Η εποχή των χρηματοοικονομικών λύσεων με βάση το ML: Fintech

Στην πρόσφατη συζήτησή μου για τη συγχώνευση των τεχνητή νοημοσύνη (AI) και μηχανική μάθηση στον χρηματοπιστωτικό τομέα, είχα το προνόμιο να κατευθύνω τον διάλογο με αιχμηρές ερωτήσεις. Καθοδηγητής της βαθιάς μας κατάδυσης ήταν ο Sebastian Niehaus, ένας Machine Learning Μηχανικός με ειδίκευση στην Ποσοτική Finance και την CTO στο Τεχνολογίες SEKASA . Η τεράστια τεχνογνωσία του Sebastian παρείχε διαφωτιστικές γνώσεις σχετικά με την αυξανόμενη συμβίωση των AI και fintech .

Κατά τη διάρκεια της συνομιλίας μας στο CTO, ο Sebastian και εγώ εμβαθύναμε στον κόσμο της τεχνητής νοημοσύνης και των οικονομικών. Παρά το γεγονός ότι μας χώριζαν πολλά χιλιόμετρα, η συζήτηση κύλησε αβίαστα!

αγορά πλεονεκτήματα.

Το Finance αφορά την ανάλυση και την επεξεργασία δεδομένων. Ανεξάρτητα από το αν μιλάμε για παρόχους πληρωμών, επιχειρήσεις επενδύσεων, τράπεζες ή market makers. Κάθε συμμετέχων στην αγορά, όσο μικρός και αν είναι, πραγματοποιεί αναλύσεις με τα υπάρχοντα δεδομένα, ίσως όχι με φανταχτερούς αλγόριθμους, αλλά με άλλες μορφές ανάλυσης.

Το πρόβλημα με τα δεδομένα, ωστόσο, είναι ότι τα ανεξάρτητα σημεία δεδομένων είναι συνήθως άχρηστα, και αποκτούν ενδιαφέρον μόνο όταν προστεθεί το πλαίσιο. Αυτό το πλαίσιο μπορεί να προστεθεί με τη σύγκριση των δεδομένων της τρέχουσας περίπτωσης με παρόμοιες περιπτώσεις ή με την προσθήκη περισσότερων σχετικών και άσχετων δεδομένων. Αυτό θα μπορούσε να είναι για παράδειγμα η ενσωμάτωση άλλων αγορών ή περιβαλλοντικών δεδομένων στις επενδυτικές αποφάσεις ή ένα ευρύτερο φάσμα συναλλαγών στην ανίχνευση απάτης.

Jakub: Τι είναι η τεχνητή νοημοσύνη και η μηχανική μάθηση γενικά;

Sebastian: Τεχνητή νοημοσύνη (ΤΝ) είναι η ανάπτυξη υπολογιστικών συστημάτων ικανών να εκτελούν εργασίες που κανονικά απαιτούν ανθρώπινη νοημοσύνη, όπως η μάθηση, η συλλογιστική, η επίλυση προβλημάτων και η λήψη αποφάσεων.

Machine Learning είναι ένα υποσύνολο της τεχνητής νοημοσύνης που επικεντρώνεται στην εκπαίδευση αλγορίθμων για την εκμάθηση μοτίβων και την πραγματοποίηση προβλέψεων από αναδρομικά δεδομένα για την εκπλήρωση μιας συγκεκριμένης εργασίας. Έτσι, αποκαλύπτει μοτίβα και μηχανισμούς για την αυτοματοποίηση εργασιών ή παράγει νέα γνώση σχετικά με αυτές.

Οι μέθοδοι τεχνητής νοημοσύνης ή μηχανικής μάθησης έγιναν τόσο δημοφιλείς τα τελευταία χρόνια, επειδή είναι σε θέση να επεξεργάζονται μεγάλο αριθμό διαφορετικών χαρακτηριστικών δεδομένων. Αυτή είναι μια μεγάλη διαφορά από τα κλασικά στατιστικά μοντέλα που χρησιμοποιούμε στα χρηματοοικονομικά από τη δεκαετία του '80.

Jakub: Jakub: Αυτή είναι μια ενδιαφέρουσα διαπίστωση! Ποια είναι λοιπόν τα οφέλη της μηχανικής μάθησης για Εταιρείες FinTech?

Sebastian: Με μία πρόταση: Αξιοποιούν πλήρως τις δυνατότητές τους!

Οι FinTech είναι καθαροί παραγωγοί δεδομένων και πρέπει να διαχειρίζονται μεγάλες ποσότητες οικονομικών και εναλλακτικών δεδομένων. Από αυτά τα δεδομένα μπορούν να ανακαλύψουν νέες επιχειρηματικές δυνατότητες, να διασφαλίσουν τις τρέχουσες διαδικασίες, να κάνουν τις αποφάσεις τους πιο διαφανείς και να βελτιώσουν την ποιότητα των αποφάσεών τους.

