Canlı inceleme | Finansal hizmetlerde AI uygulaması
[Big Master Live] Altın arayıcısı teknolojisi özel oturumunda, altın arayıcısı teknoloji grubunun baş bilim adamı Bay Xu Yihua, "finansal hizmet sektöründe yapay zeka" üzerine bir tema paylaşımı getirdi. Şu anda, bu sayının ses paylaşımı ve tam metin kaydı çevrimiçidir ve "AI Investment Research State" üyeleri bunu "AI Investment Research State" sayfasında ücretsiz olarak görüntüleyebilir.
Bu makale, bu paylaşımın bazı önemli noktalarını özetler ve herkesin bu paylaşımın kilit noktalarını önceden açıkça anlamasına yardımcı olmak için PPT'yi düzenler.
Anahat paylaş
AI + Finance neden bu kadar sıcak?
Yapay Zeka Çekirdek Algoritmalarına Giriş
Gold Digger Teknoloji Grubu Finansal Teknoloji Stratejisi
Niu Xiaoliang - Niuguwang APP Akıllı Teşhis Birimi
Bull Stock King Smartbeta Duyarlılık Endeksi
Vadeli İşlemler Gold Digger APP makine öğrenimi stratejisi
Gold Digger Technology Yingkuan Quantitative Platform
Gold Digger Teknolojisinin Yapay Zeka Uygulaması Beklentileri
Aşağıda, Gold Digger Technology Group'un baş bilim adamı Bay Xu Yihua'nın [AI Investment Research State] asıl amacı değiştirilmeden düzenlenmiş ve düzenlenmiş gerçek kaydından bir alıntı bulunmaktadır. İçeriğin tamamını paylaşmak için, lütfen [AI Investment Research State] üye içeriğine dikkat edin.
Herkese iyi akşamlar, ben Gold Digger Technology Group'un baş bilim insanı Xu Yihua. O halde, "AI Investment Research State" canlı yayınına zaman ayırdığınız için çok teşekkür ederiz. Bugün sizlerle paylaşmak istediğim konu "Finansal Hizmetler Sektöründe Yapay Zeka Uygulaması" dır.
Öyleyse bugün bahsettiğimiz konu nedir? Yapay zeka + finans, yani bir bilim ve mühendislik adamının bakış açısından biraz önyargılı olabilirim, dünyadaki finans nedir? Finansmanın, zaman ve riskin iki boyutuna dayandığı, genel etkiyi en üst düzeye çıkarmak için mevcut kaynakların mevcut ve gelecekteki tüketimi hakkında güncel veya dengeli bir karar aldığı söylenebilir.
Yapay zeka finans alanında hangi sorunları çözebilir ve hangi sorunları çözebilirler? Aslında, büyük veri çağında, geleneksel finans iyileştirme ve dönüşümle karşı karşıyadır. Şu anda finans endüstrisi bazı bariz sıkıntılarla karşı karşıyadır. Birincisi, yapılandırılmış ve yapılandırılmış veriler dahil olmak üzere giderek daha fazla veri ve daha fazla yapılandırılmamış veri olmasıdır. Daha fazla, çok büyük miktarda veri. Daha sonra ticaret için piyasa gittikçe hızlanıyor ve insan beyninin bu verileri analiz etmesi ve yorumlaması ya da uzun süre ve verimli bir şekilde karar vermesi zorlaşıyor. Sonra pazar gittikçe daha mükemmel hale geliyor, bilgi asimetrisi yok oluyor. Bir ticaret örneğini ele alalım: Basit ticaret stratejilerinin yürürlüğe girmesi zor olabilir ve potansiyel ticaret fırsatlarını keşfetmek zordur. Belki de AI, derin veri madenciliği için iyi bir yöntemdir ve bu konudaki bir talebi çözebilir. Öte yandan insanlar yorgun olabilir ve çeşitli duygulardan etkilenebilir. O zaman, örneğin, ticaret açısından, belki ticaretinin disiplini iyi değildir.Vadeli alım satım yaparsanız, genellikle duygulardan etkilenirsiniz.
Ancak, AI algoritması alım satım için kullanılıyorsa, bu zayıflıklar mevcut olmayabilir ve gelecekte insan duygularından etkilenmeyecektir.Özellikle yatırımcılarımıza yardımcı olabilecek ilgili akıllı risk kontrol sistemleri olmak üzere daha istikrarlı olabilir.
