知識星球
筆者邀請您，先思考：
1 FinTech如何與機器學習融合？
金融世界處理統計資料和定量數字，使其成為機器學習（ML）的完美領域。 這種工程科學已經應用於醫療，旅遊，媒體和零售等不同領域。
與此同時，金融服務也從部署“思維”計算機系統中受益。 因此，金融機構實現了快速，可靠和準確的解決方案，以應對與資料分析，處理和解釋相關的無限範圍的任務。
金錢世界需要快速而有時立即採取行動。 因此，速度對於一家公司成為金融科技市場的主要參與者至關重要。 機器學習演演算法可以加速資料處理併為管理大量資料提供解決方案。
在金融領域使用人工智慧的另一個好處是它沒有偏見。 你會發現一臺計算機有不好意圖時，這意味著你可以信任用來交易證券的機器學習演演算法並關閉數百萬筆交易。
機器學習在金融領域的應用
機器學習的一些常見應用包括語音識別，電子郵件垃圾郵件過濾，文字處理，搜尋請求分析等。在fintech中，機器學習演演算法用於聊天機器人，搜尋引擎，分析工具和多功能移動銀行應用程式。 事實上，金融生態系統是AI實施的完美領域。 使用機器學習的公司數量持續增長，因為機器學習不是一種趨勢，而是一種強大的最佳化解決方案。 以下應用案例是本宣告的證明。
數字顧問
所謂的robo顧問執行財務專家的職能，向顧客提供建議 – 只需要沒有任何人為幹預。 該術語用於定義根據使用者風險和用途調整金融投資組合或投資計劃的演演算法。
根據FINRA，這些演演算法包含了幾項活動：資產分配，客戶分析，資產組合調整/再平衡，交易和稅收減免。機器人顧問觀察到的主要好處是缺乏與投資賬戶管理相關的情感因素。此外，這種電子工具比傳統投資諮詢公司便宜，這使得它對富裕程度較低的客戶更具吸引力。
今天，我們可以觀察到適用於交易需求的機器學習解決方案數量的大幅增長。傳統的演算法系統缺乏像機器學習那樣，能夠根據積累的經驗以適應即時的變化。有不同的演演算法最佳化策略，如深度學習，神經網路，線性回歸等等，這些都將在最先進的交易工具中實現。情緒分析（下文將會描述）是演演算法交易中機器學習的另一個秘密武器，這是眾多對沖基金高度估量的。
貿易公司可以使用數百種ML演演算法，並可以將它們用於特定的工作。標的的範圍包括交易預測，策略引數的確定，市場行為的分析等。例如，構建決策模型需要決策樹演演算法;回歸演演算法可以用來解決回歸問題和變數之間的形狀關係。 Quants選擇ML和AI系統作為用於估算投資和風險的多種用途的有用工具。
安全和欺詐檢測
不幸的是，欺詐活動與金融科技公司一起發展。考慮到這一點，確保客戶的資料安全性是任何金融服務提供商的基本標的。 儘管聽起來似是而非，但當代移動銀行應用程式和相關軟體的出現引發了新的欺詐形式。 因此，基於一套固定規則和政策的傳統安全系統讓位於基於機器學習的欺詐檢測解決方案，這些解決方案部署風險因素經驗以適應新的潛在威脅。
承保
銀行，保險或證券承保是基於機器學習的金融技術的最佳利基。 通常，大型承銷商擁有整個部門和眾多工作人員來處理潛在風險的分析和評估，以確保申請人及其資產的安全。 但是，定製演演算法可以處理與客戶個人資料相關的大量日常任務，以及信用信譽和保險歷史。
機器學習在保險行業變得越來越流行，因為公司有能力開發處理海量資料的高階演演算法。 不幸的是，小公司財力有限，加入這一趨勢似乎仍然是一個夢想。
客戶服務
自動化客戶服務可能會產生負面影響，因為並非所有客戶都樂意聽錄音並遵循語音提示。但是，用於客戶服務的人工智慧提供了完全不同的體驗。會話介面和數字助理能夠將客戶指引到適當的主管或部門，以及以人為的方式回答關於特定時期的平衡狀態或付款報告的罕見問題。最令人難以置信的是，不需要人工互動。 AI技術能夠識別樣式和行為，並瞭解和響應獨特的請求。
