ML valdomų finansinių sprendimų amžius: Nauja finansinių technologijų era

Neseniai vykusiame pokalbyje apie sintezę dirbtinis intelektas (AI) ir mašininis mokymasis į finansai sektoriuje, man teko garbė vadovauti dialogui, užduodant aštrius klausimus. Mūsų gilinimuisi vadovavo Sebastianas Niehausas. Machine Learning inžinierius specializuojasi kiekybinio Finance ir CTO adresu SEKASA technologijos . Sebastiano didžiulė kompetencija suteikė šviesių įžvalgų apie augančią simbiozę tarp dirbtinis intelektas ir fintech .

Per mūsų pokalbį CTO su Sebastianu gilinomės į dirbtinio intelekto ir finansų pasaulį. Nepaisant to, kad mus skiria daugybė kilometrų, pokalbis vyko sklandžiai!

mus kodėl finansų įmonė turėtų ieškoti galimybių integruoti dirbtinį intelektą į savo kasdienę veiklą?

Sebastianas: Paprasčiausiai ji leidžia analizuoti didelius kiekius duomenys kurių negalima analizuoti jokiais kitais būdais, taip sukuriant reikšmingą rinka privalumai.

Finance - tai duomenų analizė ir apdorojimas. Nepriklausomai nuo to, ar kalbame apie mokėjimo paslaugų teikėjus, investicines įmones, bankai arba rinkos formuotojams. Kiekvienas rinkos dalyvis, kad ir koks mažas būtų, atlieka analizę, naudodamasis turimais duomenimis, galbūt ne įmantriais algoritmais, bet kitomis analizės formomis.

Tačiau duomenų problema yra ta, kad nepriklausomi duomenų taškai paprastai yra nenaudingi, jie tampa įdomūs tik tada, kai pridedamas kontekstas. Tokį kontekstą galima pridėti lyginant dabartinio atvejo duomenis su panašiais atvejais arba pridedant daugiau susijusių ir nesusijusių duomenų. Tai gali būti, pavyzdžiui, kitų rinkų ar aplinkosaugos duomenų įtraukimas priimant investicinius sprendimus arba platesnis sandorių spektras nustatant sukčiavimo atvejus.

Jakubas: Žvelgiant iš šio taško - kas apskritai yra dirbtinis intelektas ir mašininis mokymasis?

Sebastianas: Dirbtinis intelektas (DI) - tai kompiuterinių sistemų, galinčių atlikti užduotis, kurioms paprastai reikia žmogaus intelekto, pavyzdžiui, mokytis, samprotauti, spręsti problemas ir priimti sprendimus, kūrimas.

Machine Learning tai dirbtinio intelekto poskyris, kuriame daugiausia dėmesio skiriama algoritmų mokymui, kad jie iš retrospektyvinių duomenų išmoktų modelius ir atliktų prognozes konkrečiai užduočiai atlikti. Taigi, jis atskleidžia dėsningumus ir mechanizmus užduotims automatizuoti arba generuoja naujas žinias apie jas.

Per pastaruosius kelerius metus išpopuliarėjo dirbtinio intelekto arba mašininio mokymosi metodai, nes jais galima apdoroti daug įvairių duomenų savybių. Tai didelis skirtumas nuo klasikinių statistinių modelių, kuriuos finansų srityje naudojame nuo 8-ojo dešimtmečio.

Jakubas: Įdomi įžvalga! Taigi, kokia yra mašininio mokymosi nauda FinTech įmonės?

Sebastianas: Vienu sakiniu: Jie išnaudoja visą savo potencialą!

FinTech yra tik duomenų rengėjai ir jiems tenka dirbti su dideliais finansinių ir alternatyvių duomenų kiekiais. Iš šių duomenų jie gali atrasti naujų verslo galimybių, apsaugoti esamus procesus, padaryti savo sprendimus skaidresnius ir pagerinti jų kokybę.

Net jei procesai ar ypač sprendimų priėmimo procesai yra aiškiai apibrėžti ir gerai veikia, dažnai tikslinga pridėti mašininio mokymosi algoritmus, kad būtų užtikrintas kitas požiūris ir sumažintos subjektyvios žmonių klaidos. Tai, pavyzdžiui, galėtų užkirsti kelią FOMO investicijoms investicinėse bendrovėse.

Jakubas: Kokia yra motyvacija ir verslo motyvai integruoti dirbtinį intelektą?

Sebastianas: Dažnai tai susiję su konkurencinio pranašumo užtikrinimu, procesų optimizavimu arba tiesiog atsakymais į konkrečius klausimus. Be to, yra ir tokių temų, kaip ateities gyvybingumas, kuris yra labai svarbios problemos, pavyzdžiui, labai įsitvirtinusioms finansų bendrovėms. Šios įmonės dažnai net nežino, koks potencialas slypi jų duomenyse, ir kreipiasi su paprastu prašymu: "Norėtume išbandyti, ką mūsų įmonėje galima patobulinti naudojant Machine Learning".

Leiskite atsakymą pateikti konkrečiau, pateikdamas keletą pavyzdžių:

• Investiciniuose fonduose dažnai motyvuojama suteikti investuotojams daugiau saugumo ir taip, žinoma, sukurti konkurencinį pranašumą. Pavyzdžiui, taikant vertės investavimo metodą, tai gali būti mašininio mokymosi modelio, kaip papildomo kontrolės egzemplioriaus, įtraukimas
• Pavyzdžiui, atliekant analizes įmonių įsigijimų ir susijungimų konsultacijų srityje, atliekant prognozes galima atsižvelgti į gerokai daugiau įtakos turinčių veiksnių ir taip pirkėjui suteikti daugiau informacijos apie potencialų objektą.

