机器学习技术是什么？

机器学习是一门人工智能的科学,该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。机器学习是对能通过经验自动改进的计算机算法的研究。机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。

机器学习的核心：从大量数据中挖掘模式或者规律，用以对未知事件的判断或者预测。

机器学习技术的分类

机器学习算法选择路径图

机器学习在金融领域的布局

l 机器学习和大数据对金融的影响，不仅体现在改善效率上，也在提升效能上。

l 智能金融应用率先在通用领域中发力，解决效率提升的问题。

l 随着数据在细分领域中的积累和整合，提升细分场景的业务效能，从而展现出多样化的金融应用布局。

机器学习的发展趋势

数据、算力和算法正在取得突破性进展

人工智能与金融融合过程中的三大要素——数据、算力和算法正在取得突破性进展。

l 海量数据提供机器学习的充分原料

l GPU等硬件的发展为深度学习的应用加速

l 新的算法不断涌现，算法效果提升明显

从服务智能、认知智能，走向决策智能

l 服务智能 : 得益于算力的提升，进行有监督学习，如人脸识别、语音识别和智能客服，达到提升交互服务和效率的目的。

l 认知智能: 随着场景深入延展，人工智能能够达到与人类比肩。如大数据风控和智能投顾等，以有监督学习为主，辅以无监督方式挖掘特征变量，让风险识别和定价更精细。

l 决策智能: 以无监督的学习为主，通过预测人脑无法想象的尚未发生的情境，人工智能实现全面超越人类，指导和影响当前决策，典型应用如量化投资、智能化资产配置、智能算法交易等。

软硬件的结合发展

l 人工智能处理器，从通用的CPU，发展为运算加速的GPU，再到定制化的AI处理芯片（例如：Google的TPU）。在未来，甚至可能会出现量子计算芯片系统 。

l 技术平台开源化已成趋势，AI生态竞争即将展开。

l 全球主流技术厂商纷纷围绕深度学习开放技术平台

l 构建生态系统成为未来人工智能技术发展与竞争的主流

机器学习技术的领导者

机器学习适用的金融业务场景

机器学习运用的本质在于: (1)数据的挖掘与规律分析，(2)未知事物的预测以及决策。

结合金融行业，围绕数据挖掘与分析，可行的领域包括了：

l 数据资讯：研报解读、事件驱动、AI因子等

l 风险控制：反欺诈交易、风险预警

l 监管合规：财务造假识别、交易监管、合规风险管理

l 客服营销：用户画像、精准营销

围绕预测以及决策，可行的领域包括了：

l 资产配置：智能投顾、组合管理、宏观经济预测

l 投资决策：量化策略、算法交易、投研平台

机器学习应用场景—反欺诈应用

国内金融欺诈的主要范围：电子银行、P2P 网贷平台、消费金融平台、电商等，典型的场景是网贷申请欺诈和互联网

交易欺诈。

不同领域的金融欺诈列举如下：

数据、算法、系统构架和反制措施为构建反欺诈解决方案核心要素。其中机器学习在数据和算法层面扮演重要的角色。

机器学习应用场景—监管科技应用

在全球范围内，银行平均有 10-15％的员工从事合规工作。根据 年合规成本报告中引用的一项研究，平均而言，监管差异（成本，风险，影响）使金融机构的合规支出占年营业额的

5-10％。促使监管科技公司使用创新的现代技术来更高效地满足监管要求。

机器学习运用于监管科技的途径：

l 欺诈预防

l 合规管理

l 监管报告

l 风险管理

l 数据治理

机器学习应用场景—精准营销应用

精准营销的定义是指在充分了解顾客信息的基础上，针对客户喜好，有针对性地进行产品营销，在掌握一定的顾客信息和市场信息后，将直接营销与数据库营销结合起来的营销新趋势。

利用用户历史数据和机器学习等大数据技术，精准预测哪些人会成为该产品潜在用户的可能性高并对其进行商品的个性化推荐，以此来提高营销转化率。所以，不管是拉新还是是留存，精准营销都是十分重要的用户维系方式。

机器学习应用场景—智能投顾应用

智能投顾满足了大部分人寻求低成本、自动投资的需求。在几分钟之内，智能投顾产品就可以帮助客户建立一个定制化的、多元配置资产投资组合。而且可以提供原来只为高净值人群提供的投资通道。

著名咨询公司A.T. Kearney预测，智能投顾所管理的资产将以68%的速度增长，并在接下来的5年内增至万亿级。

目前智能投顾的发展趋势：

l 银行进入智能投顾市场

l 行业并购与合并现象趋于普遍

l 普遍集成人工智能技术

l 低费率化发展

l 政府规范化

智能投顾产品很明显是一个client/server结构，里面包含了大数据、系统工程、软件和量化投资技术等。

如果觉得《智能金融的三驾马车之机器学习》对你有帮助，请点赞、收藏，并留下你的观点哦！