人工智能（AI）在金融服务行业中使用自动化，增强和优化流程;作出更准确的预测;并自主地从经验中学习。
AI在金融包括机械性学习的，深度学习，自然语言处理，图形算法，进化学习，和其他技术。您可以使用MATLAB应用这些技术®。
机器学习方法被归类为无监督学习，监督学习，或强化学习：
- 无监督学习为分组未标记的历史数据集，并使用聚类数据中寻找模式是有用的。例如，投资者利用聚类分析，建立多元化的投资组合。
- 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。
深学习，学习机的子集，利用神经网络和被施加到机器学习问题的神经网络结构内同时进行的特征提取和预测。这种方法消除发展的预测模型之前进行特征提取的需要。此外，深学习需要大量的历史训练数据集建立一个强大和精确的预测模型。例如，在石油价格分布非线性诸如波动是由神经网络模型捕获。
加强学习有助于生成所需要的数据缓解这一挑战。这是通过重复模拟（通过试验和错误）与回报结构为好结果。它的目的是学习的“行为”，而不是安装具有尽可能高的精度模型。强化学习的目标是培养模型来采取行动或做出决策，以最大限度的累积回报。一个财务应用是培养代理人，以对冲的欧式看涨期权合约，节省交易成本。
自然语言处理，人工智能另一个在金融技术，采用算法来从自然语言的文本数据表示基本数据。它的主要应用是文本生成，文本分类，情感分析和主题建模。
情绪分析是自然语言处理的应用中的新闻和监视社交媒体的分析，用于对金融市场的信心建立措施，可以用来驱动实时交易决策。其他应用包括评估交易对手信用风险和分析调查，以了解为什么客户满意或不满意。
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。
通过生物进化的启发，AI在财政用于进化或遗传算法来开发新的预报技术和先进的交易系统。迭代过程包括交叉，变异和选择得到收敛的一个令人满意的水平，从而获得更好的交易参数随着时间的推移。
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。
