资组合经理可能会对相对于美元的潜在价格变动感兴趣，并基于对事件(例如选举)结果的分析，可以决定转变资产以更有效地获取收益或分散/限制最大下行风险。例如，投资组合经理可以认识到他/她将使投资组合承受大量的下行风险，并且可以选择利用对冲策略来抵消下行风险。

图5F图示了当第二方获胜时具有与针对示例结果的宏观到微观上行和下行冲击级别相对应的可视元素的界面500F。可视元素包括针对被链接到结果的每个风险因素的上行冲击级别和下行冲击级别。如左上所示，10年期美国掉期利率变动35bps可能会导致美元、欧元、英镑和日元的2年、5年和10年利率发生相应变化。类似地，如下一行所示，欧元价值变动7％可能会导致其他货币的转变，诸如英镑、日元、瑞郎、港币、新台币、韩元、澳元和墨西哥比索等。在下一行中，ITRAXX变动25％可能会导致与美国投资级别、美国高收益率和信用掉期指数(例如，CDX EM)有关的信用违约的转变。左手侧列说明了上行冲击的影响，而右手侧列说明了下行冲击的影响。

如上面的行所示，10年期美国掉期利率变动35/-35bps可能会导致美元、欧元、英镑和日元的2年、5年和10年利率发生相应变化。类似地，如下一行所示，欧元价值变动7％/-10％可能会导致其他货币的转变，诸如英镑、日元、瑞郎、港币、新台币、韩元、澳元和墨西哥比索等。在下一行中，ITRAXX变动40％/-25％可能会导致与美国投资级别、美国高收益率和信用掉期指数(例如，CDX EM)有关的信用违约的转变。在最后一行，ESTOXX变动10％/-15％可能会导致世界各地各种追踪指数的转变，包括例如NIKKEI、HIS、TOPIX、DAX、RUSSELL和SPX。

在该示例中，投资组合经理配备有结果差异，如果选举产生了这种情景，这种结果差异就可能发生，并且可以与图5E的界面进行比较来确定情景之间的差异。

图5G图示了当第三方获胜时具有与针对示例结果的宏观到微观上行和下行冲击级别相对应的可视元素的界面500G。可视元素包括针对被链接到结果的每个风险因素的上行冲击级别和下行冲击级别。系统100使用分布生成冲击值和概率；这些是从对宏观因素的轮询问题的响应生成的。

如上面的行所示，10年期美国掉期利率变动60/-55bps可能会导致美元、欧元、英镑和日元的2年、5年和10年利率发生相应变化。类似地，如下一行所示，欧元价值变动11％/-13％可能会导致其他货币的转变，诸如英镑、日元、瑞郎、港币、新台币、韩元、澳元和墨西哥比索等。在下一行中，ITRAXX变动60％/-30％可能会导致与美国投资级别、美国高收益率和信用掉期指数(例如，CDX EM)有关的信用违约的转变。在最后一行，ESTOXX变动11％/-13％可能会导致世界各地各种追踪指数的转变，包括例如NIKKEI、HIS、TOPIX、DAX、RUSSELL和SPX。

鉴于选举的所有三种可能结果，投资组合经理可能能够获得潜在风险和结果的整体观点，并据此做出与投资组合资产的结构和混合有关的决策。为了获得这样的观点，系统100基于专家轮询值实例化树数据结构，该树数据结构被配置为保持概率值和影响，使得跨所有可能路径的树数据结构的遍历允许生成捕捉了与宏观因素有关的所有可能结果的路径的跨越集，以及最终生成累积微观因素对投资组合资产的影响。

系统100自动生成关于受事件影响的金融因素的情景。该步骤涉及生成可能的情景集，该情景集是从对轮询信息的响应以及与宏观因素之间的相关性的潜在信息中得出的。系统100可以使用历史条件相关性或隐含的历史条件相关性(可用的话)，并使用响应隐含相关性。

为了缩放输入，系统100可以查看过去20年中相同时间范围内的历史变动，并例如以最大变动来缩放它。另外，系统100可以向用户提供关于变动的标准偏差及其输入的历史百分位数的信息。

系统100可以使用金融网络或决策树来生成情景的跨越集。

图6A图示了根据一些实施例的事件的可能结果情景的树结构600A。树的根对应于事件节点。事件节点针对每个结果都有子节点，也可以称为结果节点。结果节点的子节点表示宏观因素节点。每个结果节点可以是被链接到该结果的宏观因素节点的子树的根。从结果节点到叶节点的路径表示每个宏观因素节点都有对应数据值的情景。数据值在本文中也称为冲击值。节点之间的边表示从父节点遍历到子节点的概率。因此，可以使用情景路径的节点之间的边来表示情景的概率。数据值和概率可以由系统100使用对轮询问题的响应来计算。系统100可以响应于接收到对轮询问题的更新响应而实时地更新数据值概率。因此，系统100连续且实时地操作以确保树结构包括数据值和概率的最新表示。

树的每个结果节点限定了宏观因素节点的2n个路径的子树，每个路径对应于一个情景。在该示例中，存在三个子树，事件的每种可能性或结果都有一个子树：第一方、第二方和第三方获胜。每个子树具有2n条路径，其中n＝6是受选举结果影响的宏观因素的数目。穿过树的每条路径对应于一个情景。

图6B图示了根据一些实施例的当第二方获胜时可能的结果情景的树结构600B，包括示例情景路径602。所示情景与第二方获胜时的特定结果有关。如所指出的，情景路径中的父节点和子节点之间的每个边对应于从路径602中的父节点遍历到子节点的概率。在该示例中，存在六个宏观因素和64个情景路径。路径602对应于欧元因素下降了6％，10年期美元掉期因素上升了96.8bps，法国/德国利差上升了70bps，SPX下降了8.25％，STOXX因素上升了20.45％，TRAXX系数下降了21％。

图6C图示了根据一些实施例的事件的可能结果情景的树结构600C。生成了跨越整个结果的结果，显示了192种可能情景的一部分。

系统100生成表示宏观因素和结果的情景的树数据存储结构。该树具有不同的节点，树结构中的每个节点限定描述符和数据值。树结构具有与根节点(选举)相对应的事件节点。结果节点对应于根节点的子节点。

宏观因素节点对应于结果节点的其他子节点。每个宏观因素节点具有数据值。树的每个结果节点限定了宏观因素节点的2n个路径的子树，每个路径对应于情景。在该示例中，存在三个子树，事件的每种可能性或结果都有一个子树：第一方、第二方和第三方获胜。每个子树具有2n条路径，其中n＝6是受选举结果影响的宏观因素的数目。穿过树的每个路径对应于情景。

图7A图示了根据一些实施例的事件的可能结果情景的子树700A。这更详细地显示了根据第一方在选举中的模拟胜利对宏观因素的潜在影响。遍历树，可以通过每条路径考虑潜在结果。每个完整路径考虑每个宏观因素的向上或向下变动。结果节点的子树限定宏观因素节点的2n个路径，每个路径对应于情景，并且在这种情况下，总共有26条可能的路径。

图7B图示了根据一些实施例的事件的可能结果情景的子树700B。这更详细地显示了根据第二方在选举中的模拟胜利对宏观因素的潜在影响。子树700B更详细地图示了根据第二方(结果节点)在选举(事件节点)中的模拟胜利对宏观因素的潜在影响。与图7A相比，可以注意到冲击的概率和大小已经改变。对于第二方的胜利，可能会有更大的波动率，其导致上行潜力和下行风险相应增加。

图7C图示了根据一些实施例的事件的可能结果情景的子树700C。这更详细地显示了根据第三方在选举中的模拟胜利对宏观因素的潜在影响。图7A、图7B和图7C的组合允许对整个选举进行分析。

