De ML-drevne finansielle løsningers tidsalder: En ny æra inden for fintech

I min seneste samtale om fusionen af kunstig intelligens (AI) og maskinlæring i finanssektoren, havde jeg det privilegium at styre dialogen med skarpe spørgsmål. Lederen af vores dybe dyk var Sebastian Niehaus, en Machine Learning Ingeniør med speciale i kvantitativ Finance og den CTO på SEKASA Teknologier . Sebastians store ekspertise gav en oplysende indsigt i den voksende symbiose mellem AI og fintech .

Under vores CTO-chat dykkede Sebastian og jeg ned i AI- og finansverdenen. På trods af at vi var langt fra hinanden, flød samtalen ubesværet!

marked fordele.

Finance handler om at analysere og behandle data. Uanset om vi taler om betalingsudbydere, investeringsselskaber, banker eller market makere. Alle markedsdeltagere, uanset hvor små de er, udfører analyser med eksisterende data, måske ikke med smarte algoritmer, men med andre former for analyse.

Problemet med data er imidlertid, at uafhængige datapunkter normalt er ubrugelige, de bliver først interessante, når der tilføjes en kontekst. Denne kontekst kan tilføjes ved at sammenligne data fra den aktuelle sag med lignende sager eller ved at tilføje flere relaterede og ikke-relaterede data. Det kan f.eks. være integration af andre markeder eller miljødata i investeringsbeslutninger eller en bredere vifte af transaktioner i forbindelse med afsløring af svindel.

Jakub: Set fra dette synspunkt - hvad er AI og maskinlæring generelt?

Sebastian: Kunstig intelligens (AI) er udviklingen af computersystemer, der er i stand til at udføre opgaver, som normalt kræver menneskelig intelligens, såsom indlæring, ræsonnement, problemløsning og beslutningstagning.

Machine Learning er en delmængde af AI, der fokuserer på at træne algoritmer til at lære mønstre og komme med forudsigelser ud fra retrospektive data for at udføre en bestemt opgave. På den måde afdækker den mønstre og mekanismer til at automatisere opgaver eller generere ny viden om dem.

AI eller maskinlæringsmetoder er blevet så populære i løbet af de sidste par år, fordi de er i stand til at behandle en stor mængde forskellige datafunktioner. Det er en stor forskel fra de klassiske statistiske modeller, som vi har brugt i finansverdenen siden 80'erne.

Jakub: Det er en interessant indsigt! Så hvad er fordelene ved maskinlæring for FinTech virksomheder?

Sebastian: I én sætning: De udnytter deres fulde potentiale!

FinTech'er er rene dataproducenter, og de skal håndtere store mængder finansielle og alternative data. Ud fra disse data kan de opdage nye forretningspotentialer, sikre nuværende processer, gøre deres beslutninger mere gennemsigtige og forbedre kvaliteten af deres beslutninger.

Selv hvis processer eller især beslutningsprocesser er klart definerede og velfungerende, giver det ofte mening at tilføje maskinlæringsalgoritmer for at give et andet syn og reducere menneskers subjektive fejl. Det kan f.eks. forhindre investeringsselskaber i at foretage FOMO-investeringer.

Jakub: Hvad er motivationen og forretningsgrundlaget for at integrere AI?

Sebastian: Det handler ofte om at sikre konkurrencefordele, procesoptimering eller bare om at besvare specifikke spørgsmål. Derudover er der også emner som fremtidig levedygtighed - hvilket f.eks. er et problem for meget etablerede finansielle virksomheder. Disse virksomheder ved ofte ikke engang, hvilket potentiale der ligger i deres data, og kommer med en simpel anmodning: "Vi vil gerne afprøve, hvad der kan forbedres med Machine Learning i vores virksomhed."

Lad mig gøre svaret mere håndgribeligt med et par eksempler:

• I investeringsfonde er der ofte en motivation for at give investorerne mere sikkerhed og dermed selvfølgelig for at udvikle en konkurrencemæssig fordel. I en værdiinvesteringstilgang kan det f.eks. være at tilføje en maskinlæringsmodel som en ekstra kontrolinstans.
• I forbindelse med analyser i M&A-rådgivning kan prognoser for eksempel tage højde for betydeligt flere indflydelsesrige faktorer og dermed give køberen mere information om det potentielle mål.

