Обзор наиболее распространенных приложений ИИ в финансах и проблем, с которыми сталкивается отрасль.

В январе 2020 года Кембриджский центр альтернативных финансов (CCAF) опубликовал исследование о влиянии ИИ на финансовую отрасль. Известный как один из наиболее всеобъемлющих глобальных опросов в этой области, он охватил около 151 респондента из 33 стран, включая существующие финансовые учреждения и компании FinTech. Исследование пришло к следующим выводам:

По крайней мере 77% респондентов считают, что ИИ будет иметь большое значение для их организации в ближайшие пару лет.

Почти 64% респондентов намерены получать доход с помощью ИИ за счет привлечения клиентов, обслуживания клиентов, управления рисками, автоматизации процессов и новых продуктов.

В настоящее время ИИ широко используется в управлении рисками, его уровень внедрения среди фирм составляет 56%.

Традиционно HFT-фирмы и хедж-фонды были основными специалистами в области ИИ в финансовом секторе, но в последнее время их догоняют компании FinTech, страховые компании, банки и регулирующие органы.

В этой отрасли некоторые из применений ИИ включают роботов-советников, тестирование на истории, проверку моделей, состав и оптимизацию портфеля, стресс-тестирование, алгоритмическую торговлю и соблюдение нормативных требований. Давайте узнаем больше о приложениях искусственного интеллекта в финансах.

1. Управление рисками

Алгоритмы искусственного интеллекта и машинного обучения постепенно меняют управление финансовыми рисками. Решения, основанные на искусственном интеллекте, позволяют понять:

Определение суммы кредита клиенту.

Генерация предупреждений для трейдеров о риске позиции.

Повышение соответствия и ограничение модельного риска.

Чтобы понять, почему респонденты в исследовании CCAF назвали управление рисками своим основным направлением при внедрении ИИ, рассмотрим случай с Baidu.

Самая известная поисковая система в Китае - Baidu. (так как гугл там забанен). В 2016 году Baidu обратилась за помощью к ZestFinance - американской финтех-компании, специализирующейся на продуктах искусственного интеллекта. Целью Baidu было предоставить небольшие кредитные предложения розничным клиентам, купившим продукты на его платформе.

Однако ситуация с кредитованием Китая резко контрастирует с западными рынками - кредитный риск на первом из них значительно высок, поскольку более 80% людей не имеют кредитного профиля или кредитного рейтинга. Следовательно, не существует метода определения надежности заемщика.

ZestFinance решил эту проблему, проанализировав массивные наборы данных о клиентах Baidu, в частности истории поиска и покупок. Таким образом, они использовали искусственный интеллект, чтобы помочь Baidu решить, давать кредит клиенту или нет. К 2017 году опрос показал, что Baidu продемонстрировала 150% -ный рост кредитования мелких кредитов без каких-либо заметных потерь по кредитам.

Поскольку ZestFinance обрабатывает финансовые данные с помощью запатентованной технологии, полная информация об их решении AI неизвестна. Однако общеизвестно, что их процесс использует смесь двух алгоритмов машинного обучения: деревьев решений и кластеризации.

Например, если в истории поиска клиента указывается, что он часто посещал сайты, посвященные азартным играм, они будут сгруппированы в кластер, связанный с более высоким риском. С другой стороны, если заемщик несет ответственность за онлайн-расходы, он будет отнесен к категории заемщиков с низким уровнем риска. С автоматизацией финансовому персоналу Baidu было бы довольно легко рассматривать эти заявки и утверждать ссуды людям в соответствии с их рисками.

2. Алгоритмическая торговля

В течение длительного периода инвестиционные фирмы использовали компьютеры для совершения сделок. Большое количество хедж-фондов полагаются на специалистов по данным для построения статистических моделей. Но у этого подхода есть существенное ограничение - он использует только исторические данные, которые в основном статичны и зависят от вмешательства человека. Следовательно, эти вычисления затрудняются, поскольку рынок претерпевает какие-либо изменения.

К счастью, современные модели искусственного интеллекта быстро продвинулись вперед благодаря алгоритмической торговле. Эти модели отличаются, потому что они не только анализируют большие объемы данных, но и по-настоящему автономны - они учатся и улучшаются со временем, достигая точки, в которой они могут соперничать с людьми. Эта «сообразительность» проистекает из сложных методов машинного обучения, таких как эволюционные вычисления (на основе генетики) и байесовские сети.

Инструменты искусственного интеллекта собирают огромные объемы данных из глобальных источников, «учатся» на них и делают соответствующие прогнозы. Это исчерпывающий объем данных; он извлекает информацию из финансовых обменов, новостных отчетов, книг, платформ социальных сетей (например, твитов) и даже телешоу, таких как Saturday Night Live.

Важно понять, как ИИ глубоко проник в эту область; В отличие от традиционного технологического вмешательства, которое позволяет людям определять финансовую стратегию, теперь ИИ диктует правила игры.

Одним из примеров таких торговых систем на базе искусственного интеллекта является Aidiya - хедж-фонд искусственного интеллекта, базирующийся в Гонконге, который позволяет пользователям совершать все операции с акциями с помощью искусственного интеллекта. Стоит отметить, что не только стартапы интересуются технологиями торговли на основе искусственного интеллекта. Ранее известные имена, такие как Goldman Sachs, Wells Fargo, Citigroup, Morgan Stanley, Merrill Lynch, Bank of America и JP Morgan Chase, проявляли активный интерес к Kensho - торговой платформе AI.

