沒有人的生活可以脫離金融而獨立存在，雖然隨著科技的發(fā)展，人們變得越來越聰明，但金融是生活的基本必需品，因為每個人都需要錢來吃飯、旅行和買東西。目前已經(jīng)形成了一個人與機器協(xié)同合作的金融市場，而人們正發(fā)明越來越多的方法來拖欠貸款、從其它賬戶偷錢、制造虛假信用評級等。今天，從審批貸款到資產(chǎn)管理，再到風險評估，機器學習在金融生態(tài)系統(tǒng)的許多階段都起著不可或缺的作用。然而，只有少數(shù)懂技術(shù)的專業(yè)人士真正明白機器學習是如何在人們的日常財務(wù)生活中發(fā)揮作用的。
機器學習是什么？
機器學習是設(shè)計與應用算法的科學，構(gòu)建算法可從數(shù)據(jù)中進行學習和預測。機器學習的應用在今天已很普遍，你可能每天不知不覺中使用了幾十次。機器學習也提供了大量的用例，比如自動駕駛汽車、產(chǎn)品推薦引擎、預測分析、語音識別等等。數(shù)據(jù)科學家使用機器學習的主要目的是減少人類工作量，將人類在閱讀、理解、分析大數(shù)據(jù)上的時間花費減少到幾秒鐘。
實施機器學習最常用的兩種方法是監(jiān)督學習和無監(jiān)督學習。監(jiān)督學習算法使用帶標簽的例子進行訓練，輸入數(shù)據(jù)對應的輸出結(jié)果是預先可知的。而在無監(jiān)督學習中，學習算法沒有任何標簽可使用，只能自己發(fā)現(xiàn)輸入數(shù)據(jù)中的結(jié)構(gòu)。
金融業(yè)中的機器學習特色？
與機器相比，大腦容量對思維有一定的限制作用。人類最多只能同時集中處理 3-4 件事情，而機器的處理能力是人類的幾千倍。除了速度，在金融領(lǐng)域的其他方面，機器也將比人類表現(xiàn)得更好。
可靠性：在處理財務(wù)問題時，建立個體信用評級系統(tǒng)是十分必要的。銀行、投資公司、股票市場每天都要進行多達數(shù)十億美元的交易。因此，我們必須信任處理此事的公司或個人。由于人性中可能存在的偏見和自私，有些人往往會在金錢交易過程中進行詐騙。為了解決這類問題，嵌入了機器學習的機器在處理請求時可以做到零腐敗。
速度：我們都知道在股票市場進行股票交易非常困難。人們通常在歷史數(shù)據(jù)、圖表和公式中進行大量的分析，以預測股票的未來，還有些人僅僅是隨機下注。所有這些行為聽起來都十分忙亂且耗時。機器學習算法能夠?qū)Τ汕先f個數(shù)據(jù)集進行精確的深入分析，并可以在短時間內(nèi)給出簡潔準確的預測，有助于減輕人們在大數(shù)據(jù)整理和分析方面的麻煩。
安全：此前，勒索軟件 WannaCry 攻擊了世界各地的計算機，這表明，我們?nèi)匀灰资芎诳秃途W(wǎng)絡(luò)安全方面的威脅。機器學習則通過將數(shù)據(jù)分為三個以上的類別，建立模型，以此預測欺詐或異常情況。而手工審查成本高、耗時長、誤報率高，并不適用于金融業(yè)。
精度：人們沒有能力或不喜歡做重復單調(diào)的任務(wù)，這種重復勞動往往會產(chǎn)生許多錯誤，而機器可以在無限時地執(zhí)行重復任務(wù)。機器學習算法會做數(shù)據(jù)分析的苦活，并在人類需要的情況下推薦新策略，還能夠比人類更有效地檢測到微妙的或非直覺的模式，從而識別出欺詐交易。此外，無監(jiān)督機器學習模型可以不間斷地分析和處理新數(shù)據(jù)，然后自動更新自身模型以反映最新趨勢。
如何在信用評分中應用機器學習？
