人工智能（AI）用于金融服务业，自动化，增强和优化流程;做出更准确的预测;自主学习经验。
II在金融中包括机器学习，深度学习，自然语言处理，图形算法，进化学习等技术。您可以使用MATLAB应用这些技术®。
机器学习方法被分类为无监督的学习，监督学习或加强学习：
- 无人监督的学习对于使用群集分组未标记的历史数据集并在数据中查找模式是有用的。例如，投资者使用群集分析来构建多元化的投资组合。
- 监督学习当您具有标记输出的历史输入时，很有用。它是一个可以预测未来输出的函数，并分为两类：分类和回归。分类确定了一个离散标签，其中新的观察属于贸易或不交易，而回归用于预测连续价值，例如价格或薪水。
深度学习，一种机器学习子集，利用神经网络，并应用于机器学习问题，同时在神经网络架构内执行特征提取和预测。该方法消除了在开发预测模型之前执行特征提取的需要。此外，深度学习需要大量的历史培训数据，以构建一个坚固且准确的预测模型。例如，通过神经网络模型捕获了油价分布的非线性，例如波动性。
加强学习通过生成所需的数据，帮助缓解这一挑战。它通过重复模拟（通过试验和错误）来实现这一目标，以获得良好的结果。它的目标是学习“行为”，而不是用最高的准确性拟合模型。加强学习的目标是培训模型采取行动或做出决策，以最大限度地提高累计奖励。一个财务申请是培训代理人来对冲欧洲呼叫期权合同并节省交易成本。
自然语言处理，另一种在金融技术中的AI，采用算法从自然语言的文本数据表示中检索基本数据。其主要应用是文本生成，文本分类，情绪分析和主题建模。
情绪分析是一种应用自然语言处理，在这种情况下，社会媒体的新闻和监测分析用于构建金融市场的情感措施，可用于推动实时交易决策。其他申请包括评估交易对手信用风险，并分析调查以了解客户满意或不满意的原因。
AI在金融中的从业者通常使用图表来对涉及复杂相互关系的数据结构的视觉表示。图表由可以加权的节点和边缘组成。由于数据以智能方式连接，因此一个应用程序是通过识别相关资产来构建多样化的组合。
灵感来自于生物进化，AI在金融中使用了进化或遗传算法来开发新的预测技术和复杂的交易系统。迭代过程包括交叉，突变和选择来获得令人满意的收敛程度，导致随着时间的推移更好的交易参数。
有关II在金融的更多内容，请参阅统计和机器学习工具箱™那加固学习工具箱™深度学习工具箱™文本分析工具箱™和全局优化工具箱。
