En tid av ML-drivna finansiella lösningar: En ny era inom fintech

I mitt senaste samtal om sammansmältningen av artificiell intelligens (AI) och maskininlärning i finanssektorn hade jag förmånen att styra dialogen med skarpa frågor. Ledare för vår djupdykning var Sebastian Niehaus, en Machine Learning Ingenjör med inriktning mot kvantitativ Finance och CTO på SEKASA Teknik . Sebastians omfattande expertis gav upplysande insikter om den växande symbiosen mellan AI och fintech .

Under vår CTO-chatt fördjupade Sebastian och jag oss i AI och finansvärlden. Trots att vi var långt ifrån varandra flöt samtalet på utan problem!

marknad fördelar.

Finans handlar om att analysera och bearbeta data. Oavsett om vi talar om betalningsleverantörer, värdepappersföretag, banker eller market makers. Varje marknadsaktör, oavsett hur liten den är, gör analyser med befintlig data, kanske inte med avancerade algoritmer men med andra former av analyser.

Problemet med data är dock att oberoende datapunkter oftast är värdelösa, de blir intressanta först när de förs in i ett sammanhang. Detta sammanhang kan skapas genom att jämföra data i det aktuella fallet med liknande fall eller genom att lägga till mer relaterade och orelaterade data. Det kan t.ex. handla om att integrera andra marknader eller miljödata i investeringsbeslut eller ett bredare spektrum av transaktioner för att upptäcka bedrägerier.

Jakub: Om man ser det ur den här synvinkeln - vad är AI och maskininlärning i allmänhet?

Sebastian: Artificiell intelligens (AI) är utvecklingen av datorsystem som kan utföra uppgifter som normalt kräver mänsklig intelligens, till exempel inlärning, resonemang, problemlösning och beslutsfattande.

Machine Learning är en delmängd av AI som fokuserar på att träna algoritmer för att lära sig mönster och göra förutsägelser från retrospektiva data för att utföra en specifik uppgift. På så sätt upptäcks mönster och mekanismer för att automatisera uppgifter eller generera ny kunskap om dem.

AI eller maskininlärningsmetoder har blivit mycket populära under de senaste åren eftersom de kan bearbeta en stor mängd olika datafunktioner. Det är en stor skillnad jämfört med de klassiska statistiska modeller som vi har använt inom finans sedan 80-talet.

Jakub: Det var en intressant insikt! Så, vilka är fördelarna med maskininlärning för FinTech företag?

Sebastian: I en mening: De utnyttjar sin fulla potential!

FinTechs är rena dataproducenter och de måste hantera stora mängder finansiell och alternativ data. Utifrån dessa data kan de upptäcka nya affärsmöjligheter, säkra nuvarande processer, göra sina beslut mer transparenta och förbättra kvaliteten på sina beslut.

Även om processerna, och särskilt beslutsprocesserna, är tydligt definierade och välfungerande är det ofta meningsfullt att lägga till maskininlärningsalgoritmer för att ge en andra bild och minska de subjektiva fel som människor gör. Detta kan till exempel förhindra investmentbolag från att göra FOMO-investeringar.

Jakub: Vad är motivationen och affärsnyttan med att integrera AI?

Sebastian: Det handlar ofta om att säkra konkurrensfördelar, processoptimering eller bara att svara på specifika frågor. Dessutom finns det också ämnen som framtida lönsamhet - vilket är en fråga för mycket etablerade finansföretag, till exempel. Dessa företag vet ofta inte ens vilken potential som ligger i deras data och kommer med en enkel förfrågan: "Vi skulle vilja prova vad som kan förbättras med Machine Learning i vårt företag"

Låt mig göra svaret mer konkret med några exempel:

• I investeringsfonder finns det ofta en motivation att ge investerarna mer säkerhet och därmed naturligtvis att utveckla en konkurrensfördel. I en värdeinvesteringsstrategi kan detta till exempel vara att lägga till en maskininlärningsmodell som en ytterligare kontrollinstans
• När det gäller analyser inom M&A-rådgivning kan prognoser till exempel ta hänsyn till betydligt fler påverkansfaktorer och därmed ge köparen mer information om det potentiella målet.

