ML-põhiste finantslahenduste ajastu: Fintech'i uus ajastu

Minu hiljutises vestluses fusiooni kohta tehisintellekt (AI) ja masinõpe finantssektoris, oli mul privileeg juhtida dialoogi teravate küsimustega. Meie süvitiimingu juhiks oli Sebastian Niehaus, kes on Machine Learning Insener spetsialiseerunud kvantitatiivsele Finance ja CTO aadressil SEKASA Technologies . Sebastiani laialdased teadmised andsid valgustava ülevaate kasvavast sümbioosist ja AI ja fintech .

Meie CTO vestluse käigus süvenesime Sebastianiga tehisintellekti ja rahanduse maailma. Hoolimata sellest, et me oleme üksteisest miilide kaugusel, sujus vestlus vaevata!

turg eelised.

Finance tegeleb andmete analüüsimise ja töötlemisega. Sõltumata sellest, kas tegemist on makseteenuse pakkujate, investeerimisühingute, pankade või turutegijatega. Iga turuosaline, ükskõik kui väike ta ka poleks, teeb analüüse olemasolevate andmetega, võib-olla mitte väljamõeldud algoritmide, vaid muude analüüsivormide abil.

Andmete probleem on aga selles, et iseseisvad andmepunktid on tavaliselt kasutud, need muutuvad huvitavaks alles siis, kui neile lisatakse kontekst. Seda konteksti saab lisada, kui võrrelda praeguse juhtumi andmeid sarnaste juhtumitega või lisada rohkem seotud ja mitteseotud andmeid. See võib olla näiteks teiste turgude või keskkonnaandmete integreerimine investeerimisotsuste tegemisel või laiem tehingute valik pettuse tuvastamisel.

Jakub: Sellest vaatenurgast vaadates - mis on tehisintellekt ja masinõpe üldiselt?

Sebastian: Tehisintellekt (AI) on arvutisüsteemide arendamine, mis on võimelised täitma ülesandeid, mis tavaliselt nõuavad inimese intelligentsust, nagu õppimine, arutlemine, probleemide lahendamine ja otsuste tegemine.

Machine Learning on tehisintellekti alaliik, mis keskendub algoritmide treenimisele, et õppida mustreid ja teha prognoose tagasiulatuvatest andmetest, et täita konkreetset ülesannet. Seega avastab see mustreid ja mehhanisme ülesannete automatiseerimiseks või loob uusi teadmisi nende kohta.

Tehisintellekti või masinõppe meetodid on viimastel aastatel muutunud nii populaarseks, sest nad on võimelised töötlema suurt hulka erinevaid andmete omadusi. See on suur erinevus klassikalistest statistilistest mudelitest, mida me kasutame rahanduses alates 80ndatest aastatest.

Jakub: Jakub: See on huvitav arusaam! Millised on siis masinõppe eelised FinTech ettevõtted?

Sebastian: Ühes lauses: Nad kasutavad kogu oma potentsiaali!

FinTechd on puhtalt andmetootjad ja nad peavad tegelema suure hulga finants- ja alternatiivsete andmetega. Nendest andmetest saavad nad avastada uusi ärivõimalusi, kindlustada olemasolevaid protsesse, muuta oma otsused läbipaistvamaks ja parandada otsuste kvaliteeti.

Isegi kui protsessid või eriti otsustusprotsessid on selgelt määratletud ja hästi toimivad, on sageli mõistlik lisada masinõppe algoritmid, et pakkuda teist vaatenurka ja vähendada inimeste subjektiivseid vigu. See võib näiteks takistada investeerimisfirmade FOMO-investeeringuid.

Jakub: Mis on tehisintellekti integreerimise motivatsioon ja äriline põhjus?

Sebastian: Sageli on tegemist konkurentsieeliste kindlustamise, protsesside optimeerimise või lihtsalt konkreetsetele küsimustele vastamisega. Lisaks sellele on ka selliseid teemasid nagu tulevikuvõimelisus - mis on näiteks väga väljakujunenud finantsettevõtete jaoks probleemiks. Need ettevõtted ei tea sageli isegi, milline potentsiaal nende andmetes peitub, ja tulevad lihtsa palvega: "Me tahaksime proovida, mida saab meie ettevõttes Machine Learning abil parandada".

Lubage mul muuta vastus mõne näite abil käegakatsutavamaks:

• Investeerimisfondides on sageli motivatsioon pakkuda investoritele suuremat turvalisust ja seega loomulikult arendada konkurentsieelist. Näiteks väärtusinvesteeringute puhul võib see olla masinõppe mudeli lisamine täiendava kontrolliinstantsina.
• M&A-konsultatsioonide analüüside puhul saab näiteks prognooside puhul arvesse võtta oluliselt rohkem mõjutavaid tegureid ja seega anda ostjale rohkem teavet potentsiaalse sihtkoha kohta.