当可以假定金融因素的独立性时，情景的概率可以被表示为沿路径的概率乘积。在实际数据被使用时，每个子树中上下变动的概率和变动的大小将有所不同。该树仅用于说明目的。所显示的数字不一定指示在此方法的实际应用中会生成的实际数字。

考虑图6所示的树结构，该树结构是针对选举事件得出的。该示例包括六个宏观因素，每当其中一名候选人获胜时，这些宏观因素都会受到影响。针对每次可能的获胜，有26种可能的情景路径，因此总共有3x 26种可能的情景路径。即，192种可能的路径或192种可能的情景。

图6A、图6B、图6C中的示例树是树或网络的示例，系统100可以使用该树或网络来基于宏观风险因素以该事件为条件可能会经历的可能变动的市场观点所获得的信息来自动生成情景。情景是节点通过树的单条路径(参见图6B)。分层树结构具有根值和带有父节点的子节点的子树，表示为链接的节点集。路径可以是从根节点(或子树的根节点)到叶节点(没有子节点的节点)的节点。树或网络可能比上面描述的简单示例更为复杂，例如贝叶斯网络，该贝叶斯网络会随着对轮询问题的响应随新闻的变化而不断更新新信息。在所有宏观风险因素都独立的最简单的情况下发生的宏观情景的概率仅是沿路径的概率乘积。在更复杂的网络(树)中，风险因素在树中出现的顺序很重要，我们需要考虑因素之间的相关性，并且相关性本身每天都在变化。因此，系统100可操作以连续且实时地发送轮询问题，接收对轮询问题的响应数据，并且动态地更新树结构的节点的数据值。为了简化说明，我们可以假设独立性，并且顺序在计算情景的总体概率时并不重要。然而，在一些实施例中，宏观因素之间将存在相关性和依赖性。

系统100可操作以从宏观因素情景生成微观因素冲击。图8图示了根据一些实施例的导致微观因素改变的宏观因素的流程图。这些转变例如可以在图5E-5G中注意到。在图5E-5G中，提供了链接以说明宏观因素的转变(例如10年期美元掉期、欧元币值、ITTRAX和ESTOXX指数值)可能引起对应的微观因素转变。鉴于由于事件结果可能出现的概率路径集，这些微观因素转变可以用于重新评估投资组合资产价值。

图9图示了根据一些实施例的因素之间的相互关系的树900。图9是另一种情景的示例，在该情景中正在考虑特定的选举活动。图9描绘了金融系统中可能存在的复杂性以及更复杂的示例，在该示例中更多的宏观因素被分析，从而导致更多的关联微观因素。

树中的叶节点对应于特定的宏观情景，该特定宏观情景是沿路径出现的所有宏观因素的组合。然后，系统100被配置为将这些宏观因素冲击转换为微观因素冲击，该微观因素冲击可以用于评估其对投资组合的影响。这可以自动实现。例如，这可以使用条件期望来完成。

总而言之，一旦限定了主要事件，就可以使用机器学习单元120和(多个)专家输入102来生成宏观风险因素。然后，通过组合机器学习规则和自动轮询大量独立专家利用金融网络或决策树(示例形式)来生成宏观情景。该方法的贡献是将自动化专家系统与机器学习结合起来，以开发具有宏观到微观因素转换的情景树(网络)，从而创建完全自动化的情景生成系统。该系统的唯一输入是用于检测要研究的事件的数据馈源。

系统100生成跨越集。通过构造，在图6的示例树中，对于因素中的每次变动，系统100也考虑反向变动。这些路径是这些宏观冲击的所有可能组合。有2n条路径，其中n是针对事件检测到的子集中的宏观变量数。假设系统100没有省略重要的因素，则系统100将跨越需要考虑的可能的宏观冲击的范围。因此，在不知道投资组合的内容的情况下，系统100可以捕捉任何投资组合中的上行和下行变动。然而，事实上，对于高度非线性的投资组合，系统100必须具有非常细粒度的可能冲击和因素集合，以捕捉所有可能性(考虑二元期权的投资组合以及捕捉导致行使二元期权的精确点/组合的困难)。

系统100将机器学习和轮询与用于情景生成的网络模型结合在一起。系统100从可以用于对投资组合进行评估的非金融或金融宏观事件自动生成情景。生成的情景集还满足一些重要属性，这使情景在压力测试和一般风险管理中特别有用。在没有对投资组合的头寸的先验知识的情况下，这些情景跨越了对投资组合施加压力的各种可能性。系统100可以捕捉可能导致毁灭性损失的黑天鹅。

图10图示了根据一些实施例的用于生成情景模型的过程1000。

生成情景模型可以包括：在1002，选择与事件(例如，选举)有关的风险相关的非金融宏观因素。在选举的示例中，这些非金融宏观因素可以包括第一方、第二方和第三方获胜。

在1004，系统100被配置为选择与该选举结果中的风险相关的宏观因素。在一些实施例中，机器学习单元120基于对相似数据的语料库的分析(例如，哪些度量受过去选举影响最大)来自动标识金融宏观因素。在该示例中，宏观因素可以包括欧元的汇率，包括以下的汇率：法国/德国利差、10年期美国国债的价值、诸如S&P

Stoxx50

之类的股票指数、和/或诸如ITRAXX之类的信贷指数。

在1006，系统100被配置为开发轮询，该轮询被设计用于结合对条件概率以及危险因素的向上和向下可能的变动的理解。在一些实施例中，这些条件概率以及向上/向下的变动幅度由机器学习单元120自动选择，或者通过从各种专家那里轮询的信息来指定。专家可以指出与每个宏观因素相关联的“冲击”级别和“冲击”概率、和/或哪些宏观因素最有可能受到事件的影响。在可以获得的新信息给定的情况下，上面收集的数据点可能会改变(例如，周与周之间不同)。

在1008，系统100通过情景生成单元124基于轮询结果实例化具有上升和下降概率以及上升和下降冲击的树数据结构。可以使用各种市场模型来得出对应的微观冲击，并且在一些实施例中，可以基于宏观和微观因素的组合及其相关的“冲击”来定价不同情景下的投资组合的价值。

在1010，可以生成各种报告和界面以用于供应给最终用户(例如，客户端、交易者、投资组合经理)，并且在一些实施例中，自动发送指令以进行处理(例如，以自动发起交易(trade)或其他交易(transaction))。

动态绘制的界面

图11-图30图示了根据一些实施例的用户界面的示例屏幕截图。

图11图示了界面屏幕1100，该界面屏幕1100可用于向用户提供投资组合冲击分布的图形视图(例如，高于或低于特定值的投资组合的变化百分比)。在图11中，示出了具有可选择界面元素的选项栏(option bar)1102，这些可选择界面元素可以用于例如修改界面视图以切换应用了哪些投资组合、资产、源、基准和视图类型。对于图11，视图是基于所有数据源的所有投资组合、所有资产，基准是市场，并且该视图说明了投资组合冲击分布。示出了直方图1104，其中示出了情景的跨越集的全部结果(范围从-10％到+14％的条柱(bar))，并且示出了基准参考线，该基准参考线说明了针对市场的基准。提供了可视元素1106、1108，其说明了与市场相比(如图所示，经由趋势线1110)与特定投资组合(“矿”)相关的最大损失和最佳收益。

图12图示了界面屏幕1200，该界面屏幕1200可用于向用户提供投资组合冲击分布的图形视图(例如，高于或低于特定值的投资组合的变化百分比)。在图12的示例中，相对于图11，选择基准作为对冲和基准线。类似地，在图12中，示出了具有可选择界面元素的选项栏1202。对于图12，视图是基于所有数据源的所有投资组合、所有资产，基准是对冲(例如，市场的对冲版本)，并且该视图说明了投资组合冲击分布。示出了柱状图1204，其中示出了情景的跨越集的全部结果(范围从-10％到+14％的条柱)，并且示出了基准参考线，该基准参考线说明了针对对冲市场的基准。提供了可视元素1206、1208，其说明了与对冲相比(由趋势线1210指示)与特定投资组合(“矿”)相关的最大损失和最佳收益。值得注意的是，在图12中，对冲的最大损失小于在图11中的最大损失(在该图中，基准是市场)。最大损失的这种减少可能是由于通过对冲机制的运作降低了不利价格变动的风险。

