[[198507]]

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生活中發(fā)揮作用的。

機器學習是什么？

機器學習是設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，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。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，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。基于經(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：

1. 確定公司系統(tǒng)中的可用變量

2. 定義利息期和樣本大小

3. 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，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，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 - 私人財務助理：聊天機器人可以擔當財務顧問，成為個人財務指南，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)設施需求、業(yè)務模型靈活性等原因，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。