Bir diğeri, işgücü maliyetlerini dikkate almaktır. Örneğin, birçok finans şirketi çok sayıda satışa ve çok sayıda müşteri hizmetine sahip olabilir, cari maliyet aslında oldukça yüksektir. Finans teknolojisi bu konuda yardımcı olabilirse, bence daha çok müşteri hizmetleri alanında olabilir, problemin büyük bir kısmı robotların müşteri hizmetleri ile çözülebilir. Ayrıca bazı akıllı piyasa operasyonları veya pazarlama da var, belki de yapay zeka bu konuda finansal teknoloji şirketlerine yardımcı olabilir.Yukarıdakiler, finans alanında az önce söylediğimiz acı noktalarından bazıları.Bu acı noktalar AI'nın avantajları olabilir. Nerede.
Yapay zeka, özellikle finans piyasasında her şey için çok uygun olan büyük veriye dayanabilir.Bu kadar büyük miktarda veri, yüksek ve hızlı özellik boyutları ve birbiriyle ilişkili ve çok karmaşık ortamlar iyi bir rol oynayabilir. Bir rol. Yapay zeka, büyük verileri işleme, derin madencilik veri yeteneği ve yüksek kararlılık avantajlarına sahiptir, bu nedenle finansal alanda potansiyel olarak büyük bir sıçrama yapabileceğine inanıyoruz. Kantitatif ticareti örnek alırsak, özellikle son yıllarda birçok kantitatif fon ve robo-danışmanın ortaya çıkmasının da yapay zekanın popülaritesini kanıtladığını görüyoruz. Bu resim, finans teknolojisinin çeşitli finans alanlarındaki uygulamalarını listeler.
Özellikle menkul kıymetler, fonlar ve tüketici finansmanı alanlarında yapay zekanın uygulama senaryolarını listeledim ve çerçevelendirdim. Robo danışmanlar, nicel ticaret, akıllı risk kontrolü ve pazarlama müşterileri olduğunu görebilirsiniz. Bunu çerçeveledim çünkü Gold Digger Technology Group'ta bu alanlarda AI kullanıyoruz AI'nın çok sıcak olduğundan bahsetmiştim ve sonra AI'nın finansal teknoloji için önemli bir teknik destek olduğunu da biliyoruz.
Yapay Zeka Çekirdek Algoritmalarına Giriş
Daha sonra, bu çevrede mevcut piyasadaki veya finansal uygulamalardaki bazı popüler veya ana akım algoritmaları listeleyeceğim ve sonra bunlardan birkaçını temsili önemi olan birkaçını tanıtmaya çalışacağım. Burada daha yaygın AI algoritmalarından bazıları listelenmiştir.Karar ağaçları, rastgele temel ormanlar ve ardından SVM, lojistik regresyon, basit Bayes ağları ve K komşuları olarak da adlandırılan K en yakın komşuların olduğunu görebiliriz. Algoritmalar, ardından Kalman filtreleme, Adaboost, sinir ağları, Markov. Bu algoritmalar aslında nispeten yaygındır. Bunları tanıtmak için makine öğrenimi veya yapay zeka algoritmaları hakkında bir kitap bulabilirsiniz.
Daha sonra, örneğin, bir tür makine öğrenimi olan karar ağacı algoritması, esas olarak regresyon problemleri olarak adlandırabileceğimiz bazı sınıflandırma problemlerini çözmek için kullanılır. İnternette daha iyi bir tanım olan basit bir örnek gördüm. Bu örnek, Xiaohong'un annesinin kör randevuya gitmesini ayarladığını ve ardından Shuai'ye Xiaohong'u ne zaman tanıştırdığını sorduğunu söylüyor. Bir oda var mı Gelir nasıl? Sorulan çeşitli sorular aslında bir örneğin özelliklerini içerir. Sonra Xiaohong, kararını sürekli olarak ayarlamak için numunelerin öznitelik değerlerini kullandı ve sonunda adım adım son son ekrana ulaştı Gidiyorum, bu adamı görmek istiyorum. Bu, bir rol ağacının algoritma mantığının çok canlı bir açıklamasıdır.
O zaman tekrar bir bakalım, KNN nedir? Bu, mesafeyi hesaplayan bir sınıflandırma algoritmasıdır. Burada ele aldığı soru, örnek verilerin hızlı bir şekilde nasıl aranacağı veya biz buna K yakınlık araması diyoruz. Burada K, öznitelik vektörünün yalnızca boyutudur, anlaşılması zor gelebilir, basitçe bir işlem örneği verebiliriz.