图13图示了与图12的屏幕相似的界面屏幕1300，并且说明了已经使用选项栏1302以示出“下拉”菜单1304的示例，其中提供了策略的几个可选选项(例如，基金多头/空头、宏观、定量、相对价值/事件驱动、分布/高收益)等。这些策略可能会修改，例如，分析中的投资组合资产的构成。

图14图示了与屏幕11相似的界面屏幕1400，并且图示了已经使用选项栏1402以将基准改变为模型并且分析中的资产是股票的示例。

图15图示了与图11的屏幕相似的界面屏幕1500，并且图示了选择可视元素、分布界面元素1502的示例。注释1504被放置在分布界面元素1502旁边。在该示例中，分布界面元素1502与产生介于-7％和-8％之间的损失的情景有关，并且注释1504指示用户可以在分布界面元素1502上进行交互(例如，单击)，以查看基础情景。

图16图示了与图15的屏幕相似的界面屏幕1600，并且选择了分布界面元素1602。响应于该选择，界面单元122生成情景条柱1604，该情景条柱示出了导致损失在-7到-8％之间的三个不同情景，包括针对每个宏观因素的百分比变化、情景发生的总体概率、以及对投资组合本身的潜在影响。

图17图示了与图16的屏幕相似的界面屏幕1700，并且在该示例中，已经选择了表示第一情景(第三方获胜1702)的可视元素。对1702的选择使界面转换到图8的界面。

图18图示了界面屏幕1800，其中更详细地图示了上面相对于图17所选择的情景。界面单元122请求遍历树数据结构以获得针对投资组合中的每个头寸的头寸级别影响，并且提供头寸级别影响的图形表示。可以选择头寸，如所选头寸1802所示，并且可以绘制小部件部分1804，以针对所选头寸1802显示与该头寸相关联的特定冲击和产出值，以便用户可以更容易地理解情景如何导致对应的头寸影响(例如，汇率的价格变动)等。

图19图示了与图18相似的界面屏幕1900，但具有不同的所选头寸1902。小部件部分1904被绘制为显示与图18不同的信息，不同之处在于针对冲击呈现的信息与欧元基础掉期和LIBOR掉期变动有关。可以为动态选择的资产类型范围(例如1年、2年、3年等)显示折线图。

图20图示了界面屏幕2000，其中已经激活了选项栏2002以示出对冲发展视图。以滑块可视元素2004的形式提供了可变动的对冲柱，该滑块可视元素200可以由用户用来进行交互以动态地生成关于各种头寸的对冲机制。在一些实施例中，随着滑块可视元素2004一起变动，小部件部分2006的绘制可以被动态地修改以表示在应用由滑块可视元素2004表示的对冲机制之后与微观冲击的影响有关的变化。

图21图示了与图20相似的界面屏幕2100，不同之处在于滑块可视元素2102已经移动到右边。如图21所示，由于对冲的作用抵消了下行风险，因此降低了各种头寸的影响。对冲部分2104指示为特定头寸建立对冲需要多少对冲机制。

图22图示了界面屏幕2200，该界面屏幕2200图示了所有情景的视图，如选项栏2202所指出的。在该示例屏幕中，列出了所有情景，并且用户可以能够浏览各种情景，与各种可视界面元素进行交互以获得有关特定情景的更多信息。情景是通过树数据结构获得的，并且每个情景表示通过树的单独路径。记录针对每条路径的概率、潜在影响以及与基准(在这种情况下为市场)的比较。

图23是界面屏幕2300，该界面屏幕2300图示了通过选项栏2302选择的不同视图，其中基于从金融机构内部的源获得的专家源来提供损失/收益频率视图。在对应的界面部分2304、2306和2308中分析每个事件，每个界面部分图示了不同的宏观因素集。这些因素中的每一个都在2310提供了相关联的图形条柱，并在2312提供了有关下行风险概率的总体评分。

图24图示了界面屏幕2400，该界面屏幕2400图示了如通过选项栏2402所选择的不同视图，其中呈现了关于各种最严重损失情景的信息。在图24的示例中，在投资组合的最严重损失情景(对于每个可能的事件结果)与市场基准的最严重损失情景(对于每个可能的事件结果)之间进行了比较。提供了分段的图形条柱2404作为交互式可视元素，并在2406提供概要表。概要表2406指示导致最大损失的宏观因素的组合以及对投资组合本身的总体金融影响。

图25图示了界面屏幕2500，该界面屏幕2500图示了如通过选项栏2502所选择的不同视图，其中提供了验证测试(“回测”)中生成的信息。在图表2504中示出了与实际S&P表现相比的情景分析。

图26图示了示例分布2600，该示例分布2600图示了基于挖掘专家轮询结果形成的概率分布。x轴是欧元在基点方面的变动，并且y轴是与接收的输入相关的密度的度量。分布2602指示第一方获胜情况下欧元的预期变动，分布2604指示第二方获胜情况下欧元的预期变动，以及2606指示第三方获胜情况下欧元的预期变动。

图27图示了界面屏幕2700，该界面屏幕2700示出了针对各种宏观因素的宏观因素轮询分布。

图28图示了界面屏幕2800，其图示了分布。2802表示第一方获胜情况下欧元变动的分布，2804表示第二方获胜情况下欧元变动的分布，以及2806表示第三方获胜情况下欧元变动的分布。

图29图示了界面屏幕2900，其图示了分布。2902表示第一方获胜情况下美国10年资产变动的分布，2904表示第二方获胜情况下10年资产变动的分布，以及2906表示第三方获胜情况下美国10年资产变动的分布。

图30图示了界面屏幕3000，其图示了分布。3002表示第一方获胜情况下法国/德国利差变动的分布，3004表示第二方获胜情况下法国/德国利差变动的分布，以及3006表示第三方获胜情况下法国/德国利差变动的分布。

图31A、图31B、图31C、图31D、图31E和图31F图示了根据一些实施例的报告界面的示例屏幕截图。图31A图示了报告的屏幕截图3100A，其涉及图示相对于当前值测量的投资组合冲击的分布。图31B图示了报告的屏幕截图3100B，其涉及图示针对对等方测量的投资组合冲击的分布。图31C图示了报告的屏幕截图3100C，其涉及图示针对对等方测量的平均损失。图31D图示了报告的屏幕截图3100D，其涉及图示针对对等方测量的用户的最严重损失情景。图31E图示了报告的屏幕截图3100E，其提供情景仪表板。图31F图示了提供头寸级别影响的报告的屏幕截图3100F以及提供了动态绘制的指示风险的仪表的可视元素3102。在一些实施例中，可以动态地确定可视元素3102上使用的标度。

图32图示了根据一些实施例的用于自动生成表示工具的评估的情景和用户界面元素的方法3200。

提供方法3200以用于自动生成情景和表示该情景下的工具评估的用户界面元素，并且该方法可以包括以下步骤中的一个或多个。提供这些步骤作为实施例的示例，并且可以存在不同、更多、更少或替代的步骤。