Ακόμη και αν οι διαδικασίες ή ιδίως οι διαδικασίες λήψης αποφάσεων είναι σαφώς καθορισμένες και λειτουργούν καλά, συχνά έχει νόημα να προστεθούν αλγόριθμοι μηχανικής μάθησης για να παρέχουν μια δεύτερη άποψη και να μειώσουν το υποκειμενικό σφάλμα των ανθρώπων. Αυτό θα μπορούσε, για παράδειγμα, να αποτρέψει τις επενδυτικές εταιρείες από το να πραγματοποιούν επενδύσεις FOMO.

Jakub: Ποιο είναι το κίνητρο και η επιχειρηματική υπόθεση για την ενσωμάτωση της ΤΝ;

Sebastian: Συχνά πρόκειται για την εξασφάλιση ανταγωνιστικών πλεονεκτημάτων, τη βελτιστοποίηση των διαδικασιών ή απλώς για την απάντηση συγκεκριμένων ερωτήσεων. Επιπλέον, υπάρχουν και θέματα όπως η μελλοντική βιωσιμότητα - η οποία αποτελεί ζήτημα για πολύ εδραιωμένες χρηματοπιστωτικές εταιρείες, για παράδειγμα. Αυτές οι εταιρείες συχνά δεν γνωρίζουν καν ποιες δυνατότητες κρύβονται στα δεδομένα τους και έρχονται με το απλό αίτημα: "Θα θέλαμε να δοκιμάσουμε τι μπορεί να βελτιωθεί με το Machine Learning στην εταιρεία μας"

Επιτρέψτε μου να κάνω την απάντηση πιο απτή με μερικά παραδείγματα:

• Στα επενδυτικά κεφάλαια, υπάρχει συχνά το κίνητρο να παρέχουν στους επενδυτές μεγαλύτερη ασφάλεια και, επομένως, φυσικά, να αναπτύξουν ανταγωνιστικό πλεονέκτημα. Για παράδειγμα, σε μια προσέγγιση επενδύσεων αξίας, αυτό μπορεί να είναι η προσθήκη ενός μοντέλου μηχανικής μάθησης ως πρόσθετη περίπτωση ελέγχου
• Στην περίπτωση των αναλύσεων στις συμβουλευτικές υπηρεσίες συγχωνεύσεων και εξαγορών, για παράδειγμα, οι προβλέψεις μπορούν να λάβουν υπόψη σημαντικά περισσότερους παράγοντες επιρροής και να παράσχουν έτσι στον αγοραστή περισσότερες πληροφορίες σχετικά με τον πιθανό στόχο.

Μπορώ να συνεχίσω αυτόν τον κατάλογο για πάντα:

• Η αυτοματοποίηση με βάση την τεχνητή νοημοσύνη μπορεί επιπλέον να οδηγήσει σε μείωση του κόστους εργασίας και αύξηση της παραγωγικότητας, με αποτέλεσμα σημαντική εξοικονόμηση κόστους για τις επιχειρήσεις.
• Η ενσωμάτωση του ML στην πρόοδό σας θα οδηγήσει σε αυξημένη αποδοτικότητα. Τα εργαλεία ML μπορούν να αυτοματοποιήσουν τις επαναλαμβανόμενες και χρονοβόρες εργασίες, ώστε το προσωπικό να μπορεί να επικεντρωθεί περισσότερο σε σημαντικές και προστιθέμενης αξίας εργασίες.
• Βελτιωμένο Ανάπτυξη προϊόντων / Βελτιωμένη διάρθρωση χαρτοφυλακίου
• Επεκτασιμότητα (τα εργαλεία με τεχνητή νοημοσύνη μπορούν να χειριστούν μεγάλες ποσότητες δεδομένων και εργασιών χωρίς ανθρώπινη παρέμβαση)
• Ανταγωνιστικό πλεονέκτημα (τα εργαλεία τεχνητής νοημοσύνης μπορούν να οδηγήσουν σε καινοτόμα προϊόντα)
  Διαχείριση κινδύνων
• Εξατομικευμένη εμπειρία πελατών / Ενισχυμένη υποστήριξη πελατών
  Προβλεπτικά Analytics

Jakub: Ποιες είναι μερικές δημοφιλείς περιπτώσεις χρήσης;

Sebastian: Μερικά από τα πιο συχνά χρησιμοποιούμενα είναι:

• Εντοπισμός νέων πελατών
• Εξατομικευμένη εμπειρία πελάτη
• Αυτοματοποίηση εξυπηρέτησης πελατών: Αξιολόγηση πιστωτικού κινδύνου
• Ανίχνευση απάτης
• Κανονιστική συμμόρφωση
• Αναγνώριση σημάτων για τιμές χρηματιστηρίων, forex και εμπορευμάτων
• Προβλέψεις τιμών
• Προσδιορισμός των κινδύνων της αγοράς
• Δοκιμές αντοχής
• Βελτιστοποίηση χαρτοφυλακίου

Jakub: Πώς μπορεί να ενσωματωθεί η μηχανική μάθηση στα FinTech;

Sebastian: Είναι σημαντικό να ξεκινήσετε με την επιχειρηματική υπόθεση και τις τρέχουσες διαδικασίες. Αυτό φαίνεται να είναι προφανές, αλλά είναι σύνηθες το σημείο αυτό να υποτιμάται εντελώς και συχνά να παραλείπεται.

