Как человек, работающий в сфере финансовых услуг (в частности, в сфере инвестиционно-банковских услуг и трейдинга), я не перестаю удивляться количеству данных, доступных нам и нашим коллегам. Ценность, заложенная в этих данных, подобна золотой жиле, ожидающей, пока какой-нибудь страстный спекулянт раскопает ее богатства. Тем не менее, я не могу не думать о том, что нам, как отрасли, еще только предстоит поцарапать поверхность того, что скрывается за этими метафорическими грудами данных.

В Южной Африке, где я живу, я иногда читаю или слышу о некоторых приложениях машинного обучения или искусственного интеллекта, которые использовались либо для повышения эффективности жизни клиентов, либо для решения некоторых бизнес-задач в мире банковского дела. Часто я думаю про себя: «Конечно, это здорово. Но разве нет больше? Например, не вааааай чего еще нам здесь не хватает?».

Может быть, я слишком честолюбив, или же чрезвычайно наивен! 😅

Достаточно сказать, что я заинтригован кажущимся безграничным пространством передо мной, когда я начинаю свое путешествие по науке о данных. Одна вещь, о которой я хочу начать думать даже сейчас, на этом раннем этапе, — это типы проблем или приложений, которые я могу исследовать, сотрудничать или работать над ними или, возможно, даже решить самостоятельно когда-нибудь в будущем.

С учетом сказанного, какие проблемы приходят мне на ум в сфере, в которой я нахожусь? Давайте посмотрим…

1. Финансы:

  • Производные оценки. Само собой разумеется, что, поскольку это сложная математическая и количественная задача, алгоритмы машинного обучения (в частности, нейронные сети) смогут значительно сократить
  • Тестирование цен. Как и в случае с оценкой, при проверке конкретных цен, используемых в качестве исходных данных для моделей оценки, методы машинного обучения могут снова оказаться полезными (извините за каламбур).
  • Бухгалтерское измерение, классификация и признание. Одной из областей, которая остается относительно нетронутой (по крайней мере, исходя из моего опыта) машинным обучением, является мир бухгалтерского учета. Возможно, это правильно, учитывая существенные последствия бухгалтерских ошибок. Но как бы мы, бухгалтеры (да, я до сих пор считаю себя таковым 😉) так высоко оценивали свои способности, мы все еще всего лишь люди. Я уверен, что здесь есть области, где машинное обучение может сыграть фундаментальную роль в том, чтобы сделать страшные периоды конца месяца и года более терпимыми и действительно более эффективными и точными.
  • Наблюдение за несанкционированной торговлей. Одна из проблем, которая продолжает беспокоить инвестиционные банки даже в наши дни, — это несанкционированная или мошенническая торговля. Это включает в себя все замечательные истории, которые вы слышите в новостях о трейдере, который идет на значительный риск и несет колоссальные убытки, при этом каким-то образом избегая обнаружения со стороны службы управления рисками и контроля в банке. Должны существовать алгоритмы машинного обучения (аналогичные тем, которые используются в приложениях для обнаружения мошенничества), которые могут идентифицировать такого рода позиции на ранней стадии и обеспечивать быстрое решение проблемы, прежде чем она выйдет из-под контроля.
  • Повышенная объяснимость прибылей и убытков.Возможность объяснить, как позиция привела к определенному результату (прибыли или убытку), является ключевым фактором контроля в инвестиционном банке. Вместо обычного риска, умноженного на показатель движения рынка, ML может улучшить этот процесс, добавив больше слоев цвета, но в то же время уменьшив это «необъяснимое» число до незначительного уровня.

2. Риск:

  • Мониторинг рисков. Любой, кто работал в банке, знает, что банки страдают от слишком большого количества дублирующих друг друга систем. Подача данных из нескольких систем или необходимость ручной корректировки или ввода обязательно приведет к ошибкам. Эти ошибки обходятся дорого в мире риска, поскольку неправильный мониторинг или измерение позиций в конечном итоге приведет к неожиданным и необъяснимым потерям, не говоря уже о большом разочаровании. Мониторинг рисков и обнаружение тенденций — это область, в которую машинное обучение обязательно внесет свой вклад. Пометка позиций с высоким риском на основе качественных, а не количественных показателей — вот где ML может найти то «золото», о котором я упоминал ранее.
  • Управление капиталом. Регуляторный и экономический капитал — это важные показатели, которые привлекают к себе пристальное внимание банков. Поскольку мы каждый день наблюдаем за драматическими сценами, разворачивающимися в нашем мире, жизненно важно, чтобы эти буферы капитала были как можно более точными. Что может быть лучше для достижения этого, чем использование алгоритмов машинного обучения для определения нужного уровня капитала независимо от текущих норм или моделей. По крайней мере, они могут послужить ценными темами для обсуждения или соображениями для руководства.
  • Оптимизация портфеля.Как и в предыдущем пункте, оптимальное соотношение капитала и риска всегда находится в центре внимания руководства. Оптимизация — это древний инструмент в математике, и машинное обучение дополнило его алгоритмами оптимизации. Используют ли банки такие инструменты в настоящее время?
  • Анализ капитала, взвешенного с учетом риска. Изучение набора банковских продуктов и оценка того, насколько хорошо они работают по сравнению с требуемым капиталом, является еще одним ключевым показателем, который следует учитывать руководству. ML может определить подмножества продуктов, которые превосходят остальные, или те, которые значительно отстают, истощая капитал.
  • Анализ стрессовых ситуаций