在3202，获取限定多个事件的第一规则集。

在3204，通过应用第一规则集生成事件来处理多个数据馈源，事件被链接到结果集。

在3206，获取限定多个宏观因素的第二规则集。

在3208，通过应用第二规则集生成宏观因素子集来处理事件。

在3210，获取限定多个轮询问题的第三规则集。

在3212，通过应用第三组规则集生成轮询问题子集来处理宏观因素子集，每个轮询问题被链接到宏观因素子集中的宏观因素和可接受作为宏观因素的数据值的输入响应范围。

在3214，生成并显示用户界面，该用户界面具有针对被链接到宏观因素和可接受作为宏观因素的数据值的输入响应范围的轮询问题的可视元素。

在3216，生成表示宏观因素和结果的情景的树数据存储结构，树结构中的每个节点限定描述符和数据值，树结构具有与根节点相对应的事件节点、与根节点的子节点相对应的结果节点、以及与结果节点的其他子节点相对应的宏观因素节点，每个宏观因素节点具有数据值。

在3218，在用户界面处接收对轮询问题的所选输入响应，并且在3220，获取第四规则集，这些规则计算宏观因素节点的数据值。

在3220，通过应用第四规则集生成宏观因素节点的数据值来处理所选输入响应。

在3222，用宏观因素节点的数据值填充树数据存储结构，以生成结果节点的情景。

在3224，更新界面以产生其他可视元素，该其他可视元素指示在树数据存储结构的情景下轮询问题的分布以及所选输入响应和工具的评估。

在3226，为树数据存储结构生成输出数据。

图33图示了根据一些实施例的用于生成可视元素的用户界面的方法3300。

在方法3300，提供了一种使用图形用户界面和用户输入设备自动生成情景和表示在该情景下工具的评估的用户界面元素的方法。方法3300作为示例被提供，并且可以有更多、更少、不同等的步骤。

在3302，维持表示情景的树数据存储结构，该树数据存储结构包括限定描述符、概率值和数据值的多个节点，树结构具有与根节点相对应的事件节点、与根节点的子节点相对应的结果节点、以及与结果节点的其他子节点相对应的宏观因素节点，每个宏观因素节点具有数据值。

在3304，基于接收到的输入数据集来周期性地或连续地更新树数据存储结构，该输入数据集至少包括轮询问题的机器可读答案。

处理每个机器可读答案以确定一个或多个形变因素并将其应用于多个节点中的至少一个节点，该一个或多个形变因素修改概率值和数据值中的至少一个。

在3306，使用树数据存储结构，确定一个或多个路径的集合，这些路径组合起来跨越了节点的所有可能的组合。鉴于金融因素的潜在变化，路径的跨越集对于整体分析所有可用情景非常重要。

对于每个路径，遍历树数据存储，以例如确定对分析中的特定投资组合头寸的对应贡献。在一些实施例中，可能还有其他元素正在分析中。

在3308，基于树数据存储结构和多个节点实例化图形情景树，该图形情景树绘制树数据存储结构和多个节点的可视表示，图形情景树具有与多个节点中的每个节点相关联的用户界面元素。

在3310，将实例化的图形情景树动态地绘制在图形用户界面上。

在3312，接收来自用户输入设备的一个或多个用户输入，该用户输入对应于该一个或多个用户界面元素的所选择的集合。从用户接收的这些输入可以指示路径或路径的一部分，用户选择要分析的节点。

在3314，确定跨越了一个或多个用户界面元素的所选集合的路径或部分路径。系统100可以基于该路径或部分路径被配置为选择实例化的图形情景树的区域，该区域被选择为使得跨越路径或部分路径的所有节点在图形用户界面上可见。可以创建区域视图，该区域视图更适合于用户选择用于分析的特定路径。

在3316，控制图形用户界面以使在图形用户界面上显示的视图适应边界，使得所选区域被图形显示为图形情景树的扩展部分显示(例如，放大到所选路径/部分路径的区域视图)。

在3318，确定对分析中的特定投资组合的一个或多个贡献估计值，该一个或多个贡献估计值中的每一个与路径或部分路径的对应节点相对应。

在3320，将表示一个或多个贡献估计值的一个或多个图形元素附加到路径或部分路径的对应节点，一个或多个图形元素与路径或部分路径的节点对齐。例如，附加的图形元素用与头寸的值有关的贡献或其他类型的贡献或信息来标记路径的节点。

图34图示了根据一些实施例的计算设备3400的示意框图。计算设备3400被配置用于自动生成情景和表示该情景下的工具的评估的用户界面元素。在一个示例实施例中，计算设备3400可以是如图1所示的系统100中的设备的一个示例。在一些实施例中，计算设备3400包括一个或多个处理器3402和各种计算组件，包括存储器3404和存储装置。计算设备3400可以由单个或多个设备提供(例如，以云/分布式资源配置)。情景的生成在计算上很困难，尤其是在具有较大的宏观/微观因素集或具有各种子事件的更复杂事件等情况下。

因此，计算设备3400可以被具体配置为应用启发式方法、并行处理和其他方法以减少计算所需的时间量。提供I/O接口3406，以用于与各种用户进行通信和交互，例如，通过接收与可视界面元素的交互(例如，点击、指针移动、手势、键盘输入)等作为计算机可解译的输入。提供网络接口3408以用于与其他计算设备进行通信，例如以获得与数据集、现实世界验证数据、专家轮询问题的答案等有关的信息。

计算设备3400还包括能够存储各种规则集(例如，限定多个事件的第一规则集、限定多个宏观因素的第二规则集、限定多个轮询问题的第三规则集、以及计算宏观因素节点的数据值的第四组规则集)的存储装置，并且计算设备3400被配置为用于处理从I/O接口3406获得的多个数据馈源。

处理器3402被配置为应用第一规则集从多个事件中生成事件，该事件被链接到结果集，通过应用第二规则集生成宏观因素子集来处理事件；并通过应用第三规则集生成轮询问题的子集来处理宏观因素子集，以生成被链接到宏观因素子集的宏观因素和可接受作为宏观因素的数据值的输入响应范围的每个轮询问题。

I/O接口3406绘制各种用户界面，例如，提供具有被链接到宏观因素和可接受作为宏观因素的数据值的输入响应范围的轮询问题的可视元素的界面，并且还提供了具有用于向各种最终用户(例如，投资组合经理、交易者)显示信息的可视元素的界面。

处理器3402被配置用于生成表示宏观因素和结果的情景的树数据存储结构，并通过应用规则集生成宏观因素节点的数据值来处理所选输入响应，并用宏观因素节点的数据值填充树数据存储结构以生成结果节点的情景，并更新界面以生成其他可视元素，这些元素指示在树数据存储结构的情景下轮询问题的分布以及所选输入响应和工具的评估。

处理器3402还被配置用于生成用于树数据存储结构的输出数据，并且该输出数据可以用于驱动将各种界面绘制在I/O接口3406处，这些界面可以包括：例如，用于显示报告和信息的界面、用于轮询专家输入的界面等。界面可以包括交互元素，当与用户交互时，这些交互元素可以使处理器3402执行信息检索、处理和绘制中的各种步骤。

系统100可以具有少量市场模型，其将限定如何在各种市场变量之间对相关性进行建模。为进行概念验证而概念化的一种简单市场模型涉及在从轮询分布数据得出的特定变动给定的情况下查看历史变动。这里，整个相关性结构都被维持在每个资产类别中。还存在其他市场模型可以放宽约束和模型跨资产类别的相关性。总之，这里有一些市场模型：历史相关性、隐含相关性；用户限定的与历史和/或隐含的重叠的相关性。

系统100可以为宏观因素集生成冲击值。这些因素可以被归类为更广泛的资产类别集(股票、汇率、信贷、利率)。在每个资产类别中，可以选择宏观驱动因素，并且可以得出完全重新评估投资组合所需的其他微观变量的冲击。针对法国大选的示例，欧元是宏观变量，其被用于得出其他外汇货币(诸如英镑、日元、港币等)的冲击。