Örneğin, K-çizgisi verilerim var ve sonra K-çizgisini çeşitli biçimlere bölerim, örneğin tasarım yıldızları, buna benzer bir şey, çekiçler veya çeşitli Şekil. Bazı silindirler daha kısadır, bazıları her iki uçta daha uzundur veya bunun tersi de geçerlidir. Yeni bir K-çizgisi alırsanız, görev hangi kategoriye ait olduğunu belirlemektir ve bu problemin çözülmesine yardımcı olabilir Bu temelde bir sınıflandırıcıdır. Daha sonra aşağıda Adaboost adında bir giriş gördük, bu yinelemeli bir algoritma, aslında bir eğitim seti içindir.Bu sınıflandırıcıların olası etkileri pek iyi olmayabilir. Sonra buna genellikle zayıf sınıflandırıcı dediğimizi öğreniriz, ancak onun fikri şudur: Bu zayıf sınıflandırıcılar bazı operatörler aracılığıyla birleştirilir ve birleştirilirse, toplama, çıkarma, çarpma ve bölme mümkün olabilir ve sonunda bir tane oluşturabilir. Daha güçlü güçlü sınıflandırıcı. Bu, konuşmak için canlı bir terim kullanabilir, biz sadece eski deyişi söyledik, üç kafadan Zhuge Liang'ı Zhuge Liang'ın üstüne koymasını isteyerek, muhtemelen böyle mantıklı bir fikrin daha iyi bir tanımını kullanarak.
Uygulama örneği 1: Niu Xiaoliang-Niuguwang APP Intelligent Diagnostic Unit
İngilizce adı Trademaster Tech olan Gold Digger Technology Group, finans teknolojisine dayalı bir İnternet finansal hizmet sağlayıcısıdır. Şimdiye kadar, iş kapsamı A-hisse yatırım danışmanlığının yanı sıra Hong Kong ve ABD hisse senetleri, varlık yönetimi, özellikle ESOP ve diğer kurumsal işletmeleri kapsamaktadır.
Daha sonra, AI üzerinde Gold Digger Technology Group'un üç uygulama vakasını tanıtacağım, biri Niu Stock APP'nin akıllı teşhis ünitesi Niu Xiaoliang. Diğeri smartBeta, bir duyarlılık endeksi ve diğeri de vadeli altın arayıcılarının APP makine öğrenimi stratejisidir. Bu aslında bir dizi stratejidir.
Hisse senedi kralı, şimdi Gold Digger Technology Group'un A hisseleri veya menkul kıymetler yatırım danışmanlığı işi için bir sonraki APP olduğunu tanıttık. Niu Xiaoliang, AI tabanlı akıllı teşhis stok hizmet ürünüdür.Bazen buna alt ürün veya modül diyoruz.
Bu ürün esas olarak anlamsal tanıma olarak da adlandırılan nlp'ye dayanmaktadır. O zaman konuşma tanıma, yapay zekanın önemli bir dalıdır. Örneğin, müşterilerimiz yarın Çin Bankası hissesinin durumunu metin veya ses girerek, yükselip düşmeyeceğini veya bununla ilgili bazı temel bilgileri girerek girerler.NLP algoritmasını geçebilir ve son olarak Veritabanından çıkarılan verilerin bir kısmı veya işlenen verilerin bir kısmı da dahil olmak üzere müşterilerimize sunmak için oluşturduğumuz ve organize ettiğimiz bilgilerin bir kısmı ve bu ürün aslında kullanıcılar arasında oldukça popülerdir.
Daha sonra Niu Xiaoliang'ın tüm stoklarının mantığından bahsediyorum: Önce anlamsal analiz, kullanıcılar tarafından girilen bilgileri işler ve ardından ilgili hedefi bulur. Veritabanından veya bilgi haritasından, burada pratik bilgi haritası teknolojisi kullanıldığından, hedefin tüm veri bilgileri bu veritabanından filtrelenir ve bu veri bilgilerinin tümü etiketlenir ve Bilgi grafiğidir. Daha sonra temel piyasa verilerini ve bazı yapılandırılmamış verileri sinir ağına giriyoruz ve ardından sinir ağı analizi yoluyla, hisse senedinin teşhis bilgilerini alıyor ve ardından otomatik olarak bir rapor oluşturup kullanıcının terminaline gösteriyoruz. . Tabii ki, bu ürün hala nispeten ön aşamadadır ve hala sürekli yineleme halindedir ve daha iyi veri girişi sağlarken algoritmayı yinelemeye devam edecektir.
