人工智能(AI)是用于金融服务行业自动化、提高,并优化流程;做出更准确的预测;从经验和自主学习。
人工智能在金融领域包括机器学习、深入学习,自然语言处理,图算法,进化学习,和其他技术。你可以使用MATLAB应用这些技术®。
机器学习方法分为无监督学习,监督学习,或强化学习:
- 无监督学习用于分组标记历史数据集和发现数据中的模式使用集群。例如,投资者使用聚类分析来构建多元化的投资组合。
- 监督式学习是有用的,当你有历史输入标记输出。它推断一个函数,可以预测未来输出,分为两类:分类和回归。分类识别一个离散的新观察所属的标签,如贸易或不交易,而回归是用来预测一个连续的值,如价格或工资。
深入学习,机器学习的一个子集,利用神经网络和应用于机器学习问题同时执行中的特征提取和预测神经网络架构。这种方法消除了需要进行特征提取之前,开发一种预测模型。此外,深度学习需要大量历史训练数据集构建一个健壮的和准确的预测模型。例如,石油价格分布的非线性波动等被神经网络模型。
强化学习有助于缓解这一挑战通过生成所需的数据。它通过反复模拟(通过试验和错误)的奖励结构良好的结果。它的目的是学习“行为”而不是拟合的模型尽可能高的精度。强化学习的目标是训练模式采取行动或决策以最大化累积奖励。一个金融应用程序训练一个代理对冲欧洲看涨期权合同,节省交易成本。
自然语言处理,另一个AI在金融技术,采用算法来从文本数据检索基本数据表示的自然语言。其关键应用程序文本生成、文本分类、情绪分析,主题建模。
情感分析是自然语言处理的一个应用程序分析的新闻和监测社交媒体是用来建立金融市场信心的措施,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了解顾客满意或不满意的原因。
金融从业者的AI经常使用图形直观表示的数据结构涉及复杂的相互关系。图是由节点和边加权。因为数据连接在一个聪明的方式,一个应用程序构建一个多样化的投资组合通过识别相关的资产。
受生物进化,人工智能在金融领域进化和遗传算法用于开发新的预测技术和先进的交易系统。迭代过程包含跨界车、变异和选择得到一个令人满意的水平的趋同,导致更好的交易参数随着时间的推移。
关于人工智能在金融领域,明白了统计和机器学习的工具箱™,强化学习工具箱™,深度学习工具箱™,文本分析工具箱™,全局优化工具箱。