通过查看历史上的时间序列，微观冲击的推导以宏观变量中发生的变动为条件。为了得出其他货币的微观冲击，首先可以查看欧元超过5％的历史波动。5％是从轮询得出的。在欧元变动超过5％的日子里，可以提取英镑、日元和港币的变动，并可以在日期范围内计算这些货币的预期变动。例如，价值或冲击可能使欧元变动大于5％，并显示当日英镑、港币、日元和瑞郎的变动。从该数据集中，我们得出了将被应用到其他货币的冲击。图41示出了值的示例图表。

按照相似的广度，可以查看所有其他资产类别，并可以得出其他微观因素的变动。可能得出选取的微观变量集的子集。

图36至图40图示了根据一些实施例的具有图形表示的界面。界面包括多个因素的分布和重叠分布的可视表示。

图41图示了根据一些实施例的百分比值的图形。

图42图示了根据一些实施例的上行冲击级别和下行冲击级别。

图43图示了根据一些实施例的情绪分析的处理流程。

在4302，系统100生成轮询问题集。系统100将问题添加到可以用于确定专家集中的专家的情绪的轮询问题集。在一些实施例中，系统100可以使用意见词典来确定情绪，该意见词典是包含意见词语的字典，这些意见词语的极性值指示积极或消极的情绪，例如“高兴”、“极好”、“不好”、“无聊”等。系统100可以标识关于对其表达了一些意见的意见目标，然后确定该意见的情绪。系统100可以在界面中呈现轮询问题，以接收表单字段中的响应。

在4304，系统100使用自然语言处理规则来确定关于事件的专家情绪。例如，处理规则可以限定不同的情绪因素，诸如，语调和礼节。作为进一步的示例，情绪因素也可以与兴奋和焦虑有关。处理规则可以处理来自轮询问题的响应，以基于情绪因素标识偏差。例如，与兴奋和焦虑有关的处理规则可以用于处理来自轮询问题的响应，以基于兴奋和焦虑情绪因素标识偏差。

在一些实施例中，系统100可以使用意见词典来确定情绪，该意见词典是包含意见词语的词典，这些意见词语的极性值指示积极或消极的情绪，例如“高兴”、“极好”、“不好”、“无聊”等。系统100可以标识对其表达了一些意见的意见目标，然后确定该意见的情绪。

系统100可以基于从本体和上下文信息数据中提取的知识而具有一个或多个情绪分析模型。本体可以用于确定域特定概念，这些概念又产生领域特定重要特征或因素，这些特征或因素可以用于情绪确定。系统100可以通过考虑词语的上下文信息使用上下文极性词典来确定所提取概念的极性。可以基于特征相对于领域的重要性来聚集评论文本的领域特定特征的语义取向。例如，特征的重要性由本体中特征的深度确定。情绪分析在对轮询问题的响应的文本中确定对诸如产品、服务之类的实体的意见和情绪。

在4306，系统100基于情绪分析的结果从专家集中消除专家。例如，操作4304的结果可以用于：基于情绪因素，标识指示偏差的响应集。作为另一示例，操作4304的结果可以用于：基于情绪因素，标识被链接到指示偏差的响应的专家集。系统100可以从数据集中过滤专家和/或对轮询问题的响应以尝试消除偏差。过滤可以涉及去除响应。作为另一示例，过滤可以涉及将较低的权重附加到响应上。

图44图示了根据一些实施例的具有情景度量的界面4400。

界面4400检测在投注标记4402上的悬停，并且作为响应在工具栏4404中显示对应的情景细节。这可以被称为“知道您的投注”视图。界面4400检测对另一投注标记4406的点击或选择(例如，左上的最大损失/能量/中左翼获胜的投注)，并且界面4400可以在工具栏4404中显示行业钻取。例如，在GIC行业级钻取内。

界面4400可以具有投资组合、基准和增量视图切换键，以改变数据的条形图或其他可视表示。

例如，界面4400检测到在条形图条柱上的悬停以改变归因饼。例如，界面4400可以具有归因(Attribution)、微观冲击(Micro Shock)和开发对冲(Develop Hedge)切换键，以改变右手侧面板内容。

在选择了投资组合视图之后，界面4400可以使用开发对冲工具来实现在界面400上的拖动，并且作为响应，计算条形图中的前四行的对冲值。界面4400检测对人字形或屏幕标题的点击或选择以退出钻取视图。

在选择了警报视图之后，界面4400可以悬停在单元格上，以针对钻取特征首先选择该单元格。作为响应，界面4400动态地更新以创建与所选择的单元格有关的详细数据的可视表示。例如，该单元格可以与“零售”情景相关，以查看针对结果或事件的行业钻取。

在选择了基准视图之后，界面4400可以悬停在单元格上，以针对钻取特征首先选择该单元格。作为响应，界面4400动态地更新以创建与所选择的单元格有关的详细基准的可视表示。例如，该单元格可以与“媒体”情景相关，以查看针对结果或事件的行业基准数据。

在选择了增量视图之后，界面4400可以悬停在单元格上，以针对钻取特征首先选择该单元格，以显示随时间的变化或增量。作为响应，界面4400动态地更新以创建与所选择的单元格有关的详细变化数据的可视表示。例如，该单元格可以与“食物和饮料”情景相关，以查看针对结果或事件的行业比较数据。

图45图示了根据一些实施例的具有损益热图的界面。该热图包括多个可视元素，这些可视元素表示所有投资组合中按GIC级别行业划分的股票损益。可视元素可以基于示例图例中描绘的配置来描绘颜色的不同阴影，以表示值的范围或方差。热图可以包括表示所有情景的轴(在该示例中，从最差到最佳排名)和描绘股票行业的另一轴。热图为可视化原始数据提供了一种有用的机制，以帮助用户标识趋势。

图46图示了根据一些实施例的具有损益热图的界面。在该示例中，情景(82)是可选择的。响应于接收到选择，界面更新以提供关于所选情景的详细数据。

图47图示了根据一些实施例的具有损益热图的界面。在该示例中，热图的单元格是可选择的(例如，特定的情景和行业对)。响应于接收到选择，界面更新以提供关于所选单元格的详细数据。在该示例中，所选单元格与零售行业的情景45有关。详细数据包括对所有投资组合的影响。还可以选择详细数据以触发界面更新以指示风险归因。

图48图示了根据一些实施例的具有行业级概要的界面。该界面生成行业级钻取的可视表示，以指示头寸级影响的可视度量以及归因、微观冲击和对冲的图表数据。

图49图示了根据一些实施例的具有损益热图的界面。在该示例中，热图的单元格是可选择的(例如，特定的情景和行业对)。响应于接收到选择，界面更新以提供关于所选单元格的详细数据。在该示例中，所选单元格与媒体行业的情景29有关。详细数据包括对所有投资组合的影响。详细数据也可选择以触发界面更新以指示风险归因。

图50图示了根据一些实施例的具有损益热图的界面。在该示例中，热图的单元格是可选择的(例如，特定的情景和行业对)。响应于接收到选择，界面更新以提供关于所选单元格的详细数据。在该示例中，所选单元格与食物、饮料和烟草行业的情景97有关，并且数据涉及投资组合影响以及基准(对等方)和增量数据。详细数据包括对所有投资组合的影响。详细数据也可选择以触发界面更新以指示风险归因。

图51图示了根据一些实施例的具有分布图的界面。该图表指示所有投资组合冲击的概率分布。图形中的黑线指示基准数据(对等方)。每个条柱可选择以触发对界面的更新得到弹出窗口。例如，投资组合过滤指标可选择以触发投资组合数据的更改，以关注特定的投资组合或所有投资组合。资产和源指标也可选择，以更改数据可视化。每个条柱指示在给定范围内(在该示例中为-10到14)产生损失的情景概率的总和。

