La era de las soluciones financieras basadas en ML: Una nueva era en Fintech

En mi reciente conversación sobre la fusión de inteligencia artificial (AI) y aprendizaje automático en el sector financiero, tuve el privilegio de dirigir el diálogo con preguntas precisas. Sebastian Niehaus, un experto en finanzas, dirigió nuestra inmersión. Ingeniero Machine Learning especializado en Finance cuantitativo y el CTO en Tecnologías SEKASA . La vasta experiencia de Sebastián aportó esclarecedores conocimientos sobre la creciente simbiosis de IA y fintech .

Durante nuestra charla CTO, Sebastian y yo profundizamos en el mundo de la IA y las finanzas. A pesar de estar a kilómetros de distancia, ¡la conversación fluyó sin esfuerzo!

mercado ventajas.

Finance es sinónimo de análisis y tratamiento de datos. No importa si hablamos de proveedores de pagos, empresas de inversión, bancos o creadores de mercado. Todos los participantes en el mercado, por pequeños que sean, realizan análisis con los datos existentes, quizá no con algoritmos extravagantes, pero sí con otras formas de análisis.

El problema de los datos, sin embargo, es que los puntos de datos independientes suelen ser inútiles, sólo se vuelven interesantes cuando se les añade contexto. Este contexto puede añadirse comparando los datos del caso actual con casos similares o añadiendo más datos relacionados y no relacionados. Podría ser, por ejemplo, la integración de otros mercados o datos medioambientales en las decisiones de inversión o una gama más amplia de transacciones en la detección del fraude.

Jakub: Desde este punto de vista, ¿qué son la IA y el aprendizaje automático en general?

Sebastián: La inteligencia artificial (IA) es el desarrollo de sistemas informáticos capaces de realizar tareas que normalmente requieren inteligencia humana, como aprender, razonar, resolver problemas y tomar decisiones.

Machine Learning es un subconjunto de la IA que se centra en el entrenamiento de algoritmos para aprender patrones y hacer predicciones a partir de datos retrospectivos para cumplir una tarea específica. Así, descubre patrones y mecanismos para automatizar tareas o genera nuevos conocimientos sobre ellas.

La IA o los métodos de aprendizaje automático se han hecho muy populares en los últimos años porque son capaces de procesar una gran cantidad de características de datos diferentes. Se trata de una gran diferencia con respecto a los modelos estadísticos clásicos que utilizamos en finanzas desde los años 80.

Jakub: ¡Es una idea interesante! Entonces, ¿cuáles son los beneficios del aprendizaje automático para Empresas FinTech?

Sebastian: En una frase: Aprovechan todo su potencial.

FinTech son puros productores de datos y tienen que tratar con grandes cantidades de datos financieros y alternativos. A partir de estos datos, pueden descubrir nuevos potenciales de negocio, asegurar los procesos actuales, hacer más transparentes sus decisiones y mejorar la calidad de las mismas.

Incluso si los procesos, o especialmente los procesos de decisión, están claramente definidos y funcionan bien, a menudo tiene sentido añadir algoritmos de aprendizaje automático para proporcionar una segunda visión y reducir el error subjetivo de los humanos. Esto podría, por ejemplo, evitar que las empresas de inversión realicen inversiones FOMO.

Jakub: ¿Cuál es la motivación y el argumento empresarial para integrar la IA?

Sebastián: A menudo se trata de asegurar ventajas competitivas, optimizar procesos o simplemente responder a preguntas concretas. Además, también hay temas como la viabilidad futura, que es un problema para empresas financieras muy consolidadas, por ejemplo. Estas empresas a menudo ni siquiera saben el potencial que encierran sus datos y acuden con la simple petición: "Nos gustaría probar qué se puede mejorar con Machine Learning en nuestra empresa".

Permítanme hacer la respuesta más tangible con algunos ejemplos:

• En los fondos de inversión, a menudo existe la motivación de ofrecer más seguridad a los inversores y, por tanto, por supuesto, de desarrollar una ventaja competitiva. Por ejemplo, en un enfoque de inversión en valor, esto puede ser añadir un modelo de aprendizaje automático como instancia de control adicional
• En el caso de los análisis en la consultoría de fusiones y adquisiciones, por ejemplo, las previsiones pueden tener en cuenta muchos más factores de influencia y proporcionar así al comprador más información sobre el objetivo potencial.

