En ny tid med ML-drevne finansielle løsninger: En ny æra innen fintech

I min nylige samtale om sammensmeltingen av kunstig intelligens (AI) og maskinlæring i finanssektoren, hadde jeg det privilegium å styre dialogen med spissede spørsmål. Sebastian Niehaus, som leder dypdykket vårt, er Machine Learning Ingeniør spesialiserer seg i kvantitativ Finance og CTO på SEKASA Technologies . Sebastians omfattende ekspertise ga oss en opplysende innsikt i den voksende symbiosen mellom AI og fintech .

I løpet av CTO-praten vår fordypet Sebastian og jeg oss i AI og finans. Til tross for at vi var milevis fra hverandre, fløt samtalen uanstrengt!

marked fordeler.

Finans handler om å analysere og behandle data. Uansett om vi snakker om betalingsformidlere, verdipapirforetak, banker eller market makere. Alle markedsaktører, uansett hvor små de er, utfører analyser med eksisterende data, kanskje ikke med fancy algoritmer, men med andre former for analyse.

Problemet med data er imidlertid at uavhengige datapunkter som regel er ubrukelige, og at de først blir interessante når de settes inn i en sammenheng. Denne konteksten kan legges til ved å sammenligne dataene i det aktuelle tilfellet med lignende tilfeller eller legge til flere relaterte og urelaterte data. Dette kan for eksempel være integrering av andre markeder eller miljødata i investeringsbeslutninger, eller et bredere spekter av transaksjoner for å avdekke svindel.

Jakub: Hva er AI og maskinlæring generelt sett?

Sebastian: Kunstig intelligens (AI) er utviklingen av datasystemer som er i stand til å utføre oppgaver som normalt krever menneskelig intelligens, for eksempel læring, resonnering, problemløsning og beslutningstaking.

Machine Learning er en undergruppe av AI som fokuserer på å lære opp algoritmer til å lære mønstre og gjøre prediksjoner fra retrospektive data for å utføre en bestemt oppgave. Dermed avdekker den mønstre og mekanismer for å automatisere oppgaver eller generere ny kunnskap om dem.

AI eller maskinlæringsmetoder har blitt så populære de siste årene fordi de er i stand til å behandle en stor mengde ulike datafunksjoner. Det er en stor forskjell fra de klassiske statistiske modellene som vi har brukt i finansverdenen siden 80-tallet.

Jakub: Det er en interessant innsikt! Så, hva er fordelene med maskinlæring for FinTech-selskaper?

Sebastian: I én setning: De utnytter sitt fulle potensial!

FinTech-er er rene dataprodusenter, og de må håndtere store mengder økonomiske og alternative data. Ut fra disse dataene kan de oppdage nye forretningspotensialer, sikre nåværende prosesser, gjøre beslutningene mer transparente og forbedre kvaliteten på beslutningene sine.

Selv om prosessene, og spesielt beslutningsprosessene, er klart definerte og velfungerende, er det ofte fornuftig å legge til maskinlæringsalgoritmer for å gi et ekstra blikk og redusere subjektive feil fra menneskers side. Dette kan for eksempel hindre investeringsselskaper i å foreta FOMO-investeringer.

Jakub: Hva er motivasjonen og forretningsgrunnlaget for å integrere AI?

Sebastian: Det handler ofte om å sikre konkurransefortrinn, prosessoptimalisering eller bare å svare på spesifikke spørsmål. I tillegg kommer temaer som fremtidig levedyktighet - noe som for eksempel er et problem for svært etablerte finansselskaper. Disse selskapene vet ofte ikke engang hvilket potensial som ligger i dataene deres, og kommer med en enkel forespørsel: "Vi vil gjerne prøve ut hva som kan forbedres med Machine Learning i vår bedrift."

La meg gjøre svaret mer håndgripelig med noen eksempler:

• I investeringsfond er motivasjonen ofte å gi investorene mer sikkerhet, og dermed selvfølgelig å utvikle et konkurransefortrinn. I en verdiinvesteringstilnærming kan dette for eksempel være å legge til en maskinlæringsmodell som en ekstra kontrollinstans
• Når det gjelder analyser i forbindelse med M&A-rådgivning, kan for eksempel prognoser ta hensyn til betydelig flere påvirkningsfaktorer og dermed gi kjøperen mer informasjon om det potensielle målet.