图52图示了根据一些实施例的具有分布图的界面。条柱可选择，以触发对界面的更新包括附加可视元素。在该示例中，-7％和-8％的条柱可选择以显示情景表。条柱指示产生-7％至-8％之间的损失的情景概率的总和。数据还可以指示投资组合概率和基准概率。图表底部的每个情景行可选择，以利用行业钻取更新界面。

图53图示了根据一些实施例的具有分布图的界面。在该示例中，选择了介于-7％和-8％之间的损失条柱来更新界面，以指示情景和结果或事件的表格，包括概率、潜在影响、归因等数据。该界面实时动态更新，以反映轮询对响应数据的更新。

图54图示了根据一些实施例的具有行业级概要的界面。例如，响应于被选择的情景行，界面可以更新以指示行业级钻取。在行业级钻取中，界面可以更新以指示不同的视图，诸如投资组合、基准和增量。头寸级影响图的每个条柱可选择，以更改归因饼图。该界面包括用于归因、微观冲击和对冲的切换键视图。对冲工具可以触发条形图的行的段的对冲值的动态计算和更新。

图55图示了根据一些实施例的具有行业级概要的界面。在该示例中，界面允许选择能量行业的条柱，以触发对微观冲击数据的更新。

图56图示了根据一些实施例的具有行业级概要的界面。在该示例中，界面支持选择能量行业的条柱，以触发对对冲工具的更新。

图57图示了根据一些实施例的具有分布图的界面。该界面在该示例中指示所有投资组合冲击的概率分布，其损失或收益范围为-10％至14％。该界面以黑线动态更新，以指示对等数据或基准数据。

图58图示了根据一些实施例的具有分布图的界面。该界面在该示例中指示所有投资组合冲击的概率分布，其损失或收益范围为-10％至14％。该界面以黑线动态更新，以指示对冲数据。

图59图示了根据一些实施例的具有分布图的界面。该界面在该示例中指示所有投资组合冲击的概率分布，其损失或收益范围为-10％至14％。该界面以黑线动态更新，以指示对等数据或基准数据，并且将概率线更新为新头寸。

图60图示了根据一些实施例的具有图形表示的界面。示例界面示出了以动态可视表示显示的拥挤风险。中间段指示积极影响，黑线指示中性影响，而外部段指示不同行业间的负面影响。该界面还包括阴影表示的基准数据的可视表示。

图61图示了根据一些实施例的具有图形表示的界面。该示例指示与不同行业的基准数据相比的所有投资组合中预期的拥挤程度。

图62图示了根据一些实施例的具有宏观情景列表的界面。示例界面指示了宏观情景列表，具有宏观情景钻取。

图63图示了根据一些实施例的具有宏观情景列表的界面。示例界面指示了利率、汇率冲击和信贷冲击的微观情景钻取数据。

图64图示了根据一些实施例的具有图形表示的界面。示例界面指示了宏观因素集中的可视表示。

图65图示了根据一些实施例的具有图形表示的界面。示例界面指示了针对不同事件或结果的宏观情景动画的可视表示。

图66图示了根据一些实施例的具有图形表示的界面。示例界面指示了针对不同事件或结果的宏观情景动画的可视表示。

图67图示了根据一些实施例的具有图形表示的界面。示例界面指示了针对不同事件或结果的宏观情景动画的其他可视表示。

图68图示了根据一些实施例的具有图形表示的界面。示例界面指示了针对不同事件或结果的宏观情景动画的进一步可视表示。

图69图示了根据一些实施例的具有轮询分布图的界面。示例界面指示了不同宏观因素间的轮询分布的可视表示。这些图表可选择用于钻取，并且作为响应，界面更新以显示更多信息。

图70图示了根据一些实施例的具有轮询分布图的界面。示例界面以欧元为例指示了宏观因素钻取的可视表示。

图71图示了根据一些实施例的具有轮询分布图的界面。示例界面指示了欧元宏观因素钻取的可视表示。Pr线可选择，以动态更新界面。

图72图示了根据一些实施例的具有轮询分布表的界面。示例界面指示了欧元的宏观因素轮询分布的可视表示。

图73图示了根据一些实施例的具有轮询分布图的界面。示例界面指示了美元10年期的宏观因素轮询分布的可视表示。

图74图示了根据一些实施例的具有轮询分布图的界面。示例界面指示了FR/GE的宏观因素轮询分布的可视表示。

图75图示根据一些实施例的具有损益频率图的界面。示例界面指示了基于源的宏观因素损失或增益频率的可视表示。

图76图示了根据一些实施例的具有事件概率表的界面。示例界面指示事件或结果概率、以及宏观因素钻取分布的可视表示。

图77图示了根据一些实施例的具有回测图的界面。示例界面指示了宏观因素S&P回测的可视表示。该界面支持选择宏观变量过滤器以更改回测。

图78图示了根据一些实施例的具有回测图的界面。示例界面以欧元为例指示了宏观因素回测的可视表示。

以下部分描述了关于一些实施例可以实践的潜在应用。下面的潜在应用可以有其他的、不同的修改等，并且应该理解，该描述仅作为非限制性的说明性示例而被提供。例如，可以存在添加、省略、修改，并且可以考虑其他应用。

本文描述的设备、系统和方法的实施例以硬件和软件两者的组合来实现。

这些实施例在可编程计算机上实现，每台计算机包括至少一个处理器、数据存储系统(包括易失性存储器或非易失性存储器或其他数据存储元件或其组合)以及至少一个通信接口。

程序代码被应用于输入数据以执行本文描述的功能并生成输出信息。输出信息被应用于一个或多个输出设备。在一些实施例中，通信接口可以是网络通信接口。在元素可以被组合的实施例中，通信接口可以是软件通信接口，诸如用于进程间通信的软件通信接口。在其他实施例中，可以存在被实现为硬件、软件及其组合的通信接口的组合。

在整个前述讨论中，大量提及了由计算设备形成的服务器、服务、接口、门户、平台或其他系统。应当理解，使用这样的术语被认为表示具有至少一个处理器的一个或多个计算设备，该至少一个处理器被配置为执行存储在计算机可读有形非瞬态介质上的软件指令。例如，服务器可以包括以实现所描述的角色、职责或功能的方式充当web服务器、数据库服务器或其他类型的计算机服务器的一个或多个计算机。

术语“连接”或“耦合至”可以包括直接耦合(其中彼此耦合的两个元件彼此接触)和间接耦合(其中至少一个附加元件位于两个元件之间)。

实施例的技术方案可以是软件产品的形式。软件产品可以被存储在非易失性或非瞬态存储介质中，该介质可以是压缩盘只读存储器(CD-ROM)、USB闪存盘或可移除硬盘。软件产品包括使计算机设备(个人计算机、服务器或网络设备)能够执行由实施例提供的方法的多个指令。

本文描述的实施例由物理计算机硬件实现，包括计算设备、服务器、接收器、发送器、处理器、存储器、显示器和网络。本文描述的实施例提供了有用的物理机以及特别配置的计算机硬件布置。本文描述的实施例涉及电子机器和由电子机器实现的方法，该电子机器适用于处理和转换表示各种类型信息的电磁信号。本文描述的实施例普遍地和整体地涉及机器及其用途；并且，本文描述的实施例在不与计算机硬件、机器和各种硬件组件一起使用时不具有任何意义或实际适用性。

使用例如精神步骤来代替特别配置为对非物理硬件实施各种动作的物理硬件可能会实质上影响实施例的工作方式。这样的计算机硬件限制显然是本文描述的实施例的基本要素，并且在不对本文描述的实施例的操作和结构产生实质性影响的情况下，不能将其省略或用精神手段代替。计算机硬件对于实现本文描述的各种实施例是必不可少的，并且不仅用于快速且有效地执行步骤。