Puedo continuar esta lista eternamente:

• Además, la automatización impulsada por la IA puede reducir los costes laborales y aumentar la productividad, lo que se traduce en un importante ahorro de costes para las empresas.
• La integración de ML en su progreso conducirá a una mayor eficiencia. Las herramientas de ML pueden automatizar tareas repetitivas y que consumen mucho tiempo, para que el personal pueda centrarse más en tareas importantes y de valor añadido.
• Mejorado Desarrollo de productos / Mejora de la estructuración de la cartera
• Escalabilidad (las herramientas basadas en IA pueden gestionar grandes cantidades de datos y tareas sin intervención humana).
• Ventaja competitiva (las herramientas de IA pueden dar lugar a productos innovadores)
  Gestión de riesgos
• Experiencia del cliente personalizada / Asistencia al cliente mejorada
  Análisis predictivo

Jakub: Vamos a ampliar más sobre ese tema - ¿cuáles son algunos casos de uso populares?

Sebastián: Algunos de los más utilizados son:

• Identificación de nuevos clientes
• Experiencia del cliente personalizada
• Automatización del servicio de atención al cliente: Identificación del riesgo de impago / Evaluación del riesgo de crédito
• Detección de fraudes
• Cumplimiento de la normativa
• Identificación de señales para precios de bolsa, divisas y materias primas
• Previsiones de precios
• Identificación de los riesgos de mercado
• Pruebas de resistencia
• Optimización de la cartera

Jakub: ¿Cómo puede integrarse el aprendizaje automático en los FinTech?

Sebastián: Es importante empezar por el caso empresarial y los procesos actuales. Esto parece obvio, pero es habitual que este punto se infravalore por completo y a menudo se pase por alto.

• Definir el caso de uso / caso de negocio
• Comprobar los procesos actuales y fijar los objetivos pertinentes
• Definir los datos pertinentes, disponibles y necesarios
• Recogida y tratamiento previo de datos
• Creación de modelos e infraestructuras
• Selección de modelos
• Ingeniería de funciones
• Formación de modelos
• Evaluación de modelos
• Despliegue
• Diseño de informes y resultados
• Generación de informes
• Interpretación de los resultados
• Control y mantenimiento continuos

Jakub: Según tu experiencia, ¿es difícil integrar el aprendizaje automático en los procesos de las empresas FinTech?

Sebastián:

• Todo depende de la disponibilidad y calidad de los datos.
• Se necesita una sólida infraestructura informática y potencia de cálculo.
• Recursos humanos con la experiencia y los conocimientos adecuados
• La privacidad y la seguridad de los datos deben tenerse en cuenta en todo momento.
• La integración del ML en determinados procesos puede dar lugar a actualizaciones necesarias en el proceso actual.
• La comprensión de los resultados y su correcta interpretación pueden resultar difíciles.
• Los modelos deben probarse y comprobarse continuamente.
• Supervisión y mantenimiento continuos.

Puede parecer mucho, pero muchas de estas tareas pueden normalizarse y automatizarse. Y una vez integradas, las ventajas compensan rápidamente el esfuerzo.

Jakub: Lo que has mencionado antes suscita una pregunta: ¿hasta qué punto son adaptables los modelos de aprendizaje automático a entornos cambiantes?

Sebastián: Los modelos de aprendizaje automático son muy adaptables y deben ser capaces de responder rápidamente a entornos cambiantes. Pueden adaptarse a entornos cambiantes mediante técnicas como el reentrenamiento con datos actualizados, el aprendizaje por transferencia y la supervisión continua. Esto garantiza que el rendimiento de los modelos de aprendizaje automático siga siendo pertinente y preciso a lo largo del tiempo.

Ejemplo: Para las empresas comerciales.

Las señales de negociación de divisas o materias primas pueden cambiar, por ejemplo, debido a cambios en el comportamiento de otros participantes en el mercado. Esto se puede observar, por ejemplo, en el auge de las aplicaciones de negociación, pero también en eventos más avanzados.

Por este motivo, las empresas que ya trabajan con métodos cuantitativos deberían considerar siempre la posibilidad de mantener actualizados sus algoritmos e incluir nuevas ideas.

Jakub: Sebastian Gracias por una conversación tan perspicaz. Estamos impacientes por ver más crecimiento e innovación en este campo.

Sebastián: Un placer, Jakub. Agradezco esta plataforma, ya que nos ha permitido debatir sobre los apasionantes avances en nuestro campo y su importancia en el siempre cambiante panorama digital.