情緒分析
這個術語可以解釋為對資訊進行徹底分析以確定情緒語氣並理解某個主題背後的意見。情緒分析具有廣泛的應用範圍，從建立對產品/服務的社會情緒的理解到對交易和股票價格的估計進行預測。
憑藉ML演演算法提供的功能，情感分析的質量和準確度顯著提高。當然，我們並沒有聲稱機器學習可以與所謂的人類第六感（只有人類有直覺）相比，但是這項技術提供了令人興奮的可能性。
最常用機器學習的金融科技解決方案分類
由於金融科技被定義為金融交易技術概念的使用，其生態系統涵蓋廣泛的類別，包括支付，保險，投資，貸款等。以下選項是利用機器學習最有前景和投資吸引力的部分。
付款和匯款
創新支付是電子商務發展和全球化發展不可或缺的組成部分。全球範圍內使用各種電子支付方式（電子錢包，支付卡，移動應用程式等）進行的數字支付和匯款數量達到數十億。透過機器學習，支付和匯款部門可以快速安全地處理一堆交易。
例如，線上支付服務Klarna使用ML技術來構建可區分真假使用者交易的防欺詐模型。新的和現有的商家也進行了分析，以儘量減少可能的風險和最佳化效能。
此類別的另一個代表TransferWise是一種點對點匯款服務，它利用人工智慧優勢進行宣告式基礎設施管理並防止金融犯罪。
貸款和融資
P2P借貸排除了銀行或信貸公司的任何必要性，因為普通人可以在沒有任何中間人的情況下進行直接貸款交易。藉助線上P2P借貸服務Kabbage，您可以藉助膝上型電腦或智慧手機借錢。應用程式中實施的ML演演算法分析公開個人資料資料和其他資訊以確定申請人的資格。此外，投資組合分析和信用風險模型也是基於人工智慧的進步。
零售銀行
電子銀行業務可能是這一類別中最先進的創新應用。與此同時，銀行將機器學習技術用於眾多目的，包括客戶體驗，運營效率，預算最佳化，隱私保護等。
Ally是首批將機器學習視為與銀行管理相關的交易以及保護其客戶的基本工具的美國銀行之一。同時，欺詐保護並不是ML的唯一用途。移動銀行使用者體驗已經變得更加完善，因為該技術可以預測客戶想要做什麼。
全球領先的金融服務公司摩根大通應用ML技術設計了一個分析特定資料和檔案的COiN平臺。幾秒鐘的自動化任務取代了數千小時的手動分析。
保險
保險行業的特點是承保和決策過程所需的大量資料。就此而言，該行業被認為是機器學習最具吸引力的領域之一。目前，包括數字助理，保險市場分析和駕駛員表現監控在內的三項應用領先。
Liberty Mutual是美國多元化的全球保險公司，它將人工智慧優勢應用於開發新的損害評估應用程式。它使用移動裝置相機提供對車輛損壞的實時分析。該應用程式的ML模型基於多個車輛碰撞影象來估計維修成本。
保險科技並非完全由大公司主導。許多先進的創業公司經常新增不常見的功能。例如，一家義大利虛擬保險代理商Neosurance宣稱機器學習系統與IoT之間的互動能夠分析和瞭解客戶的相關資訊。因此，使用智慧手機進行保險刷卡就足夠了。
區塊鏈和加密貨幣
區塊鏈被認為是未來幾年最有前途的技術。加密貨幣的最初用途遍及不同行業和企業的其他應用程式。透過區塊鏈，Fintech獲得了巨大的發展潛力，並且變得更加高效。機器學習可以被認為是該技術的助推器，因為它們的融合可以確保對大量資料的快速分析。而且，如果鏈條受人工智慧支配，安全性也會提高。
例如，當它面臨使用者驗證緩慢的麻煩時，處理加密電子貨幣交易的知名服務Coinbase選擇了一個新的基於ML的身份驗證系統，。現在，透過該服務購買/銷售Ethereum和Bitcoin等數字貨幣比以前更安全。