Jeg kan fortsætte denne liste i al evighed:

• AI-drevet automatisering kan desuden føre til reducerede lønomkostninger og øget produktivitet, hvilket resulterer i betydelige omkostningsbesparelser for virksomhederne.
• Hvis du integrerer ML i dine fremskridt, vil det føre til øget effektivitet. ML-værktøjer kan automatisere gentagne og tidskrævende opgaver, så medarbejderne kan fokusere mere på vigtige og værdiskabende opgaver.
• Forbedret Produktudvikling / Forbedret portefølje-strukturering
• Skalerbarhed (AI-drevne værktøjer kan håndtere store mængder data og opgaver uden menneskelig indgriben)
• Konkurrencefordel (AI-værktøjer kan føre til innovative produkter)
  Risikostyring
• Personlig kundeoplevelse / forbedret kundesupport
  Forudsigende analyser

Jakub: Lad os uddybe det emne - hvad er nogle populære brugsscenarier?

Sebastian: Nogle af de mest brugte er:

• Identificering af nye kunder
• Personlig kundeoplevelse
• Automatisering af kundeservice: Identificering af risiko for kreditsvigt / vurdering af kreditrisiko
• Opdagelse af svindel
• Overholdelse af lovgivningen
• Signalidentifikation for aktiemarkedspriser, forex og råvarer
• Prisprognoser
• Identificering af markedsrisici
• Stresstest
• Portefølje-optimering

Jakub: Hvordan kan maskinlæring integreres i FinTech'er?

Sebastian: Det er vigtigt at starte med business casen og de nuværende processer. Det synes at være indlysende, men det er almindeligt, at dette punkt er fuldstændig undervurderet og ofte overset.

• Definer Use Case / Business Case
• Tjek de nuværende processer, og sæt relevante mål
• Definer relevante, tilgængelige og nødvendige data
• Dataindsamling og forbehandling
• Opsætning af model og infrastruktur
• Valg af model
• Udvikling af funktioner
• Model-træning
• Evaluering af modeller
• Udrulning
• Design af rapport/output
• Generering af rapporter
• Fortolkning af resultater
• Kontinuerlig overvågning og vedligeholdelse

Jakub: Hvis man ser på din erfaring - hvor svært er det så at integrere maskinlæring i FinTech-virksomheders processer?

Sebastian:

• Det hele afhænger af datatilgængelighed og -kvalitet.
• Der er brug for robust IT-infrastruktur og computerkraft.
• Menneskelige ressourcer med den rette ekspertise og viden
• Databeskyttelse og -sikkerhed skal altid overvejes.
• Integration af ML i givne processer kan føre til nødvendige opdateringer i den nuværende proces.
• Det kan være svært at forstå resultaterne og fortolke dem korrekt.
• Modellerne skal testes og kontrolleres løbende.
• Kontinuerlig overvågning og vedligeholdelse.

Det lyder måske af meget, men mange af disse opgaver kan standardiseres og automatiseres. Og når de først er integreret, opvejer fordelene hurtigt indsatsen.

Jakub: Det, du har nævnt tidligere, giver anledning til et spørgsmål - hvor tilpasningsdygtige er maskinlæringsmodeller til skiftende miljøer?

Sebastian: Maskinlæringsmodeller er meget tilpasningsdygtige og skal kunne reagere hurtigt på skiftende miljøer. De kan tilpasses skiftende miljøer ved hjælp af teknikker som f.eks. omskoling på baggrund af opdaterede data, transfer learning og kontinuerlig overvågning. Dette sikrer, at maskinlæringsmodellernes ydeevne forbliver relevant og præcis over tid.

Eksempel: For handelsvirksomheder.

Handelssignaler for forex eller råvarer kan ændre sig, f.eks. på grund af ændringer i andre markedsdeltageres adfærd. Det kan vi f.eks. se gennem fremkomsten af handelsapps, men også gennem mere avancerede begivenheder.

Derfor bør virksomheder, der allerede arbejder med kvantitative metoder, altid overveje at holde deres algoritmer opdaterede og inkludere nye ideer.

Jakub: Sebastian Tak for en indsigtsfuld samtale. Vi glæder os til at se mere vækst og innovation på dette område!

Sebastian: Det var en fornøjelse, Jakub. Jeg sætter pris på denne platform, da den gav os mulighed for at diskutere de spændende fremskridt inden for vores felt og dets betydning i det stadigt skiftende digitale landskab.