人工智能（AI）用于金融服务行业，以实现流程的自动化、增强和优化；作出更准确的预测；自主地从经验中学习。
金融领域的人工智能包括机器学习、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®.
机器学习方法分为无监督学习、有监督学习或强化学习：
- 无监督学习对于分组未标记的历史数据集和使用聚类查找数据中的模式非常有用。例如，投资者使用聚类分析构建多元化投资组合。
- 监督式学习当您有历史输入和标记输出时很有用。它推断出一个可以预测未来产出的函数，并分为两类:分类和回归。分类识别一个新观测值所属的离散标签，如贸易或不贸易，而回归用于预测一个连续值，如价格或工资。
深度学习是机器学习的一个子集，它利用神经网络并应用于机器学习问题，同时在神经网络结构中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，深度学习需要大量的历史训练数据集来建立一个稳健而准确的预测模型。例如，石油价格分布中的非线性，如波动性，可以通过神经网络模型捕捉。
强化学习通过生成所需的数据帮助缓解这一挑战。它通过反复模拟（通过尝试和错误）实现这一点，并为良好的结果提供奖励结构。其目的是学习一种“行为”，而不是尽可能精确地拟合模型。强化学习的目标是训练一个模型采取行动或做出决策，以最大化累积回报。一个金融应用是培训代理人对冲欧洲看涨期权合同并节省交易成本。
自然语言处理是金融领域的另一种人工智能技术，它使用算法从自然语言的文本数据表示中检索基本数据。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一种应用，其中新闻分析和社交媒体监控用于构建金融市场情绪度量，可用于驱动实时交易决策。其他应用包括评估交易对手信用风险和分析调查，以了解客户满意或不满意的原因。
金融领域的人工智能从业者经常使用图表对涉及复杂相互关系的数据结构进行可视化表示。图是由可以加权的节点和边组成的。由于数据以一种智能的方式连接，一个应用程序是通过识别相关资产来构建一个多样化的投资组合。
受生物进化的启发，金融业的人工智能使用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、变异和选择，以获得令人满意的收敛水平，从而随着时间的推移产生更好的交易参数。
想了解更多关于金融领域的人工智能，请看统计和机器学习工具箱™,强化学习工具箱™,深度学习工具箱™,文本分析工具箱™, 和全局优化工具箱.