即使銀行極度謹慎并認真核實公司信譽，但跨國公司拖欠銀行債務(wù)，在金融領(lǐng)域似乎依然是一個普遍的現(xiàn)象。一些金融機構(gòu)利用評分模型來降低信貸評估、發(fā)放和監(jiān)督中的信貸風險?；诮?jīng)典統(tǒng)計理論的信用評分模型得到了廣泛應用。然而，當涉及到大量的數(shù)據(jù)輸入時，這些模型的彈性表現(xiàn)較差。因此，經(jīng)典統(tǒng)計分析中的一些假設(shè)就不能成立，這反過來又影響了預測的準確性。
根據(jù)客戶的國籍、職業(yè)、薪酬、經(jīng)驗、行業(yè)、信用記錄等信息來確定客戶的信用風險評分，甚至是在向客戶提供任何服務(wù)之前就進行此類評定，這對銀行來說至關(guān)重要，這是銀行在提供信貸或其它金融產(chǎn)品之前一個重要的關(guān)鍵績效指標（KPI）。
引入一個可以立即為客戶服務(wù)的中央集成的金融風險機制是目前面臨的主要挑戰(zhàn)。即使是現(xiàn)在，由于無法預測客戶的風險評分，銀行也無法立即通過貸款審批。機器學習則可以加快放貸過程，且能避免耗時而必要的盡調(diào)程序。回歸算法可以確定客戶的信用評分，這些算法使用統(tǒng)計過程來估計變量之間的關(guān)系，在預測和預報方面得到了廣泛的應用，在機器學習領(lǐng)域的應用也得到了迅速的發(fā)展。這種方法的第一步是定義客戶歷史信用記錄的可用性，然后選擇目標人群，并確定基準來界定滿意/不滿意的表現(xiàn)。這部分將作為回歸算法啟動操作的基本數(shù)據(jù)集。下一步則是選擇樣本，選擇標準如下：
確定公司系統(tǒng)中的可用變量
定義利息期和樣本大小
驗證數(shù)據(jù)的一致性和完整性
所選的可能的零散信息也被稱為人口統(tǒng)計學變量：性別、年齡、職業(yè)、公司、教育、婚姻狀況等，一般推薦登記時長為 12-18 個月的客戶樣本。這段時間足以檢查延遲付款和違約的情況，且能鞏固優(yōu)質(zhì)客戶的支付行為模型。
通過變量選擇、變量屬性分組以及創(chuàng)建虛擬變量，則可以進行初步分析。使用列聯(lián)表來計算與獨立變量級別相關(guān)的相對風險（RR）指數(shù)，最后計算各個單一變量級別的優(yōu)質(zhì)客戶與劣質(zhì)客戶之比。比例越大，該變量對未來業(yè)績的預測作用就越大。而RR 通常介于 0 到 2 之間，0 代表極劣，2 代表極優(yōu)。但是，分析過程不會使用類別為中性（Neutral）的樣本，因為其優(yōu)/劣程度相差不大。
模型的建立包括對多元統(tǒng)計技術(shù)的選擇。之后確定要使用的軟件、選擇獨立變量并檢驗技術(shù)假設(shè)，一旦數(shù)據(jù)減少到聚類級別，則可以使用判別分析、邏輯回歸和神經(jīng)網(wǎng)絡(luò)，判別分析和邏輯回歸則采用不同方法的統(tǒng)計技術(shù)。除此之外，還要對所選軟件進行有關(guān)實施與易用性分析的檢查。
最后，為了評估性能好壞，需要找出兩個樣本的 KS 檢驗。需要找出兩個集群之間的差異，比如由各自的預測結(jié)果所界定的優(yōu)/劣付款人，確定每個預測中的優(yōu)/劣付款人分布之間的差異，而 KS 測試的值是該模塊中差異最大的一個。由于從模型得到的最終結(jié)果通常介于 0-1，當結(jié)果小于 0.5 時，客戶會被定義為劣質(zhì)付款人；反之則為優(yōu)良付款人。
機器學習的其它優(yōu)點
欺詐檢測：使用機器學習進行欺詐檢測時，先收集歷史數(shù)據(jù)并將數(shù)據(jù)分割成三個不同的部分，然后用訓練集對機器學習模型進行訓練，以預測欺詐概率。最后建立模型，預測數(shù)據(jù)集中的欺詐或異常情況。與傳統(tǒng)檢測相比，這種欺詐檢測方法所用的時間更少。由于目前機器學習的應用量還很小，仍然處于成長期，所以它會在幾年內(nèi)進一步發(fā)展，從而檢測出復雜的欺詐行為。