Šį sąrašą galiu tęsti amžinai:

• Be to, dirbtinio intelekto valdomas automatizavimas gali sumažinti darbo sąnaudas ir padidinti našumą, todėl įmonės gali sutaupyti daug lėšų.
• Integravę ML į savo pažangą padidinsite efektyvumą. ML įrankiai gali automatizuoti pasikartojančias ir daug laiko reikalaujančias užduotis, todėl darbuotojai gali daugiau dėmesio skirti svarbioms ir pridėtinę vertę kuriančioms užduotims.
• Patobulintas Produkto kūrimas / Patobulintas portfelio struktūrizavimas
• Mastelio keitimas (dirbtinio intelekto įrankiai gali apdoroti didelius duomenų kiekius ir atlikti užduotis be žmogaus įsikišimo).
• Konkurencinis pranašumas (dirbtinio intelekto įrankiai gali padėti sukurti naujoviškus produktus)
  Rizikos valdymas
• Personalizuota klientų patirtis / geresnis klientų aptarnavimas
  Prognozuojamoji analizė

Jakubas: Kokie yra populiarūs naudojimo atvejai?

Sebastianas: Keletas dažniausiai naudojamų:

• Naujų klientų nustatymas
• Personalizuota klientų patirtis
• Klientų aptarnavimas Automatizavimas: Kredito nesėkmės rizikos nustatymas / Kredito rizikos vertinimas
• Sukčiavimo aptikimas
• Atitiktis teisės aktams
• Akcijų rinkų kainų, Forex ir prekių signalų nustatymas
• Kainų prognozės
• Rinkos rizikos nustatymas
• Testavimas nepalankiausiomis sąlygomis
• Portfelio optimizavimas

Jakubas: Kaip mašininį mokymąsi galima integruoti į FinTech?

Sebastianas: Svarbu pradėti nuo verslo atvejo ir dabartinių procesų. Atrodo, kad tai akivaizdu, tačiau įprasta, kad šis punktas visiškai neįvertinamas ir dažnai praleidžiamas.

• Naudojimo atvejo / verslo atvejo apibrėžimas
• Patikrinkite esamus procesus ir nustatykite atitinkamus tikslus.
• Apibrėžti svarbius, turimus ir reikalingus duomenis
• Duomenų rinkimas ir pirminis apdorojimas
• Modelis ir infrastruktūros sukūrimas
• Modelio pasirinkimas
• Funkcijų inžinerija
• Modelio mokymas
• Modelio vertinimas
• Įdiegimas
• Ataskaitos / išvesties dizainas
• Ataskaitų generavimas
• Rezultatų aiškinimas
• Nuolatinis stebėjimas ir priežiūra

Jakubas: Kaip sunku integruoti mašininį mokymąsi į FinTech įmonių procesus?

Sebastianas:

• Viskas priklauso nuo duomenų prieinamumo ir kokybės.
• Reikalinga patikima IT infrastruktūra ir kompiuterinė galia.
• Žmogiškieji ištekliai, turintys reikiamos srities patirties ir žinių.
• Į duomenų privatumą ir saugumą reikia atsižvelgti bet kuriuo metu.
• Integruojant ML į tam tikrus procesus, gali prireikti atnaujinti esamą procesą.
• Gali būti sunku suprasti rezultatus ir teisingai juos interpretuoti.
• Modeliai turi būti nuolat testuojami ir tikrinami.
• Nuolatinis stebėjimas ir priežiūra.

Tai gali atrodyti daug, tačiau daugelį šių užduočių galima standartizuoti ir automatizuoti. Integravus jas, nauda greitai atsveria įdėtas pastangas.

Jakubas: Kaip mašininio mokymosi modeliai gali prisitaikyti prie besikeičiančios aplinkos?

Sebastianas: Mašininio mokymosi modeliai yra labai adaptyvūs ir turi gebėti greitai reaguoti į besikeičiančią aplinką. Juos galima pritaikyti prie besikeičiančios aplinkos taikant tokius metodus, kaip perkvalifikavimas pagal atnaujintus duomenis, perkeliamasis mokymasis ir nuolatinė stebėsena. Taip užtikrinama, kad mašininio mokymosi modelių veikimas laikui bėgant išliktų aktualus ir tikslus.

Pavyzdys: Prekybos įmonėms.

Forex arba biržos prekių prekybos signalai gali pasikeisti, pavyzdžiui, pasikeitus kitų rinkos dalyvių elgsenai. Tai matome, pavyzdžiui, dėl prekybos programėlių atsiradimo, taip pat dėl pažangesnių įvykių.

Todėl įmonės, kurios jau dirba su kiekybiniais metodais, visada turėtų apsvarstyti galimybę atnaujinti savo algoritmus ir įtraukti naujų idėjų.

Jakub: Sebastianas Ačiū už įžvalgų pokalbį. Džiaugiamės, kad šioje srityje matysime daugiau augimo ir naujovių!

Sebastianas: Man malonu, Jakubai. Vertinu šią platformą, nes ji leido mums aptarti įdomią pažangą mūsų srityje ir jos reikšmę nuolat besikeičiančiame skaitmeniniame kraštovaizdyje.