3. Торговля:

  • Автоматическая торговля. Эта технология существует уже некоторое время, но алгоритмическая торговля по-прежнему остается плодотворной областью в инвестиционных банках, поскольку они торгуют таким образом, чтобы придерживаться пределов риска и исключать эмоциональные решения из уравнения.
  • Анализ прибыльности:больше с точки зрения визуализации данных здесь, но есть так много визуализаций, которые могут принести значительную пользу трейдеру, когда он следит за своим портфелем, вместо того, чтобы просто слепо смотреть на отчеты о прибылях и убытках из финансы. Какие дни недели самые прибыльные? Какие продукты приносят более высокую прибыль при определенных рыночных событиях?
  • Оптимизация портфеля. Трейдеру всегда нужно получать более высокую прибыль, и если это можно сделать с меньшим риском, это большая победа. Иногда, когда дело доходит до таких областей, как акции или кредитные портфели, существует зависимость от различных эмитентов. Алгоритмы оптимизации или классификации машинного обучения или даже нейронные сети могут искать идеальные комбинации этих эмитентов, которые приводят к наиболее прибыльным результатам для трейдера, при этом максимизируя прибыль на использованный риск.

4. Экономика:

  • Взаимосвязь между позициями и рынками. У меня всегда была глубокая любовь к экономике с тех пор, как я впервые услышал об этом предмете. В этом так много смысла, и он объясняет вещи достаточно простыми способами, чтобы их мог понять даже неспециалист. Именно здесь я надеюсь сделать большую часть своих раскопок как специалист по данным. Я считаю, что многое еще предстоит выяснить о том, как экономические переменные и события смешиваются с движениями рынка. Цель моей мечты — углубить наше понимание того, как работают рынки, и, возможно, даже найти выгодные способы зафрахтовать их коварные моря.
  • Анализ настроений. Когда мы смотрим на финансовые рынки, само собой разумеется, что существует множество переменных, которые определяют ежемесячные, еженедельные и даже ежедневные движения. По крайней мере, часть этих движений объясняется настроениями или взглядами участников рынка на рынок. В этом контексте, безусловно, важно определить преобладающие настроения среди участников в определенный момент времени, например, после или в преддверии крупных новостей или экономических релизов. Здесь такие инструменты, как парсинг веб-сайтов, новостные сайты или анализ настроений в Твиттере, могут оказаться бесценными. В Южной Африке у нас есть серьезная проблема с перебоями в подаче электроэнергии. Я очень хочу провести проект анализа настроений о том, как это повлияет на рынки, потребителей и, в конечном итоге, даже на предстоящие выборы (смотрите это место! 😄).

5. Общее обслуживание клиентов:

  • Обнаружение мошенничества. Очевидно, что эта область уже хорошо зарекомендовала себя в приложениях машинного обучения. Это может послужить отличной историей успеха того, как внедрение машинного обучения принесло значительную пользу банку и, в конечном счете, клиентам.
  • Модели кредитования. Это тоже область, в которой машинное обучение добилось значительных успехов и, вероятно, будет актуально всегда. ОД привнес большую пользу в выявлении потенциальных неплательщиков заблаговременно и в установлении соответствующих лимитов для заемщиков.
  • Чат-боты. Пока мы разговариваем, эти ребята проникают в банковские отделения и службы поддержки. ChatGPT является революционным и значительно улучшает обслуживание клиентов и сокращает время выполнения заказов. Прошли те дни, когда нужно было стоять в очереди, чтобы поговорить с консультантом о какой-то проблеме, когда чат-бота можно научить реагировать так, чтобы он не только имитировал людей, но и мог во многих отношениях обеспечить еще большую ясность и более быстрый результат. .

Это основные приложения, о которых я могу думать на данный момент, но я когда-нибудь вернусь к этому посту и дополню его (без сомнения) по мере того, как буду идти по этому захватывающему путешествию.