Věk finančních řešení založených na ML: Nová éra v oblasti fintech

V mém nedávném rozhovoru o fúzi umělá inteligence (AI) a strojové učení v finance jsem měl tu čest řídit dialog pomocí trefných otázek. Průvodcem našeho hloubkového ponoru byl Sebastian Niehaus. Machine Learning Inženýr specializující se na kvantitativní Finance a CTO na adrese SEKASA Technologies . Sebastianovy rozsáhlé odborné znalosti poskytly poučný pohled na rostoucí symbiózu Umělá inteligence a fintech .

Během našeho chatu CTO jsme se Sebastianem pronikli do světa umělé inteligence a financí. Přestože jsme od sebe na míle vzdáleni, konverzace probíhala bez problémů!

nás proč by se finanční firma měla zabývat integrací umělé inteligence do své každodenní činnosti?

Sebastian: Jednoduše řečeno, umožňuje analyzovat velké množství dat, která nelze analyzovat jiným způsobem, a tím vytváří významné trh výhody.

Finance se zabývá analýzou a zpracováním dat. Bez ohledu na to, zda se jedná o poskytovatele platebních služeb, investiční společnosti, banky nebo tvůrci trhu. Každý účastník trhu, bez ohledu na to, jak je malý, provádí analýzy s existujícími daty, možná ne s pomocí vymyšlených algoritmů, ale s jinými formami analýzy.

Problém s daty však spočívá v tom, že nezávislé datové body jsou obvykle k ničemu, zajímavými se stanou až po přidání kontextu. Tento kontext lze přidat porovnáním dat aktuálního případu s podobnými případy nebo přidáním dalších souvisejících a nesouvisejících dat. Může jít například o začlenění dalších trhů nebo údajů o životním prostředí při investičním rozhodování nebo o širší škálu transakcí při odhalování podvodů.

Jakub: Co je to umělá inteligence a strojové učení obecně?

Sebastian: Umělá inteligence (AI) je vývoj počítačových systémů, které jsou schopny vykonávat úkoly, k nimž je obvykle zapotřebí lidské inteligence, jako je učení, uvažování, řešení problémů a rozhodování.

Machine Learning je podmnožinou umělé inteligence, která se zaměřuje na trénování algoritmů pro učení vzorů a vytváření předpovědí z retrospektivních dat za účelem splnění konkrétního úkolu. Odhaluje tak vzory a mechanismy pro automatizaci úloh nebo o nich generuje nové znalosti.

Metody umělé inteligence nebo strojového učení se v posledních letech staly tak populárními, protože jsou schopny zpracovávat velké množství různých datových prvků. To je velký rozdíl oproti klasickým statistickým modelům, které ve financích používáme od 80. let.

Jakub: To je zajímavý postřeh! Jaké jsou tedy výhody strojového učení pro Společnosti FinTech?

Sebastian: Jednou větou: Využívají svůj plný potenciál!

FinTech jsou čistými producenty dat a musí pracovat s velkým množstvím finančních a alternativních dat. Z těchto dat mohou objevit nové obchodní potenciály, zabezpečit stávající procesy, zprůhlednit svá rozhodnutí a zlepšit jejich kvalitu.

I když jsou procesy nebo zejména rozhodovací procesy jasně definované a dobře fungující, často má smysl přidat algoritmy strojového učení, které poskytnou druhý pohled a omezí subjektivní chyby člověka. To by mohlo například zabránit investičním společnostem v investicích typu FOMO.

Jakub: Jaká je motivace a obchodní důvody pro integraci umělé inteligence?

Sebastian: Často jde o zajištění konkurenčních výhod, optimalizaci procesů nebo jen o zodpovězení konkrétních otázek. Kromě toho se objevují i témata, jako je budoucí životaschopnost - což je otázka například pro velmi zavedené finanční společnosti. Tyto společnosti často ani nevědí, jaký potenciál se v jejich datech skrývá, a přicházejí s jednoduchým požadavkem: "Rádi bychom vyzkoušeli, co lze v naší společnosti zlepšit pomocí Machine Learning".

Dovolte mi, abych odpověď přiblížil na několika příkladech:

• V investičních fondech je často motivací poskytnout investorům větší jistotu, a tím samozřejmě vytvořit konkurenční výhodu. Například v přístupu hodnotového investování to může být přidání modelu strojového učení jako další kontrolní instance
• Například v případě analýz v poradenství v oblasti fúzí a akvizic mohou prognózy zohlednit podstatně více ovlivňujících faktorů a poskytnout tak kupujícímu více informací o potenciálním cíli.

