金融中的 AI

金融服务行业使用人工智能 (AI) 实现流程自动化、增强和优化，做出更准确的预测，并从经验中自主学习。

人工智能在金融领域的应用包括机器学习、深度学习、自然语言处理、图算法、进化学习和其他技术。您可以通过 MATLAB^® 应用这些技术。

机器学习方法分为无监督学习、有监督学习和强化学习等类型：

• 无监督学习可用于通过聚类对未标注的历史数据集分组、寻找数据中的规律。例如，投资者使用聚类分析建立多样化的投资组合。
• 有监督学习则适用于有历史输入和标注输出的情形。该方法推断出一个分类函数或回归函数，用于预测未来输出。分类函数可标识新观测值所属的离散标签，例如交易或不交易；回归函数可用于预测连续值，例如价格或工资。

深度学习是机器学习的一个分支领域，它使用神经网络来解决机器学习问题，可在神经网络架构内同时执行特征提取和预测。这种方法不需要在开发预测模型之前执行特征提取。此外，深度学习需要大量历史训练数据集来构建稳健而准确的预测模型。一个应用场景是使用神经网络模型捕获石油价格分布中的非线性，如波动率。

强化学习可以生成所需数据，从而缓解了数据不足问题。具体做法是进行重复模拟（反复试错），并针对好的结果应用奖励机制。其目的是学习一种“行为”，而不是拟合出一个预测准确度最高的模型。强化学习的目标是训练模型采取行动或做出决策，以使累积奖励最大化。一个金融应用场景是训练智能体来对冲欧式看涨期权合约并节省交易成本。

自然语言处理也是人工智能在金融领域的应用，它使用算法从自然语言的文本数据表示中检索关键数据。主要应用场景包括文本生成、文本分类、情感分析和主题建模。

情感分析是自然语言处理的一种应用场景，它利用新闻分析和社交媒体监测来建立金融市场的情绪度量，据此来推动实时交易决策。其他应用场景包括评估交易对手信用风险，以及分析调查问卷，从中了解影响客户满意度的原因。

对于人工智能在金融领域的应用，业内人士通常运用图论以可视化方法表示涉及复杂相互关系的数据结构。图由可以加权的节点和边组成。由于数据以智能方式发生联系，应用场景之一便是通过识别相关资产来构建多样化的投资组合。

受生物进化论的启发，人工智能在金融领域的应用还使用进化或遗传算法来开发新的预测方法和高端交易系统。迭代过程包括杂交、变异和选择，旨在获得令人满意的收敛水平，从而在一段时间后得出更好的交易参数。

如需进一步了解人工智能在金融领域的应用，请参见 Statistics and Machine Learning Toolbox™、Reinforcement Learning Toolbox™、Deep Learning Toolbox™、Text Analytics Toolbox™ 和 Global Optimization Toolbox。