Применение машинного обучения в финтехе

Сегодня финансовые организации получают новые возможности благодаря машинному обучению. Это дисциплина в искусственном интеллекте, с помощью которой машины учатся анализировать поступающую информацию и делать предположения. Они сопоставляют новые данные с уже имеющимися, чтобы выявить сходства, различия, закономерности. Машины совершенствуют способность точнее классифицировать и анализировать информацию, что даёт возможность принимать эффективные решения.

Финансовый сектор сильно изменился из-за того, что финтех-компании внедряют машинное обучение в свой бизнес, а техфин-компании создают решения на его основе и предлагают их финансистам. Они используют разные алгоритмы и модели для выполнения любых задач. Перечислим 4 примера, которые показывают, как финтехи с техфинами используют машинное обучение (ML).

Анализ для кредитного скоринга

Машинное обучение помогает кредитным организациям анализировать кредитоспособность заёмщиков и прогнозировать кредитные риски. Сейчас 50% такой работы выполняют машины, а ведь недавно её доверяли только людям.

Например, финтех-компания Kabbage предоставляет малому бизнесу финансирование через автоматизированную кредитную платформу. Она использует только ML-алгоритмы, чтобы определять соответствие заявителей требованиям, оценивать кредитные риски, анализировать портфели.

С апреля 2020 Kabbage начала участвовать в Paycheck Protection Program, которую администрация Трампа запустила в составе мер по прямому стимулированию экономики во время пандемии. К августу, когда завершился срок действия программы PPP, Kabbage обработала 300 тысяч кредитов на сумму $7 миллиардов. Тем самым она оказала поддержку 300 000 малых предприятий и помогла сохранить 945 000 рабочих мест.

На создание ML-решения ушло всего две недели. Обучение модели началось с просмотра людьми документов для создания обучающего набора, который помог бы модели определить типы файлов, информацию, необходимую для каждого идентифицированного файла, и место её поиска.

Извлечение информации

В машинном обучении чаще всего используется извлечение информации из веб-контента. Машины получают неструктурированные данные из статей, постов, опубликованных документов и структурируют их.

Например, техфин-компания AlphaSense разработала поисковую систему рыночной информации, которая сортирует и анализирует публичные и частные финансовые данные. Она предоставляет клиентам доступ к исследованиям аналитиков, торговым журналам, стенограммам звонков и мероприятий, отчётам, опубликованным документам.

Гибридная модель AlphaSense выделяет и маркирует релевантную информацию с помощью обработки естественного языка. А ML-инженеры применяют статистические методы, позволяющие модели интерпретировать данные подобно тому, как человек использует органы чувств для восприятия мира.

Клиенты AlphaSense используют поисковик для мониторинга конкурентов и тех, кого собираются приобрести или поглотить. Его также используют для крупномасштабного анализа, например, для сбора данных о выкупе акций множественными компаниями.

Принятие решений по кредитам

Машинное обучение позволяет усовершенствовать обработку финансовых данных и принятие решений. Машины обрабатывают данные быстрее, помогая принимать решения точнее.

Например, финтех-компания Zest AI (бывшая ZestFinance) использует машинное обучение и науку о данных, чтобы предоставлять возможность принимать более точные финансовые решения. Её клиенты выдают кредиты на общую сумму $500 миллиардов во всех регионах и кредитных категориях.

Система управления моделями Zest анализирует кредитные заявки и оценивает 250 тысяч заявителей ежемесячно. Клиенты-кредиторы обычно добиваются повышения одобрений на 15% без дополнительных рисков, либо сокращения убытков на 30% при неизменных показателях одобрения. Они также легче одобряют заёмщиков с ограниченной кредитной историей, в некоторых случаях до 5 раз.

Zest сделал искусственный интеллект и машинное обучение безопасными для применения в кредитном андеррайтинге. Кредиторы, использующие их систему, принимают точные решения и выдают кредиты с высокой вероятностью возврата. Она помогает им увеличивать доходы, снижать риски, автоматизировать соблюдение комплаенса.

Создание торговых стратегий

Машинное обучение помогает брокерским фирмам и инвестиционным фондам создавать надёжные стратегии для алгоритмической торговли. Автоматизированные торговые системы выявляют сигналы среди множества данных, отражающих динамику рынка. Машины ищут в них закономерности, которые можно использовать в прогнозировании.

Например, компания по управлению активами Rebellion Research использует искусственный интеллект на основе машинного обучения для принятия инвестиционных решений. Их модель применяет количественный анализ для подбора инвестиций, оценивает стоимость, рост и динамику акций или других активов.

ML-инженерам потребовалось 4 года, чтобы завершить создание первого альфа-генерирующего алгоритма, поскольку при попытке применить машинное обучение к долгосрочным инвестициям возникали проблемы. Из-за большого временного горизонта увеличивались волатильность и шум, поэтому приходилось создавать процессы взвешивания текущих экономических и рыночных данных по сравнению с историческими.

И всё-таки Rebellion Research добились успеха: их ИИ способен брать большие массивы данных и комбинировать их с разными факторами, чтобы создавать глобальные прогнозы точнее, чем команда финансистов с экономистами. Используя свою модель, они получают представление о международных закономерностях на мировых рынках и используют эти данные для эффективного инвестирования.

---

Хотя машинное обучение в финансах уже давно не новинка, оно всё ещё находится на пороге более широкого применения. Сегодня эта дисциплина меняет многие области финансового мира, от кредитования до трейдинга. В дальнейшем она будет оказывать большее влияние, охватывая новые направления, такие как децентрализованные финансы.