Jag kan fortsätta den här listan hur länge som helst:

• AI-driven automatisering kan dessutom leda till minskade arbetskraftskostnader och ökad produktivitet, vilket resulterar i betydande kostnadsbesparingar för företagen.
• Att integrera ML i din verksamhet kommer att leda till ökad effektivitet. ML-verktyg kan automatisera repetitiva och tidskrävande uppgifter, så att personalen kan fokusera mer på viktiga och värdeskapande uppgifter.
• Förbättrad Produktutveckling / Förbättrad portföljstrukturering
• Skalbarhet (AI-drivna verktyg kan hantera stora mängder data och uppgifter utan mänsklig inblandning)
• Konkurrensfördelar (AI-verktyg kan leda till innovativa produkter)
  Riskhantering
• Personaliserad kundupplevelse / förbättrad kundsupport
  Prediktiv analys

Jakub: Låt oss gå vidare med det ämnet - vilka är några populära användningsområden?

Sebastian: Några av de mest använda är:

• Identifiering av nya kunder
• Personlig kundupplevelse
• Automatisering av kundservice: Identifiering av risk för kreditmisslyckande / kreditriskbedömning
• Upptäckt av bedrägerier
• Regulatorisk efterlevnad
• Signalidentifiering för aktiemarknadspriser, valutor och råvaror
• Prisprognoser
• Identifiering av marknadsrisker
• Stresstester
• Portfölj-Optimering

Jakub: Hur kan maskininlärning integreras i FinTechs?

Sebastian: Det är viktigt att börja med affärsplanen och de nuvarande processerna. Detta verkar vara uppenbart, men det är vanligt att denna punkt är helt underskattad och ofta missas.

• Definiera användningsfall/affärsfall
• Kontrollera nuvarande processer och sätt upp relevanta mål
• Definiera relevanta, tillgängliga och nödvändiga data
• Datainsamling och förbearbetning
• Uppsättning av modell och infrastruktur
• Val av modell
• Funktionsteknik
• Modellutbildning
• Utvärdering av modell
• Utplacering
• Rapport / Utgångsdesign
• Generering av rapporter
• Tolkning av resultaten
• Kontinuerlig övervakning och underhåll

Jakub: Om man tittar på din erfarenhet - hur svårt är det att integrera maskininlärning i FinTech-företagens processer?

Sebastian:

• Allt beror på datatillgänglighet och datakvalitet.
• Robust IT-infrastruktur och datorkraft behövs.
• Personalresurser med rätt kompetens och kunskap
• Datasekretess och datasäkerhet måste alltid beaktas.
• Att integrera ML i givna processer kan leda till att det behövs uppdateringar av den aktuella processen.
• Det kan vara svårt att förstå resultaten och tolka dem på rätt sätt.
• Modellerna måste testas och kontrolleras kontinuerligt.
• Kontinuerlig övervakning och underhåll.

Det kan låta mycket, men många av dessa uppgifter kan standardiseras och automatiseras. Och när de väl har integrerats uppväger fördelarna snabbt ansträngningen.

Jakub: Det du har nämnt tidigare väcker en fråga - hur anpassningsbara är maskininlärningsmodeller till föränderliga miljöer?

Sebastian: Modeller för maskininlärning är mycket anpassningsbara och måste kunna reagera snabbt på föränderliga miljöer. De kan anpassas till föränderliga miljöer genom tekniker som omskolning på uppdaterade data, överföringsinlärning och kontinuerlig övervakning. Detta säkerställer att maskininlärningsmodellernas prestanda förblir relevanta och korrekta över tid.

Exempel: För handelsföretag.

Handelssignaler för forex eller råvaror kan förändras till exempel genom förändringar i beteendet hos andra marknadsaktörer. Vi kan se detta till exempel genom ökningen av handelsappar, men också genom mer avancerade händelser.

Av den anledningen bör företag som redan arbetar med kvantitativa metoder alltid överväga att hålla sina algoritmer uppdaterade och inkludera nya idéer.

Jakub: Sebastian Tack för ett insiktsfullt samtal. Vi är glada över att se mer tillväxt och innovation inom detta område!

Sebastian: Nöjet är på min sida, Jakub. Jag uppskattar den här plattformen eftersom den gör det möjligt för oss att diskutera de spännande framstegen inom vårt område och dess betydelse i det ständigt föränderliga digitala landskapet.