機器學習在金融服務中如何工作？
我們已經討論了AI和ML的應用和分類，並且找到了“如何使用機器學習”這個問題的答案。但是，該技術的實際工作原理引起了人們的高度興趣。
任何ML系統由三部分組成 – 模型，引數和學習者。 模型是最初的，這將是進一步預測的基礎。 但是，為了進行計算，模型需要設定引數。 所有這些都包含在一個數學方程中以獲得初始輸入。 例如，在慢跑上花費一定時間會導致特定的熱量減少：
-
1小時= 1100千卡
-
30分鐘= 550千卡
-
15分鐘= 225千卡
等等
模型已設定，但實際生活中的輸入可能會不同，從而觸發學習部分。 ML系統中的學習者使用基於設定引數和模型的特定演演算法來建立預測。 它著眼於偏差並調整最初的假設：
-
1小時= 1200千卡
-
30分鐘= 600千卡
-
15分鐘= 300千卡
等等
新的預測被形成。
機器學習包括三個分支 – 強化，監督和無監督學習。 第一個規定透過培訓進行學習，而監督/無監督的選擇則更為複雜。 在監督學習中，該程式根據預先設定的輸入和輸出使用試錯法進行預測。 在無監督學習中，輸出是未知的，程式的任務是在資料中查詢樣式。
總而言之，機器學習系統的基礎演演算法必須找到輸出和輸入資料之間的關係。
人工智慧對金融科技未來的影響
今天，銀行，保險，眾籌和其他領域清楚地看到了技術創新的效果。 接下來會發生什麼？ 演演算法交易和其他金融行業應用的未來正在趨於計算機的人性化。 資料處理正在轉向更先進的水平，數字助理將成為全面的勞動力資源，傳統的貨幣服務將逐漸淡化。 我們在機器學習金融服務的新時代的門檻上。
Railsware的機器學習經驗
我們Railsware在我們的工作中使用機器學習技術的好處。目前，監督（線性和邏輯回歸，支援向量機）和無監督（異常檢測，k-means）學習是我們用來構建預測，進行資料分類，建議和集體過濾的基本演演算法。但是，我們正在研究神經網路和更複雜的應用（如影象/樣式識別，時間序列預測，函式逼近和聚類）的監督學習。
我們實施機器學習演演算法的Railsware的fintech專案之一是Quorso，一種SaaS解決方案，透過分析他們的財務資料幫助公司提高利潤。這個B2B平臺充滿了包括預測ML在內的創新技術。根據盈虧分析實施的推薦系統並提供建議。
結論
未來已經在我們身上，在金融領域實施機器學習也見證了這一說法。而Railsware正是以它為中心，透過開發眾多金融科技解決方案為當代工業革命做出貢獻。您可以並且應該跟上時代的步伐，並簡化最先進的金融科技創新。
作者：Zakhar Yung
原文連結：
https://railsware.com/blog/2018/05/14/fintech-machine-learning-all-you-need-to-know/
版權宣告：作者保留權利，嚴禁修改，轉載請註明原文連結。
資料人網是資料人學習、交流和分享的平臺http://shujuren.org 。專註於從資料中學習到有用知識。
平臺的理念：人人投稿，知識共享；人人分析，洞見驅動；智慧聚合，普惠人人。
您在資料人網平臺，可以1）學習資料知識；2）建立資料部落格；3）認識資料朋友；4）尋找資料工作；5）找到其它與資料相關的乾貨。
我們努力堅持做原創，聚合和分享優質的省時的資料知識！
我們都是資料人，資料是有價值的，堅定不移地實現從資料到商業價值的轉換！
加入資料人圈子或者商務合作，請新增筆者微信。
點選閱讀原文，進入資料人網，獲取資料知識。
公眾號推薦：
鏈達君，專註於分享區塊鏈內容。
腳印英語，專註於分享英語口語內容。
