來源：蒙格斯智庫

　　在數字化時代，數據對經濟生活的影響日益深刻。2022年末，以ChatGPT為代表的大數據人工智能模型層出不窮、良莠不齊，其優劣高度依賴于輸入數據的質量，這就對數據質量提出了更高的要求。但在對數據本質的認識上，人們仍然處于一個相對初級的階段，導致現有的數據處理技術主要存在三個問題：一是忽略了數據本身存在不確定性，二是缺少對預測未來有效的數據處理方法，三是忽視了人與數據關系導致的偏差。針對上述問題，2023年10月9日，蒙格斯智庫正式向全球推出TDRU（Tools of Data Reconstruction on Uncertainty）—一個基于不確定性原理，通過數據重構解決上述問題的工具。

　　TDRU理論來源

　　長期以來，蒙格斯智庫一直在研究不確定性的相關問題，在數據科學領域中，蒙格斯智庫學術委員會主席朱小黃先生在《中國銀行業》雜志2023年第2期上發表的《不確定性與數據重構》一文深刻討論了數據中存在的不確定性問題。他認為，世界的本質是不確定性，因此人類社會和行為都帶有偶然性，數據作為反應客觀世界和人類行為的載體，也存在不確定性。

　　為什么說世界的本質是不確定的？因為不確定性可以被理解為時間軸上我們永遠無法知曉的未來，即四維空間。對于判斷過往，傳統的數據分析方法已經足夠，但對于預測未來而言，未來是不確定性的四維空間，只有在三維和四維空間中具有邏輯關聯的數據，才能夠對未來行為產生實質性影響。相反，偶然性數據由于缺乏這種邏輯關聯，對未來預測是無效的。在構建預測未來模型時，應排除這類偶然性數據。而在可重復數據的分類中（自然數據、歷史數據、邊際數據等），每一類數據都可以發揮一定程度的影響，因此要在預測未來的模型計算中賦予上述數據不同的權重，來表達這些數據對未來人的行為影響的不同和差異。

　　以人為中心的數據觀。而在數據的產生過程中，胡本立先生在《以人為中心的數據觀》中認為所有的數據都是人類對客觀世界的主觀反映，人與數據是一個不斷循環的關系：人在產生大量數據的同時實際上也在被數據所影響，因此數據會帶有一定的偏差，這是數據需要治理的基礎性原因。

　　針對上述問題，依據不確定性數據重構原理和人與數據關系的觀念，蒙格斯提出并設計了一套數據重構方法：將數據按不同維度分為歷史數據和邊際數據、自然數據和行為數據，以及必然性數據和偶然性數據，在剔除偶然性數據的基礎上，對不同的數據設置調整參數并賦予不同的權重。而后在數個實際場景中，蒙格斯實踐并完善了上述方法，最終研發出了TDRU1.0版。

　　TDRU簡介與應用場景

　　TDRU主要功能包括智能分類、偏差調整、歷史加權、漂移分箱、變量重構、數據補充、異常檢測、客群分拆、擇優抽樣九大模塊，通過六大核心流程、兩套參數和七個工具協同工作，既可以解決由不確定性帶來的兩類問題，也可以對人與數據之間的偏差進行調整。TDRU不僅是一套方法論，也具備工具的實用性。其獨特之處在于，TDRU是專門針對數據不確定性問題設計的工具，是現有數據處理方法上的明顯進步。

　　此外，TDRU還獨創了兩套參數，糾偏參數和權重參數，進一步解決不確定的問題以及減輕數據產生過程中出現的偏差。作為不確定性數據工具，TDRU突破了傳統觀念，強調邊際數據的價值，顛覆了對歷史數據“越多越好”的傳統看法，進一步強調了需剔除歷史數據中不可重復的部分，專注于歷史數據的質量處理。

　　TDRU以一套嚴密的流程設計逐步引領數據從混沌走向清晰。第一步是基礎的數據準備；第二步根據數據特點進行精細分類；第三步是采取適宜的處理方法，處理不可重復數據；第四步是根據數據的抽象度等情況進行參數設定；第五步是對數據進行建模分析，并根據不同應用場景選擇模型；最后通過動態調整不斷優化重構過程。六大步驟逐步推進，形成完整的數據處理鏈條。

　　TDRU是基于不確定性的底層數據工具，主要作用于數據分析的前期，即數據清洗階段。由于底層工具的屬性，使其應用場景非常廣泛，包括經濟、金融、能源等等眾多需要使用大量數據進行建模分析預測未來的領域，因而其服務對象也非常廣泛，涵蓋全球范圍內各種需要運用數據做預測的企業、金融機構與國際組織。此外，由于不確定性與風險管理的高度相關性，TDRU在風險管理方面也有它獨到的價值。總的來說，TDRU不僅是一個國際上可以廣泛使用的多功能、多領域方法，更是一把銳利的工具，可以解決各種數據質量問題，提升預測未來的準確性。同時，蒙格斯正在開發TDRU與大語言模型結合的一款數據重構智能助理軟件。

　　TDRU應用案例

　　目前TDRU已在兩個關鍵場景中獲得有效驗證，并將持續在更多場景中應用和驗證：

　　（一）金融風控場景

　　蒙格斯將TDRU應用于某上市銀行的個人信用評分卡上。從模型評估參數角度來看，使用TDRU前，模型AUC約為0.84、KS約為0.57[注釋：AUC（Area Under Curve），為ROC曲線下與坐標軸圍成的面積，AUC越接近1.0，檢測方法真實性越高；等于0.5時，則真實性最低，無應用價值；KS（Kolmogorov-Smirnov）：用于評估模型風險區分能力，指標衡量的是好壞樣本累計分部之間的差值。好壞樣本累計差異越大，KS指標越大，那么模型的風險區分能力越強]，使用TDRU后，AUC提升至0.88、KS提升至0.59，值得說明的是，這一效果在其多個產品線上都得到了印證。

　　（二）宏觀經濟預測的場景

　　蒙格斯團隊運用TDRU對我國GDP做了行業層面的預測，結果顯示：在11個行業大類的預測中平均擬合度超過了92%，而二季度GDP預測中，運用TDRU所達到的預測結果與實際季度GDP（6.3%）的差距不足0.2%，在眾多市面上的預測機構中脫穎而出，詳情如下圖所示。這一結果印證了TDRU對數據質量的提升以及與之而來的模型結果的改善。

　　未來展望

　　目前，TDRU1.0版已經在宏觀經濟預測、風險刻畫等方面具備了成熟的應用價值，并已取得了軟件著作專利，同時已經提交發明專利申請。蒙格斯已擬定將與KPMG、數交數據經紀、亞聯咨詢、希研工科等企業展開合作，進一步提升和驗證TDRU在其他領域的使用價值。

　　今天，蒙格斯正式地向社會各界展示并推出這一實用工具，期望能夠跟各方合作，一同拓展TDRU的邊界和可能性，為提升數據質量、提高各場景預測效果貢獻出一份力量。目前蒙格斯可以提供TDRU相應的咨詢、培訓、數據處理等相關服務，歡迎各數據企業、金融機構、咨詢公司或任何有興趣的機構垂詢，并請大家期待未來TDRU智能助理的誕生。

海量資訊、精準解讀，盡在新浪財經APP

責任編輯：張文