人工智能在金融领域

人工智能(AI)用于金融服务行业，以自动化、增强和优化流程;做出更准确的预测;从经验中自主学习。

金融领域的AI包括机器学习、深度学习、自然语言处理、图算法、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、监督学习或强化学习:

• 无监督学习用于对未标记的历史数据集进行分组和使用聚类在数据中查找模式。例如，投资者使用聚类分析来建立多样化的投资组合。
• 监督式学习在具有历史输入和标记输出时非常有用。它推导出一个可以预测未来输出的函数，分为两类:分类和回归。分类标识一个新的观察值所属的离散标签，如交易或不交易，而回归用于预测一个连续的值，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，并被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。这种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训练数据集来构建健壮而准确的预测模型。例如，石油价格分布中的非线性，如波动，可以通过神经网络模型捕捉到。

强化学习通过生成所需的数据，帮助减轻这一挑战。它通过反复模拟(通过试验和错误)以及对良好结果的奖励结构来实现这一点。它的目的是学习一种“行为”，而不是尽可能精确地拟合一个模型。强化学习的目标是训练模型采取行动或做出决定，以使累积奖励最大化。一个金融应用是训练经纪人对冲欧洲看涨期权合约，从而节省交易成本。

自然语言处理是金融技术中的另一种人工智能，它利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。

情绪分析是一种自然语言处理的应用，通过对新闻的分析和对社交媒体的监测来构建金融市场的情绪度量，这些度量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。图由可以加权的节点和边组成。由于数据以一种智能的方式连接，其中一个应用是通过识别相关资产来构建多样化的投资组合。

受生物进化的启发，金融领域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、突变和选择，以获得令人满意的收敛水平，随着时间的推移产生更好的交易参数。

更多关于AI在金融领域的信息，请参见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™,全局优化工具箱．