细数机器学习在金融领域的七大应用

机器学习是市场的新趋势，新油田，新黄金！从概念价值的角度来看，把机器学习与任何创新相比都不为过。但是它在金融领域如何发挥呢，应用的现状又到了什么阶段呢？

我们都知道，银行存储了全部的信息，包括客户的交易记录，与客户的沟通信息，内部信息，这些信息占用的存储空间已经达到了Tera级，有些甚至到了PB级。现在，大数据技术可以解决像这样的大规模数据存储和处理的问题：数据量越大，就越能够探查到客户的需求和行为模式。在大数据的基础之上，通过人工智能和机器学习算法，利用相关软件学习客户的行为并做出自主决策。

是不是感觉很厉害？接下来我们就看一下，看看机器学习和大数据能够为金融带来什么样的力量。

机器学习在金融行业的应用案例

确定银行最佳选址

信息是21世纪的黄金，机器学习和大数据技术利用信息来呈现客户的重要信息。在融资方面，收集每个客户的信息是必须要做的事情。最常见的例子是在ATM上进行的常规操作。银行通过采集并处理客户的所有操作信息来预测客户的行为，在下次访问时，客户无需再进行搜索和输入号码，点击一个按钮就能够立即进行常规操作。

使用大数据获得的信息可用于创建和操作引擎，从而用来确定开办实体银行的最佳位置。金融机构收集一个城市中客流量最大的一些区域，访问这些区域的时间，客户所在的商店，最大和最小客户数量的信息。通过对这些信息的处理预测，选择获益最大的位置来开办实体银行（顺便说一句，不只是银行可以采用这种方式选址）。选址对企业或商户的收益如此重要，你肯定也会觉得这是一个非常好的应用场景。

通过机器人投资顾问为客户寻找最佳解决方案

机器人投资顾问就像没有自我意识的虚拟助手。机器人投资顾问本质上是在考虑客户盈利目标和风险承受能力的前提下，为客户选定和调整金融投资组合的一系列算法。

以下是机器人投资顾问如何运作的一个示例：客户输入其目标（例如，在60岁时退休，节省300,000.00美元），年龄，收入和当前金融资产情况。机器人投资顾问为了实现客户的目标，通过机器学习算法在不同的资产类别和金融工具之间进行投资的配比。

目前，提供这类服务的公司有：Betterment、Schwab Intelligent Portfolios。

将算法交易转变为智能交易

算法交易是这样一种交易，它可以利用软件根据预先设定的交易标准（如时间，价格，交易量等），下达交易订单。算法交易允许在没有人为干预的情况下进行交易。

机器学习技术提供了一套新的多样化工具，使算法交易不仅仅能够自动化执行。在机器学习（ML）的情况下，算法可以通过学习其他算法（即规则）的目标，并基于数据实现目标，例如最小化预测误差。机器学习算法的设计能够通过分析历史市场行为，确定最佳市场策略，使交易预测更准确。

目前，提供这类服务的公司有：Renaissance Technologies、Walnut Algorithms。

风险管理和反欺诈

风险管理和反欺诈是目前银行最热门的2个主题，这类项目首先应用机器学习和大数据等创新技术来解决。银行通过机器学习和大数据技术，计算所有可能的风险和欺诈者，并在第一次怀疑时丢弃它们。

机器学习驱动的欺诈检测系统的主要优点是它不只是遵循风险因素清单 – 还能够积极地学习和校准新的潜在（或真实的）安全威胁。

应用机器学习技术，系统可以检测特殊或异常的行为，并为安全团队标记它们。欺诈检测系统面临的挑战是避免误报， 被标记为“风险”的风险不是真正的风险。

目前，提供这类服务的公司有：Kount、APEX Analytics。

延长客户对银行服务的依赖

除了访问用户经济活动数据之外，银行还通过获取外部数据，如来自社交网站的数据或客户在线行为的分析，并将这些信息添加到客户的行为体系中。通过这些大数据信息的分析，银行能够挖掘大量新的机会。例如，如果客户在评论中讨论到可能购买新车，银行就可以提供客户想要的贷款优惠策略，并立即通过电子邮件发送给他。

决定与客户的最佳沟通方式

不同客户偏好使用的沟通方式是不同的，例如社交媒体，电子邮件或即时消息。银行必须选择与不同客户沟通的最佳方式，并通过客户偏好的方式发送提醒，新的产品推送以及联系客户。这样，不光客户能够及时了解到银行的消息， 银行也能减少通过其他方式联系客户的费用。

客户流失预警

通过分析关于客户的内外部数据，可以预测客户是否有流失风险。例如，如果客户长时间没有访问银行的分支机构，不登录网站，也没有订阅社交网站中银行的其他更新，则可以预测客户可能会流失。这种情况下，银行通过推荐客户想要的产品或优惠来留住客户是非常重要的。