Jeg kan fortsette denne listen i all evighet:

• AI-drevet automatisering kan dessuten føre til reduserte lønnskostnader og økt produktivitet, noe som resulterer i betydelige kostnadsbesparelser for bedriftene.
• Integrering av ML i fremdriften din vil føre til økt effektivitet. ML-verktøy kan automatisere repetitive og tidkrevende oppgaver, slik at de ansatte kan fokusere mer på viktige og verdiskapende oppgaver.
• Forbedret Produktutvikling / Forbedret porteføljestrukturering
• Skalerbarhet (AI-drevne verktøy kan håndtere store mengder data og oppgaver uten menneskelig inngripen)
• Konkurransefortrinn (AI-verktøy kan føre til innovative produkter)
  Risikostyring
• Personlig tilpasset kundeopplevelse / forbedret kundestøtte
  Prediktiv analyse

Jakub: La oss snakke mer om det temaet - hva er noen populære bruksområder?

Sebastian: Noen av de mest brukte er:

• Identifisere nye kunder
• Personlig tilpasset kundeopplevelse
• Automatisering av kundeservice: Identifisering av risiko for kredittmislighold / vurdering av kredittrisiko
• Oppdagelse av svindel
• Overholdelse av regelverk
• Signalidentifikasjon for aksjemarkeder, valuta og råvarer
• Prisprognoser
• Identifisere markedsrisiko
• Stresstester
• Portefølje-Optimalisering

Jakub: Hvordan kan maskinlæring integreres i FinTech-er?

Sebastian: Det er viktig å starte med business case og de nåværende prosessene. Dette kan virke opplagt, men det er vanlig at dette punktet blir fullstendig undervurdert og ofte oversett.

• Definere Use Case / Business Case
• Sjekk nåværende prosesser og sett relevante mål
• Definere relevante, tilgjengelige og nødvendige data
• Datainnsamling og forprosessering
• Modell og oppsett av infrastruktur
• Valg av modell
• Feature Engineering
• Modellopplæring
• Evaluering av modellen
• Utplassering
• Rapport / Output Design
• Generering av rapporter
• Tolkning av resultatene
• Kontinuerlig overvåking og vedlikehold

Jakub: Ut fra din erfaring - hvor vanskelig er det å integrere maskinlæring i FinTech-selskapers prosesser?

Sebastian:

• Alt avhenger av datatilgjengelighet og -kvalitet.
• Det er behov for robust IT-infrastruktur og datakraft.
• Menneskelige ressurser med riktig kompetanse og kunnskap
• Personvern og datasikkerhet må alltid tas i betraktning.
• Integrering av ML i gitte prosesser kan føre til behov for oppdateringer i den nåværende prosessen.
• Det kan være vanskelig å forstå resultatene og tolke dem riktig.
• Modeller må testes og kontrolleres kontinuerlig.
• Kontinuerlig overvåking og vedlikehold.

Det høres kanskje mye ut, men mange av disse oppgavene kan standardiseres og automatiseres. Og når de først er integrert, veier fordelene raskt opp for innsatsen.

Jakub: Det du nevnte tidligere, gir grunn til å stille et spørsmål - hvor tilpasningsdyktige er maskinlæringsmodeller til skiftende omgivelser?

Sebastian: Maskinlæringsmodeller er svært tilpasningsdyktige og må kunne reagere raskt på skiftende omgivelser. De kan tilpasses til skiftende omgivelser ved hjelp av teknikker som omskolering på oppdaterte data, overføringslæring og kontinuerlig overvåking. Dette sikrer at maskinlæringsmodellene forblir relevante og nøyaktige over tid.

Eksempel: For handelsselskaper.

Handelssignaler for valuta eller råvarer kan endre seg, for eksempel gjennom endringer i atferden til andre markedsaktører. Dette ser vi for eksempel gjennom fremveksten av handelsapper, men også gjennom mer avanserte hendelser.

Derfor bør selskaper som allerede jobber med kvantitative metoder, alltid vurdere å holde algoritmene sine oppdaterte og inkludere nye ideer.

Jakub: Sebastian Takk for en innsiktsfull samtale. Vi gleder oss til å se mer vekst og innovasjon på dette feltet!

Sebastian: Det gleder meg, Jakub. Jeg setter pris på denne plattformen, som har gjort det mulig for oss å diskutere den spennende utviklingen på feltet vårt og dets betydning i det stadig skiftende digitale landskapet.