机器学习在金融领域有哪些应用?
译者 | AI100
由于交易量比较大，交易历史数据精确完备，以及金融领域的量化分析特点，金融领域是比较适合人工智能技术应用的领域。现在机器学习已经成为金融生态中不可或缺的组成部分，从贷款审批到资产管理，到风险评估。但是，很少有专业人士能够准确地知道机器学习在日常金融中的应用。小编在Quora上提取了关于这个问题的一些针对性的回答。
Question：In which areas in banking/finance is machine learning used?
4 Answers
Afzal Ibrahim：产品开发、风险管理、欺诈分析、金库(treasury)——CRM(客户关系管理系统)、现货交易客户细分;
John Hodge：ML(机器学习)和聚类分析非常重要，它能帮助银行在以往数据的基础上，找到影响信贷可靠性和违约概率的决定性因素;
Anonymous：交易、资产组合管理、风险管理;
Greg Grimer：机器学习正被应用于消费借贷。
Answer 1：Afzal Ibrahim，银行业的技术人员
银行业需要强大和更优的智慧，绩效管理部门是时候应该消失了——因为他们还在人为的进行数据挖掘，并且处处依赖excel文件。效率实在太低了!
我觉得在以下几种可能的情况下，机器学习在银行业大有用武之地。
产品开发——知道要卖什么，何时卖，卖给谁
通过结合不同产品、消费者行为和多种多样的渠道来建立完美的价值主张是银行业面临的主要挑战之一。通过恰当的数据挖掘——恰当的数据挖掘可以提供灵活且一体化的方法用来了解顾客购买习惯、购买渠道和关键影响因素——来设计新的产品和服务，最终提供给恰当的顾客。以上这些，对于银行销售来说非常关键。
对新生代银行业而言，应用机器学习提供个人订制化产品是关键。某种银行产品的购买倾向是一个银行家销售产品和服务的关键业绩指标(KPI)。
风险管理——了解顾客的信贷价值
对银行来说，在为顾客提供产品和服务之前，基于其国籍、职业、薪资区间、个人经历、工作行业和信用历史等来对顾客进行风险评分是至关重要的。风险评分是银行最终决定提供给客户多少利息以及其它相关产品行为的重要业绩指标(KPI)。
近来，“即时地”引入一个处于中心地位的、综合性的金融和风险机制成为了主要的难题。即使是现在，由于对顾客风险评分的预测效率低下，银行并不能即时的对相关财务做出审批。
欺诈分析
银行面临的另一大难题是欺诈行为。或许，银行业最大的机遇之一就在于在线欺诈检测，通过分析手段和机器学习的方法，最终获得对顾客的完整的认识。识别数据形态，将信息整合到一起，然后从普通的行为活动中分辨出欺诈行为。
金库(treasury)——CRM(客户关系管理系统)、现货交易
CRM在零售银行业务中非常突出。但在银行金库中，则几乎不存在客户关系管理。金库有多种多样的产品选择，比如固定收益(FX)、期权、互换、远期，更重要地，还有现货。通过整合这些复杂的产品、客户风险因素、市场和经济行为和信用历史，来实现线上交易，对银行来说几乎是一个遥远的梦想。在即时风险评测的支持下，用机器学习来整合一个强大的汇率定价方式(exchange rate pricing )，最终把交易搬到线上——哇，这将会非常惊艳!
客户细分
当今世界上，既有20世纪60年代到70年代出生的人、也有20世纪80年代到90年代出生的人，还有千禧年出生的人，以及我们这些最传统的一代。可以说，银行业领域真的非常需要将顾客按照不同的群体进行细分。银行业需要搜集和分析现有的数据，同时用大数据技术从源数据中挖掘信息，努力把客户分门别类，从而支持其销售、宣传和市场营销活动。
不管机器学习能带来多么新鲜的见解，最终只有我们人类的管理者才能决定最重要的问题，比如公司真正要解决的关键商业问题。
嗨，银行，你都已经是一个数学库了，为何不将机器学习添加进来呢?
Answer 2：John Hodge，上过优化技术和机器学习的研究生课程
我不是银行或金融领域的专家，但我了解一点机器学习。ML(机器学习)和聚类分析无疑非常重要，它能帮助银行在以往数据的基础上，找到影响信贷可靠性和违约概率的决定性因素。简而言之，找到哪些因素能最显著地影响个人或企业的偿债能力，这是很有用的。
对冲基金和HFT(高频交易)公司当然也会运用机器学习。然而，我觉得最好还是让某个在金融业工作的人基于他的真实经历，为这个问题给提供一个更清晰的答案。
与此同时，我非常有兴趣了解更多机器学习的应用。
Answer 3：Anonymous
除了Greg指出的，ML(机器学习)也用于：
- 交易(用于建立价格、波动率的预测模型)
- 资产组合管理(作为alpha的来源)
- 风险管理(尝试并得到更好地预估风险)
可以说ML目前在金融中非常有诱惑力。
Answer 4：Greg Grimer
机器学习正被应用于消费借贷。目前，Wonga、许多大型消费者贷款机构业、非银行小型商业贷款公司以及发票保付公司都在使用信用评分、信贷征收算法和市场分析智能，以观察他们的市场投入通过多种渠道带来新的发现并最终引来新商机的。
一旦对相关的算法做出调整(微调)，信用评分系统将会非常精确，以至于信贷机构的评分只能占到总体评分的15%，这个总评分的基础是成百上千的潜在数据源中的数据。
零售银行正围绕新想法工作，但他们像木头一样保守，比那些灵活进取的小企业至少落后3-5年，因为这些小企业没有受官僚制度和既有的后台系统的拖累。银行只会采纳万无一失的决策。
然而，最终这些算法只能达到他们所“学习”的数据的质量，因此有更多历史数据的公司将在这些技术的应用上处于优势地位。
36大数据(www.36dsj.com)成立于2013年5月，是中国访问量最大的大数据网站。36大数据(微信号:dashuju36)以独立第三方的角度，为大数据产业生态图谱上的需求商 、应用商、服务商、技术解决商等相关公司及从业人员提供全球资讯、商机、案例、技术教程、项目对接、创业投资及专访报道等服务。
End.
转载请注明来自36大数据（36dsj.com)： 36大数据» 机器学习在金融领域有哪些应用?