股票市場預測：買賣股票而成為億萬富翁是常有的事，但是，如果不了解股票運作方式和當前趨勢，要想擊敗市場則非常困難。隨著機器學習的使用，股票預測變得相當簡單。這些機器學習算法會利用公司的歷史數(shù)據(jù)，如資產(chǎn)負債表、損益表等，對它們進行分析，并找出關(guān)系到公司未來發(fā)展的有意義的跡象。此外，該算法還可以搜索有關(guān)該公司的新聞，并通過世界各地的消息源來了解市場對公司的看法。此外，通過自然語言處理技術(shù)，它可以通過瀏覽新聞頻道和社交媒體的視頻庫來搜索更多有關(guān)該公司的數(shù)據(jù)。這項技術(shù)還在發(fā)展中，雖然目前還不夠準確，但可以肯定的是，在不久的將來，它將能夠作出非常準確的股市預測。
財資部（Treasury）– 客戶關(guān)系管理（CRM），現(xiàn)貨交易（Spot Transactions）：客戶關(guān)系管理（CRM）在小額銀行業(yè)務(wù)中占有十分突出的地位，但在銀行內(nèi)部的財資空間卻沒什么作用。因為財資部有自己的產(chǎn)品群，如外匯、期權(quán)、掉期交易（Swaps）、遠期交易（Forwards）以及更為重要的現(xiàn)貨交易（Spots）。線上交易需要結(jié)合這些產(chǎn)品的復雜程度、客戶風險、市場與經(jīng)濟行為以及信用記錄信息，這對銀行來說幾乎是一個遙遠的夢想。
聊天機器人 - 私人財務(wù)助理：聊天機器人可以擔當財務(wù)顧問，成為個人財務(wù)指南，跟蹤開支，提供從財產(chǎn)投資到新車消費方面的建議。財務(wù)機器人還可以把復雜的金融術(shù)語轉(zhuǎn)換成通俗易懂的語言，更易于溝通。一家名為Kasisto 的公司的聊天機器人就能處理各種客戶請求，如客戶通知、轉(zhuǎn)賬、支票存款、查詢、常見問題解答與搜索、內(nèi)容分發(fā)渠道、客戶支持、優(yōu)惠提醒等。通過長期記錄用戶的可扣除費用，還能提供潛在節(jié)流賬單。
機器學習是一項比較新的技術(shù)，鑒于數(shù)據(jù)敏感性、基礎(chǔ)設(shè)施需求、業(yè)務(wù)模型靈活性等原因，機器學習的應用有其自身缺點，但它有助于解決很多問題，且優(yōu)點大于缺點，因而受到了眾多學者和行業(yè)專家的分析，可以肯定的是，該領(lǐng)域在未來必定會出現(xiàn)更多創(chuàng)新的應用。
對世界各國來說，金融都很重要，機器學習技術(shù)比人類操作更為安全，能保護其免受威脅、改善其運營，是金融業(yè)的最佳選擇，也有助于各國更快實現(xiàn)發(fā)展和繁榮。
第三十四屆CIO班招生
國際CIO認證培訓
首席數(shù)據(jù)官（CDO）認證培訓
責編：yulina
免責聲明：本網(wǎng)站（http://www.www.gypb.net/）內(nèi)容主要來自原創(chuàng)、合作媒體供稿和第三方投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
本網(wǎng)站刊載的所有內(nèi)容（包括但不僅限文字、圖片、LOGO、音頻、視頻、軟件、程序等）版權(quán)歸原作者所有。任何單位或個人認為本網(wǎng)站中的內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，請及時通知本站，予以刪除。
搶沙發(fā)