• Καθορισμός Περίπτωσης Χρήσης / Επιχειρησιακής Περίπτωσης
• Ελέγξτε τις τρέχουσες διαδικασίες και ορίστε τους σχετικούς στόχους
• Ορισμός των σχετικών, διαθέσιμων και αναγκαίων δεδομένων
• Συλλογή και προεπεξεργασία δεδομένων
• Μοντέλο και δημιουργία υποδομής
• Επιλογή μοντέλου
• Μηχανική χαρακτηριστικών
• Εκπαίδευση μοντέλων
• Αξιολόγηση μοντέλου
• Ανάπτυξη
• Σχεδιασμός έκθεσης / εξόδου
• Δημιουργία αναφοράς
• Ερμηνεία των αποτελεσμάτων
• Συνεχής παρακολούθηση και συντήρηση

Jakub: Πόσο δύσκολη είναι η ενσωμάτωση της μηχανικής μάθησης στις διαδικασίες των εταιρειών FinTech;

Sebastian:

• Όλα εξαρτώνται από τη διαθεσιμότητα και την ποιότητα των δεδομένων.
• Χρειάζεται ισχυρή υποδομή ΤΠ και υπολογιστική ισχύς.
• Ανθρώπινοι πόροι με τον κατάλληλο τομέα εμπειρογνωμοσύνης και γνώσεων
• Το απόρρητο και η ασφάλεια των δεδομένων πρέπει να λαμβάνονται υπόψη ανά πάσα στιγμή.
• Η ενσωμάτωση της ML σε δεδομένες διαδικασίες μπορεί να οδηγήσει σε αναγκαίες ενημερώσεις της τρέχουσας διαδικασίας.
• Η κατανόηση των αποτελεσμάτων και η σωστή ερμηνεία μπορεί να είναι δύσκολη.
• Τα μοντέλα πρέπει να δοκιμάζονται και να ελέγχονται συνεχώς.
• Συνεχής παρακολούθηση και συντήρηση.

Αυτό μπορεί να ακούγεται πολύ, αλλά πολλές από αυτές τις εργασίες μπορούν να τυποποιηθούν και να αυτοματοποιηθούν. Και μόλις ενσωματωθούν, τα οφέλη ξεπερνούν γρήγορα την προσπάθεια.

Jakub: Πόσο προσαρμόσιμα είναι τα μοντέλα μηχανικής μάθησης σε μεταβαλλόμενα περιβάλλοντα;

Sebastian: Τα μοντέλα μηχανικής μάθησης είναι ιδιαίτερα προσαρμοστικά και πρέπει να μπορούν να ανταποκρίνονται γρήγορα σε μεταβαλλόμενα περιβάλλοντα. Μπορούν να προσαρμοστούν στα μεταβαλλόμενα περιβάλλοντα μέσω τεχνικών όπως η επανεκπαίδευση σε επικαιροποιημένα δεδομένα, η εκμάθηση μεταφοράς και η συνεχής παρακολούθηση. Αυτό διασφαλίζει ότι η απόδοση των μοντέλων μηχανικής μάθησης παραμένει σχετική και ακριβής με την πάροδο του χρόνου.

Παράδειγμα: Για εμπορικές εταιρείες.

Τα σήματα διαπραγμάτευσης για forex ή εμπορεύματα μπορούν να αλλάξουν, για παράδειγμα, μέσω αλλαγών στη συμπεριφορά άλλων συμμετεχόντων στην αγορά. Μπορούμε να το δούμε αυτό, για παράδειγμα, μέσω της αύξησης των εφαρμογών συναλλαγών, αλλά και μέσω πιο προηγμένων γεγονότων.

Για το λόγο αυτό, οι εταιρείες που εργάζονται ήδη με ποσοτικές μεθόδους θα πρέπει πάντα να εξετάζουν το ενδεχόμενο να ενημερώνουν τους αλγορίθμους τους και να περιλαμβάνουν νέες ιδέες.

Jakub: Σεμπάστιαν Σας ευχαριστώ για μια διεισδυτική συζήτηση. Είμαστε ενθουσιασμένοι που θα δούμε περισσότερη ανάπτυξη και καινοτομία σε αυτόν τον τομέα!

Sebastian: Ευχαρίστησή μου, Jakub. Εκτιμώ αυτή την πλατφόρμα, καθώς μας επέτρεψε να συζητήσουμε τη συναρπαστική πρόοδο στον τομέα μας και τη σημασία της στο διαρκώς μεταβαλλόμενο ψηφιακό τοπίο.