3. Обнаружение мошенничества

Еще одно стремительно развивающееся применение ИИ в финансах - это обнаружение мошенничества, что вполне понятно, учитывая огромные суммы денег. Индустрия киберпреступности крадет около 600 миллиардов долларов или 0,8% мирового ВВП у предприятий по всему миру. Киберпреступники стали более изощренными и умными, используя современные технологии в гнусных целях. По данным Statista, к 2022 году рынок комплексного обнаружения и предотвращения мошенничества вырастет более чем на 40 миллиардов долларов.

Итак, чем может помочь ИИ? Осваивая навыки, современные киберпреступники, использующие машинное обучение, могут использовать сочетание контролируемых и независимых методов для построения модели с предсказательной точностью и возможностями.

В контролируемом обучении используются аннотированные данные, которые люди оценивают и идентифицируют как мошенничество, и изучают сложные закономерности из корпоративных наборов данных. Между тем, процессы обучения без учителя имеют дело с теми наборами данных, которые не были идентифицированы ранее, и сами по себе определяют структуру данных. Другие методы обнаружения мошенничества включают регрессию и классификацию. Они могут анализировать данные и определять, является ли транзакция мошеннической.

Стандартные контролируемые алгоритмы, используемые для решения этих проблем, включают следующее:

· Деревья решений помогают ввести набор правил, которые позволяют изучать нормальное поведение клиентов во время обучения работе со случаями мошенничества, чтобы они могли выявлять аномалии и предупреждать власти.

· Нейронные сети, основанные на человеческом мозге, могут учиться и адаптироваться к поведению клиентов для обнаружения мошенничества в реальном времени.

Примеры алгоритмов обучения без учителя включают следующее:

· Кластеризация K-средних разбивает набор данных на набор схожих точек данных, известный как кластер, для обнаружения аномалий.

· Фактор локального выброса определяет локальную плотность точек данных, выявляя области, в которых существует аналогичная плотность. Специалисты по обработке данных могут использовать концепцию локальности, чтобы обозначить конец с необычно низкой плотностью, известный как выбросы. Это приложение может пригодиться для обнаружения мошеннических транзакций.

4. RegTech

Соблюдение нормативных требований является жизненно важной функцией в финансовой сфере, особенно во время экономического кризиса, подобного нынешнему. Соблюдение нормативных требований связано с управлением рисками предприятия и касается функций риска, таких как операционные, рыночные и кредитные риски.

RegTech - это расширенная функция домена FinTech, ориентированная на соблюдение требований. Здесь используется преимущество ИИ, когда он используется для непрерывного мониторинга деятельности фирмы. Таким образом, он предлагает ценную информацию в режиме реального времени и, в первую очередь, предотвращает нарушение нормативных требований. Более того, эта форма мониторинга позволяет фирмам высвободить нормативный капитал и использовать автоматизацию для снижения чрезмерных затрат на соблюдение нормативных требований - крупные финансовые компании ежегодно тратят 70 миллиардов долларов на соблюдение нормативных требований.

Известный игрок в этой области - IBM. Некоторое время назад IBM приобрела Promontory - стартап RegTech, в котором работает 600 сотрудников. Это приобретение побудило IBM продвигать множество решений на базе искусственного интеллекта для управления финансовым соответствием. Например, IBM использует свой собственный инструмент искусственного интеллекта Watson AI с опытом Promontory в области RegTech для развертывания анализа голосовых разговоров в реальном времени для обеспечения соответствия требованиям. Частично это включает перевод голосовых разговоров в текст, а затем использование обработки естественного языка для классификации текста. Последствием этого процесса является формирование категорий, которые выявляют потенциальное несоблюдение.

Другие приложения искусственного интеллекта включают автоматическое чтение и интерпретацию нормативной документации, особенно для определения последствий. Лондонская компания Waymark уже предоставляет эту услугу финансовым компаниям.

Последние мысли

Хотя есть множество других применений ИИ в финансах, есть и обратная сторона. Отрасли необходимо исправить практические проблемы, чтобы улучшить внедрение ИИ.

Одной из самых больших проблем остается доступность подходящих данных. Несмотря на то, что R и Python могут считывать любую форму данных из электронных таблиц Excel в наборы данных SQL / NoSQL, скорость, с которой работают решения на основе ИИ, медленнее, чем способность организаций точно организовать свои внутренние данные. Как правило, данные хранятся в отдельных хранилищах в разных отделах и часто в разных системах, где нормативные и внутренние политические дилеммы ограничивают обмен информацией.

Аналогичным образом, еще одним затруднительным положением является нехватка квалифицированного персонала, который не только владеет экспертными знаниями в области искусственного интеллекта, машинного обучения и обработки данных, но также имеет опыт создания и внедрения решений, ориентированных на искусственный интеллект, в финансовой отрасли.

«Искусственный интеллект достигнет человеческого уровня примерно к 2029 году. Следуя этому, скажем, что к 2045 году мы умножим интеллект, человеческий биологический машинный интеллект нашей цивилизации в миллиард раз».

-Рэй Курцвейл-