Автор Павитра Шринивасан

Нет сомнений в том, что с появлением машинного обучения (ML) в различных отраслях происходят радикальные изменения в своей повседневной деятельности, и финансовый и банковский сектор не являются исключением. Разработка алгоритмов, которые могут продемонстрировать человеческое мышление, бросила вызов давнему убеждению, что люди по-прежнему доверяют человеческой интуиции, а не машинам, когда дело доходит до принятия решений о своих деньгах. В этой статье представлен обзор различных применений ML в финансовом секторе.

Управление портфелем

Люди, которые активно участвуют в торговле акциями, могли столкнуться с термином «Робо-советники», который представляет собой набор основанных на правилах алгоритмов, которые учитывают финансовые цели, активы, возраст и доход пользователя для принятия соответствующих инвестиционных решений и диверсификации. инвестиционный портфель. Эта концепция аналогична процедурам на основе «Если это, то то» (IFTT). Учитывая способность этих алгоритмов учитывать рыночные условия в реальном времени, роботы-консультанты привлекают огромное внимание инвестиционных фирм. Эти алгоритмы анализируют рыночные тенденции и используют их как средство достижения финансовой цели клиента путем корректировки инвестиционных решений. Самое приятное то, что они доступны круглосуточно в соответствии с предпочтениями пользователя.

Системы алгоритмической торговли

Алгоритмическая торговля - это процесс использования компьютеров, которые запрограммированы так, чтобы следовать заранее определенному набору инструкций для выполнения транзакций с целью получения прибыли со скоростью и частотой, которые трудно достижимы для трейдеров-людей. Правила такой торговли основаны на времени, цене, количестве и т. Д. Высокоскоростные вычислительные возможности этого алгоритма поддерживают обработку множества транзакций и поэтому справедливо называются высокочастотной торговлей. Ядро этих систем составляют методы машинного обучения, такие как алгоритмы классификации и системы рекомендаций. Подобно рассмотренным ранее системам управления портфелем, эти системы также могут выполнять калибровку в реальном времени. Благодаря минимальному вмешательству человека эти системы менее подвержены просчетам и устраняют эмоциональный аспект принятия решений.

Страхование / андеррайтинг ссуды

Большинство страховых компаний, а также банков при выполнении проверок кредитоспособности для андеррайтинга в значительной степени полагаются на исторические данные отдельных лиц или организаций и не учитывают самые последние данные, относящиеся к своим клиентам. Это потенциальная область, в которой алгоритмы машинного обучения, если они будут реализованы, могут изменить правила игры. Эти алгоритмы могут быть обучены на тысячах клиентов и могут научиться определять клиентов, которые, скорее всего, не выполнят свои платежи. Они также могут отслеживать изменения финансового состояния клиентов и обрабатывать эти изменения в режиме реального времени, чтобы указать изменения в кредитной линии и покрытии. Рекомендации систем на основе машинного обучения могут выступать в качестве дополнительного уровня фильтрации при обработке кредитных заявок.

Обнаружение мошенничества

Распространение онлайн-банкинга и торговли требует наличия высоконадежных систем. Это делает выявление мошенничества главным приоритетом для финансовых учреждений. Обнаружение мошенничества - важная задача для банков, позволяющая завоевать доверие клиентов, и, следовательно, ему будет уделяться больше внимания в эпоху машинного обучения. Обнаружение аномалий - это класс алгоритмов машинного обучения, которые могут постоянно отслеживать данные с течением времени и выявлять аномальные точки данных. Эти системы могут затем предупреждать банки о потенциальной мошеннической деятельности. Такие алгоритмы уже используются для обнаружения мошенничества с кредитными картами. Помимо вышеупомянутых приложений, финансовые институты постоянно ищут технологии, которые помогут им принимать долгосрочные решения с меньшей неопределенностью, и для достижения этой цели пригодится прогностическая аналитика. Похоже, что благодаря более сложным и безопасным системам для приложений машинного обучения в финансовом мире открываются безграничные возможности. Эти будущие разработки основаны на повышении осведомленности потребителей о преимуществах, которые дает внедрение машинного обучения, без необходимости рассматривать его как черный ящик.

Ссылки:

http://www.investopedia.com/articles/active-trading/101014/basics-algorithmic-trading-concepts-andexamples.asp https://www.techemergence.com/machine-learning-in -finance-applications / http://www.economist.com/news/finance-and-economics/21722685-fields-trading-credit-assessmentfraud-prevention-machine-learning

Об авторе:

Павитра является одним из основателей некоммерческой организации Humans For AI, ориентированной на создание более разнообразной рабочей силы для будущего с использованием технологий искусственного интеллекта. Узнайте о нас больше и присоединяйтесь к нам, когда мы отправляемся в это путешествие, чтобы изменить мир к лучшему!