V tomto seznamu bych mohl pokračovat donekonečna:

• Automatizace založená na umělé inteligenci může navíc vést ke snížení nákladů na pracovní sílu a zvýšení produktivity, což podnikům přináší významné úspory nákladů.
• Integrace ML do vašeho postupu povede ke zvýšení efektivity. Nástroje ML mohou automatizovat opakující se a časově náročné úkoly, takže se zaměstnanci mohou více soustředit na důležité úkoly s přidanou hodnotou.
• Vylepšené stránky Vývoj produktu / Zlepšená struktura portfolia
• Škálovatelnost (Nástroje s umělou inteligencí dokáží zpracovávat velké množství dat a úkolů bez zásahu člověka).
• Konkurenční výhoda (nástroje AI mohou vést k inovativním produktům)
  Řízení rizik
• Personalizovaná zákaznická zkušenost / vylepšená zákaznická podpora
  Prediktivní analýza

Jakub: Jaké jsou oblíbené případy použití?

Sebastian: Mezi nejpoužívanější patří:

• Identifikace nových zákazníků
• Personalizované zkušenosti zákazníků
• Zákaznický servis Automatizace: Identifikace rizika selhání úvěru / Hodnocení úvěrového rizika
• Odhalování podvodů
• Dodržování předpisů
• Identifikace signálů pro ceny na akciových trzích, forex a komodity
• Předpovědi cen
• Identifikace tržních rizik
• Zátěžové testy
• Optimalizace portfolia

Jakub: Jak lze do FinTech integrovat strojové učení?

Sebastian: Je důležité začít obchodním případem a stávajícími procesy. Zdá se to být samozřejmé, ale je běžné, že tento bod je zcela podceňován a často opomíjen.

• Definice případu užití / obchodního případu
• Kontrola stávajících procesů a stanovení příslušných cílů
• Definice relevantních, dostupných a potřebných údajů
• Sběr a předběžné zpracování dat
• Nastavení modelu a infrastruktury
• Výběr modelu
• Funkce inženýrství
• Modelové školení
• Hodnocení modelu
• Nasazení
• Návrh zprávy / výstupu
• Generování zpráv
• Interpretace výsledků
• Průběžné monitorování a údržba

Jakub: Jak obtížné je integrovat strojové učení do procesů společností FinTech?

Sebastian:

• Vše závisí na dostupnosti a kvalitě dat.
• Je zapotřebí robustní IT infrastruktura a výpočetní výkon.
• Lidské zdroje se správnou odborností a znalostmi
• Na ochranu soukromí a bezpečnost dat je třeba brát ohled v každém okamžiku.
• Integrace ML do daných procesů může vést k potřebným aktualizacím stávajícího procesu.
• Pochopení výsledků a jejich správná interpretace mohou být obtížné.
• Modely je třeba průběžně testovat a kontrolovat.
• Průběžné sledování a údržba.

Může se to zdát hodně, ale mnoho z těchto úkolů lze standardizovat a automatizovat. A jakmile je jednou integrujete, výhody rychle převáží nad vynaloženým úsilím.

Jakub: To, co jsi zmínil dříve, vyvolává otázku - jak jsou modely strojového učení přizpůsobivé měnícímu se prostředí?

Sebastian: Modely strojového učení jsou vysoce adaptivní a musí být schopny rychle reagovat na měnící se prostředí. Lze je přizpůsobit měnícímu se prostředí pomocí technik, jako je přeškolování na aktualizovaná data, přenosové učení a průběžné sledování. Tím je zajištěno, že výkonnost modelů strojového učení zůstane v průběhu času relevantní a přesná.

Příklad: Pro obchodní společnosti.

Obchodní signály pro forex nebo komodity se mohou měnit například v důsledku změn chování ostatních účastníků trhu. Můžeme to pozorovat například prostřednictvím nárůstu obchodních aplikací, ale také prostřednictvím pokročilejších událostí.

Z tohoto důvodu by společnosti, které již pracují s kvantitativními metodami, měly vždy zvážit aktualizaci svých algoritmů a zahrnout do nich nové nápady.

Jakub: Sebastian Děkuji za zasvěcený rozhovor. Těšíme se na další růst a inovace v této oblasti!

Sebastian: Je mi potěšením, Jakube. Oceňuji tuto platformu, protože nám umožnila diskutovat o vzrušujícím pokroku v našem oboru a jeho významu v neustále se měnícím digitálním prostředí.