Uygulama Senaryosu 2: Bull Stock King SmartBeta Duyarlılık Endeksi
SmartBeta duyarlılık endeksi neden var? Aslında durum böyledir, yani birçok deneysel araştırma yoluyla borsa, yatırımcı duyarlılığı ile büyük bir korelasyona, hatta pozitif bir korelasyona sahip olabilir. Bu nedenle, tüm piyasadaki yatırımcıların duygularını doğru bir şekilde izleyip tanımlayabilir ve veriye dayalı bir şekilde sergileyebilirsek, yatırım davranışının karar vermesinde çok güçlü bir yol gösterici rol oynayacaktır.
Daha sonra Niu Stock King, perakende yatırımcılardan oluşan bir topluluk olur ve çok sayıda işlem kullanıcısı vardır ve duyguları işlemimiz üzerinde yol gösterici bir etkiye sahip olabilir. Bu nedenle Bull Stock King SmartBeta Duyarlılık Endeksi de AI algoritmasına dayalı bir üründür ve birçok etki faktörü seçtik. Bu, kullanıcının Niu paylaşım uygulamasında daha önce oturum açıp açmadığını, konuşup konuşmadığını ve VIP veya KOL olarak kabul edilebilecek bazı kullanıcıları içerir. Demo hesabını çalıştırıp çalıştırmadığı, ne kadar süreyle kalacağı, hangi hisse senetlerinde işlem yapmayı seçtiği, ticaret durumu nasıldır, vb. Bu bilgiler dizisi bizim etkili faktörlerimizden bazıları olabilir.
Daha sonra yukarıda Bayes ağını tanıttık: Bayes ağını her yatırımcının hissiyatını sınıflandırmak, sınıflandırmak ve ardından bunu olumlu, bekle ve gör ve olumsuz olarak etiketlemek için kullanıyoruz. Daha sonra algoritma aracılığıyla, bir tür mantık olan gelecek duyarlılık endeksinin puanını belirleyebiliriz. Daha sonra duyarlılık etiketine gittikten sonra, SVM algoritması aracılığıyla tüm pazarın duyarlılığını kapsamlı bir şekilde sınıflandırıyoruz ve ardından nihai duyarlılık göstergesi verilerini puanlıyoruz.
Üye Soru-Cevap
İzleyicinin kafa karışıklığını daha da çözmek için "Canlı", paylaşımın ardından bir soru-cevap oturumu açtı. Xu Yihua, Leifeng.com'dan (herkese açık hesap: Leifeng.com (herkese açık hesap: Leifeng.com)) "AI Yatırım Araştırma Eyaleti" üyelerinden bazı soruları yanıtladı. .
S1: Kantitatif yatırım yazılımı gelecekte açık kaynak olacak mı? Sektördeki bazı kişiler, ticari yazılımların ve kendi geliştirdiği kurumların güvenlik, uyumluluk ve yineleme sorunları olduğunu söylüyor.
Şu anda, bu aşamada açık kaynak yok ve geliştirme aşamasında. Gelecekte, kârımızın bu kısmını ölçmek için planlarımız var. Ayrıca, açık kaynak veya bir arayüz yönteminin dış ortaklarla derinlemesine işbirliği için kullanılabileceğini umuyoruz.
S2: Yatırımcıların bu kadar çok bilgiye ihtiyacı var mı? Aşırı yüklenecek mi?
Aslında bu soru çok iyi, çünkü şu anda bu büyük veri çağındayız ve yatırımcıların elde ettiği bilgiler çok büyük, bu nedenle bazı bilgilerin değersiz olduğu, bazı bilgilerin çok değerli olduğu ve bazı bilgilerin olduğu doğrudur. Çok büyük miktarda veride gizlidir. Yapay zeka algoritmaları yatırımcıların bu verileri analiz etmesine yardımcı oluyor, çünkü bunları insan araçlarıyla hızlı bir şekilde çözmenin bir yolu yok.Yapay zeka bu potansiyel potansiyele sahip.İyi bir hesaplama gücüne sahip olabilir, bu yüzden yüksek hızda gidebilir. Verileri işlerken, algoritmalar, örneğin, etkili faktörlerin, özelliklerin ve verilerin hangileri olduğunu analiz etmek için bazı sınıflandırma algoritmaları kullanabilir.Bu şekilde, karar vermemize yardımcı olabilir.
Tam içerik ve PPT, "AI Yatırım Araştırma Durumu" nda görüntülenebilir