Ma võin seda nimekirja jätkata igavesti:

• Tehisintellektipõhine automatiseerimine võib lisaks vähendada tööjõukulusid ja suurendada tootlikkust, mille tulemuseks on märkimisväärne kulude kokkuhoid ettevõtetele.
• ML-i integreerimine teie edusammudesse toob kaasa suurema tõhususe. ML-vahendid võivad automatiseerida korduvaid ja aeganõudvaid ülesandeid, nii et töötajad saavad rohkem keskenduda olulistele ja väärtust lisavatele ülesannetele.
• Parandatud Tootearendus / Parem portfelli struktureerimine
• Skaleeritavus (tehisintellektipõhised tööriistad saavad hakkama suurte andmemahtude ja ülesannetega ilma inimese sekkumiseta).
• Konkurentsieelis (tehisintellekti vahendid võivad viia uuenduslike toodete väljatöötamiseni)
  Riskijuhtimine
• Personaalne kliendikogemus / täiustatud klienditugi
  Ennustav analüütika

Jakub: Millised on mõned populaarsed kasutusjuhud?

Sebastian: Mõned kõige enam kasutatavad on:

• Uute klientide tuvastamine
• Personaalne kliendikogemus
• Klienditeeninduse automatiseerimine: Krediidiriski tuvastamine / krediidiriski hindamine
• Pettuste tuvastamine
• Õigusaktide järgimine
• Aktsiaturgude, valuutaturgude ja kaupade signaalide tuvastamine
• Hinnaprognoosid
• Tururiskide tuvastamine
• Stressitestid
• Portfelli optimeerimine

Jakub: Kuidas saab masinõppe integreerida FinTechsse?

Sebastian: Oluline on alustada ärijuhtumist ja praegustest protsessidest. See näib olevat ilmselge, kuid sageli on see punkt täiesti alahinnatud ja jäetakse sageli tähelepanuta.

• Kasutusjuhtumi / ärijuhtumi määratlemine
• Kontrollida praeguseid protsesse ja seada asjakohased eesmärgid
• Asjakohaste, kättesaadavate ja vajalike andmete määratlemine
• Andmete kogumine ja eeltöötlus
• Mudel ja infrastruktuuri ülesehitus
• Mudeli valik
• Funktsioon Engineering
• Mudelkoolitus
• Mudeli hindamine
• Kasutuselevõtmine
• Aruande / väljundi kujundamine
• Aruande koostamine
• Tulemuste tõlgendamine
• Pidev järelevalve ja hooldus

Jakub: Kui raske on masinõppe integreerimine FinTech ettevõtete protsessidesse?

Sebastian:

• Kõik sõltub andmete kättesaadavusest ja kvaliteedist.
• Vaja on tugevat IT-infrastruktuuri ja arvutusvõimsust.
• Õigete teadmiste ja oskustega inimressursid
• Andmete privaatsust ja turvalisust tuleb igal ajal arvesse võtta.
• ML-i integreerimine antud protsessidesse võib kaasa tuua vajalikud uuendused praeguses protsessis.
• Tulemuste mõistmine ja õige tõlgendamine võib olla keeruline.
• Mudeleid tuleb pidevalt testida ja kontrollida.
• Pidev järelevalve ja hooldus.

See võib tunduda palju, kuid paljud neist ülesannetest on võimalik standardiseerida ja automatiseerida. Ja kui need on integreeritud, kaalub kasu kiiresti üles kõik jõupingutused.

Jakub: See, mida te eelnevalt mainisite, tekitab küsimuse - kui kohanemisvõimelised on masinõppe mudelid muutuva keskkonnaga?

Sebastian: Masinõppe mudelid on väga kohanemisvõimelised ja peavad suutma kiiresti reageerida muutuvale keskkonnale. Neid saab kohandada muutuva keskkonnaga selliste tehnikate abil nagu ümberõpe uuendatud andmete põhjal, ülekandeõpe ja pidev jälgimine. See tagab, et masinõppe mudelite jõudlus jääb aja jooksul asjakohaseks ja täpseks.

Näide: Kaubandusettevõtete puhul.

Forexi või kaupade kauplemissignaalid võivad muutuda näiteks teiste turuosaliste käitumise muutumise tõttu. Seda näeme näiteks kauplemisrakenduste tõusu kaudu, aga ka edasijõudnute sündmuste kaudu.

Seetõttu peaksid ettevõtted, kes juba töötavad kvantitatiivsete meetoditega, alati kaaluma oma algoritmide ajakohastamist ja uute ideede kaasamist.

Jakub: Sebastian Tänan teid sisuka vestluse eest. Oleme põnevil, et näha rohkem kasvu ja innovatsiooni selles valdkonnas!

Sebastian: Minu rõõm, Jakub. Hindan seda platvormi kõrgelt, sest see võimaldas meil arutada meie valdkonna põnevaid edusamme ja selle tähtsust pidevalt muutuval digitaalsel maastikul.