尽管已经详细描述了实施例，但是应当理解，本文可以进行各种改变、替换和变更。

而且，本申请的范围不旨在局限于说明书中描述的过程、机器、制造、以及物质组成、手段、方法和步骤的特定实施例。如本领域的普通技术人员将从公开内容中容易地理解的，可以利用执行基本相同的功能或实现与本文描述的对应实施例相同的结果的过程、机器、制造、物质组成、手段、方法或步骤(目前存在的或以后将要开发的)。因此，所附权利要求旨在将这样的过程、机器、制造、物质组成、手段、方法或步骤包括在权利要求的范围内。

可以理解，以上描述和图示的示例仅旨在是示例性的。

阐明在整个专利文档中使用的某些词语和短语的定义可能是有利的。术语“应用”和“程序”是指适合于以合适的计算机代码实现(包括源代码、目标代码或可执行代码)的一个或多个计算机程序、软件组件、指令集、过程、功能、对象、类、实例、相关数据、或其一部分。术语“通信”及其派生词涵盖直接和间接通信。术语“包括”和“包含”及其派生词是指包括但不限于。术语“或”是包含性的，意味着和/或。短语“与...相关联”及其派生词可以表示：包括、包括在其中、与之互连、包含、包含在其中、连接至或与之连接、耦合至或与之耦合、与之可通信、合作、交错、并列、近似于、绑定至或与之绑定、具有、具有…的特性、具有关系或与其有关系等。短语“至少一个”当与事项列表一起使用时，意味着可以使用一个或多个所列事项的不同组合，并且可能只需要列表中的一个事项。例如，“A、B和C中的至少一个”包括以下组合中的任何一种：A、B、C、A和B、A和C、B和C、以及A和B和C。

本申请中的描述不应被解读为暗示任何特定的元素、步骤或功能是必须被包括在权利要求范围内的必要或关键元素。专利主题的范围仅由所允许的权利要求限定。此外，没有任何一项权利要求援引35U.S.C.§112(f)关于任何所附权利要求书或权利要求要素，除非在特定权利要求中明确使用了确切的词语“用于……的部件”或“用于……的步骤”，其后是标识功能的分词短语。在权利要求中的使用诸如(但不限于)“机构”、“模块”、“设备”、“单元”、“组件”、“元件”、“构件”、“装置”、“机器”、“系统”、“处理器”或“控制器”应理解为并旨在指代相关领域技术人员已知的结构，这些结构由权利要求本身的特征进一步修改或增强，而无意援引35U.S.C.§112(f)。

尽管本公开描述了某些实施例和通常相关的方法，但是这些实施例和方法的变更和置换对于本领域技术人员将是明显的。因此，示例实施例的以上描述不限定或约束本公开。在不脱离如所附权利要求所限定的本公开的精神和范围的情况下，其他改变、替换和变更也是可能的。

Claims (27)

1.一种用于使用人工智能、轮询和网络理论动态地生成表示情景和用户界面元素的数据结构的方法，所述方法包括：

通过应用第一规则集从由所述第一规则集限定的多个事件生成事件来处理多个数据馈源，所述事件被链接到结果集；

通过将第二规则集应用于所述事件来生成宏观因素集；

获取限定多个轮询问题的第三规则集；

通过应用所述第三规则集生成轮询问题子集来处理所述宏观因素集的子集，每个轮询问题被链接到宏观因素子集中的宏观因素、以及可接受作为针对所述宏观因素的数据值的输入响应范围；

生成并显示用户界面，所述用户界面具有针对被链接到宏观因素、以及可接受作为针对所述宏观因素的所述数据值的所述输入响应范围的所述轮询问题的可视元素；

生成表示针对所述宏观因素和所述结果集的情景的图形数据存储结构，所述图形数据存储结构中的每个节点限定描述符和数据值，所述图形数据存储结构包括与根节点相对应的事件节点、被连接至所述根节点的结果节点、和被连接至所述结果节点的宏观因素节点，每个宏观因素节点包括数据值；

在所述用户界面处接收对所述轮询问题的所选择的输入响应；

获取第四规则集，所述第四规则集计算针对所述宏观因素节点的所述数据值，并且基于情绪因素针对偏差过滤所述输入响应；

通过应用所述第四规则集生成针对所述宏观因素节点的所述数据值，来处理经过滤的所述输入响应；

用针对所述宏观因素节点的所述数据值填充所述图形数据存储结构，以生成针对所述结果节点的情景；以及

更新所述用户界面以产生其他可视元素，所述其他可视元素指示响应分布。

2.根据权利要求1所述的方法，其中通过将所述第二规则集应用于所述事件来生成所述宏观因素集涉及对历史数据的深度学习。

3.根据权利要求1所述的方法，其中通过将所述第二规则集应用于所述事件来生成所述宏观因素集涉及对历史数据的回归。

4.根据权利要求1所述的方法，其中针对所述宏观因素的所述数据值基于所述响应分布而被计算。

5.根据权利要求1所述的方法，其中针对所述宏观因素节点的所述数据值包括到极限的范围。

6.根据权利要求1所述的方法，其中针对所述宏观因素节点的所述数据值包括值增加或减少的概率。

7.一种用于生成情景和表示在所述情景下的工具的评估的用户界面元素的设备，所述设备包括：

数据存储设备；

以及处理器，所述处理器被配置为：

接收多个数据馈源，并且应用第一规则集来生成事件，所述事件被链接到结果集；

生成针对所述事件的宏观因素集；

生成针对所述宏观因素集的子集的轮询问题子集，每个轮询问题被链接到宏观因素子集中的宏观因素、以及可接受作为针对所述宏观因素的数据值的输入响应范围；

生成用户界面，所述用户界面具有针对被链接到宏观因素、以及可接受作为针对所述宏观因素的所述数据值的所述输入响应范围的所述轮询问题的可视元素；

生成表示针对所述宏观因素和所述结果集的情景的图形数据存储结构，所述图形数据存储结构中的每个节点限定描述符和数据值，所述图形数据存储结构包括与根节点相对应的事件节点、被连接至所述根节点的结果节点、和被连接至所述结果节点的宏观因素节点，每个宏观因素节点包括数据值；

在所述用户界面处接收对所述轮询问题的所选择的输入响应；

使用通过情绪因素过滤的所述所选择的输入响应来计算针对所述宏观因素节点的所述数据值，以自动检测偏差；

用针对所述宏观因素节点的所述数据值填充所述图形数据存储结构，以生成针对所述结果节点的情景；以及

更新所述用户界面以产生其他可视元素，所述其他可视元素指示响应分布或投资组合的评估。

8.根据权利要求7所述的设备，其中所述处理器使用对历史数据的深度学习来生成所述宏观因素集。

9.根据权利要求7所述的设备，其中所述处理器使用对历史数据的回归来生成所述宏观因素集。

10.根据权利要求7所述的设备，其中针对所述宏观因素的所述数据值基于所述响应分布而被计算。

11.根据权利要求7所述的设备，其中针对所述宏观因素节点的所述数据值包括到极限的范围。

12.根据权利要求7所述的设备，其中针对所述宏观因素节点的所述数据值包括值增加或降低的概率。

13.一种用于生成情景和表示在所述情景下的工具的评估的用户界面元素的方法，所述方法包括：

获取限定多个事件的第一规则集；

通过应用所述第一规则集从所述多个事件生成事件来处理多个数据馈源，所述事件被链接到结果集；

获取限定多个宏观因素的第二规则集；通过应用所述第二规则集生成宏观因素子集来处理所述事件；

获取限定多个轮询问题的第三规则集；通过应用所述第三规则集生成轮询问题子集来处理所述宏观因素子集，每个轮询问题被链接到所述宏观因素子集中的宏观因素、以及可接受作为针对所述宏观因素的数据值的输入响应范围；

生成并显示用户界面，所述用户界面具有针对被链接到宏观因素、以及可接受作为针对所述宏观因素的所述数据值的所述输入响应范围的所述轮询问题的可视元素；

生成表示针对所述宏观因素和所述结果集的情景的图形数据存储结构，所述图形数据存储结构中的每个节点限定描述符和数据值，所述图形数据存储结构包括与根节点相对应的事件节点、与所述根节点的子节点相对应的结果节点、和与所述结果节点的其他子节点相对应的宏观因素节点，每个宏观因素节点包括数据值；

在所述用户界面处接收对所述轮询问题的所选择的输入响应；

获取第四规则集，所述第四规则集计算针对所述宏观因素节点的所述数据值；

通过应用所述第四规则集生成针对所述宏观因素节点的所述数据值并且针对偏差过滤所述所选择的输入响应，来处理所述所选择的输入响应；

用针对所述宏观因素节点的所述数据值填充所述图形数据存储结构，以生成针对所述结果节点的情景；以及

更新所述用户界面以产生其他可视元素，所述其他可视元素指示经过滤的所述输入响应的分布和所述图形数据存储结构的所述情景。

14.根据权利要求13所述的方法，其中所述图形数据存储结构的每个结果节点限定宏观因素节点的2ⁿ条路径的子树，每条路径对应于情景，n是所述宏观因素子集中的宏观因素数目。

15.根据权利要求13所述的方法，还包括：生成所述输入响应范围，其中所述图形数据存储结构中的父节点和子节点通过边被连接，所述边与从所述父节点遍历到所述子节点的概率相关联，每个情景与情景概率相关联，所述情景概率使用与所述边相关联的所述概率而被得出。

16.根据权利要求13所述的方法，其中计算针对所述宏观因素节点的所述数据值的所述第四规则集生成针对所述输入响应范围的一种或多种分布。

17.根据权利要求13所述的方法，还包括：使用标度来生成可接受作为针对所述宏观因素的所述数据值的所述输入响应范围，所述标度具有表示没有变化的中点、表示向上变化到极限的一部分、以及表示向下变化到另一极限的另一部分。

18.根据权利要求13所述的方法，其中所述情景由从树数据存储结构的所述根节点到叶节点的路径限定。

19.根据权利要求13所述的方法，还包括：处理所述输入响应以针对每个宏观因素生成概率分布。

20.根据权利要求19所述的方法，其中每个概率分布包括p^u(F_i)，即在时间范围内因素i向上移动的概率。

21.根据权利要求19所述的方法，其中每个概率分布包括p^d(F_i)，即在时间范围内第i因素向下移动的概率。

22.根据权利要求19所述的方法，其中所述输入响应范围被处理以针对每个宏观因素获取以下中的至少一个：对于第i因素，可能的上行变动范围r^u(F_i)和下行变动范围r^d(F_i)。

23.一种用于生成情景和表示在所述情景下的工具的评估的用户界面元素的系统，所述系统包括：

存储器；以及

被耦合至所述存储器的至少一个处理器，所述至少一个处理器被配置为：

提供限定多个事件的第一规则集、限定多个宏观因素的第二规则集、限定多个轮询问题的第三规则集、和计算针对宏观因素节点的数据值的第四规则集；

应用所述第一规则集从所述多个事件生成事件，所述事件被链接到结果集；

应用所述第二规则集生成宏观因素子集；应用所述第三规则集生成轮询问题子集，每个轮询问题被链接到所述宏观因素子集中的宏观因素、以及可接受作为针对所述宏观因素的数据值的输入响应范围；

控制显示器显示用户界面，所述用户界面具有针对被链接到宏观因素、以及可接受作为针对所述宏观因素的所述数据值的所述输入响应范围的所述轮询问题的可视元素；

生成表示针对所述宏观因素和所述结果集的情景的树数据存储结构，所述树数据存储结构中的每个节点限定描述符和数据值，所述树数据存储结构包括与根节点相对应的事件节点、与所述根节点的子节点相对应的结果节点、和与所述结果节点的其他子节点相对应的宏观因素节点，每个宏观因素节点包括数据值，其中所述树的每个结果节点限定宏观因素节点的2ⁿ条路径的子树，每条路径对应于情景；

接收对所述轮询问题的所选择的输入响应；

通过应用所述第四规则集生成针对所述宏观因素节点的所述数据值，并且用针对所述宏观因素节点的所述数据值填充所述树数据存储结构以生成针对所述结果节点的情景，来处理所述所选择的输入响应；以及

更新所述用户界面以产生其他可视元素，所述其他可视元素指示在所述树数据存储结构的所述情景下轮询问题的分布以及所述所选择的输入响应和工具的评估。

24.一种使用图像用户界面和用户输入设备生成情景和表示在所述情景下的工具的评估的用户界面元素的方法，所述方法包括：

维持表示所述情景的树数据存储结构，所述树数据存储结构包括限定描述符、概率值和数据值的多个节点，所述树数据存储结构包括与根节点相对应的事件节点、与所述根节点的子节点相对应的结果节点、和与所述结果节点的其他子节点相对应的宏观因素节点，每个宏观因素节点包括数据值；

基于所接收到的输入数据集周期性地或连续地更新所述树数据存储结构，所述输入数据集至少包括对轮询问题的机器可读答案，所述周期性地或连续地更新包括：处理每个机器可读答案，以确定一个或多个形变因素并将其应用于所述多个节点中的至少一个节点，所述一个或多个形变因素修改所述概率值和所述数据值中的至少一个；

使用所述树数据存储结构，确定一条或多条路径的集合，所述一条或多条路径组合起来跨越节点的所有可能组合，并且针对每条路径，遍历所述树数据存储结构以确定对分析中的特定投资组合的对应贡献；

基于所述树数据存储结构和所述多个节点实例化图形情景树，所述图形情景树绘制所述树数据存储结构和所述多个节点的可视表示，所述图形情景树包括与所述多个节点中的每个节点相关联的一个或多个用户界面元素；

将所述图形情景树动态地绘制在所述图形用户界面上；

接收来自所述用户输入设备的一个或多个用户输入，所述一个或多个用户输入与所述一个或多个用户界面元素中所选择的用户界面元素集合相对应；

确定跨越所述一个或多个用户界面元素中所选择的所述用户界面元素集合的路径或部分路径，并且选择经实例化的所述图形情景树的区域，所述区域被选择使得跨越所述路径或所述部分路径的所有节点在所述图形用户界面上可见；

控制所述图形用户界面以使在所述图形用户界面上显示的视图适应于被定界，使得所述区域被图形地显示为所述图形情景树的扩展部分显示；

确定对分析中的所述特定投资组合的一个或多个贡献估计值，所述一个或多个贡献估计值中的每个贡献估计值与所述路径或所述部分路径的对应节点相对应；以及

将表示所述一个或多个贡献估计值的一个或多个图形元素动态地附加到所述路径或所述部分路径的所述对应节点，所述一个或多个图形元素与所述路径或所述部分路径的所述节点对齐。

25.根据权利要求24所述的方法，还包括：动态地绘制专家界面以用于接收所接收到的所述输入数据集，所述输入数据集表示来自一个或多个专家的输入，所述专家界面包括一个或多个专家界面可视界面元素，所述一个或多个专家界面可视界面元素在与所述一个或多个专家交互时，指示来自所述一个或多个专家的所述输入。

26.根据权利要求25所述的方法，其中所述一个或多个专家界面可视界面元素包括一个或多个标度，所述一个或多个标度包括被配置用于沿着所述一个或多个标度放置的可选择图标。

27.根据权利要求26所述的方法，其中所述一个或多个标度中的每个标度具有动态设置范围，每个动态设置范围被确定为限制可供专家选择的可能值的集合；并且

其中所述动态设置范围基于根据规则集而被设置，所述规则集至少基于针对对应专家标识的所标识的偏差模式来限制所述可能值的集合以及沿着对应标度的值的分布。

Images