[[241804]]

大數(shù)據(jù)文摘出品

編譯：大芏、彭耀輝、茶西、湯圓、夏雅薇

在金融領(lǐng)域，機(jī)器學(xué)習(xí)可能會產(chǎn)生神奇的效果，盡管它本身并沒有什么神奇之處(嗯，也許只是一點(diǎn)點(diǎn))。然而，機(jī)器學(xué)習(xí)項(xiàng)目的成功更多依賴于構(gòu)建高效的基礎(chǔ)結(jié)構(gòu)、收集適當(dāng)?shù)臄?shù)據(jù)集和應(yīng)用正確的算法。

機(jī)器學(xué)習(xí)正在對金融服務(wù)業(yè)產(chǎn)生重大影響。讓我們來看看為什么金融公司會關(guān)心這項(xiàng)技術(shù)，以及使用人工智能和機(jī)器學(xué)習(xí)可以實(shí)現(xiàn)什么解決方案和如何應(yīng)用這項(xiàng)技術(shù)。

定義

我們可以將機(jī)器學(xué)習(xí)(ML)看作是數(shù)據(jù)科學(xué)的一個(gè)子集，它使用統(tǒng)計(jì)模型洞悉內(nèi)在規(guī)律并做出預(yù)測。下圖解釋了人工智能、數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)的關(guān)系。為了簡單起見，我們在這篇文章中集中討論機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)的神奇之處在于，它們無需明確地編程就能從經(jīng)驗(yàn)中學(xué)習(xí)。簡單地說就是，選擇模型并向它們提供數(shù)據(jù)，該模型能自動調(diào)整參數(shù)，以改善結(jié)果。

數(shù)據(jù)科學(xué)家用現(xiàn)有的數(shù)據(jù)集訓(xùn)練模型，然后將訓(xùn)練好的模型應(yīng)用到現(xiàn)實(shí)生活中。

模型在后臺運(yùn)行，并基于以前的訓(xùn)練自動提供結(jié)果。數(shù)據(jù)科學(xué)家會盡可能頻繁地對模型進(jìn)行再培訓(xùn)，以保持模型的最優(yōu)。例如，我們的客戶Mercanto 每天都在重新訓(xùn)練模型。

一般來說，提供的數(shù)據(jù)越多，結(jié)果越準(zhǔn)確。巧合的是，龐大的數(shù)據(jù)集在金融服務(wù)行業(yè)非常普遍。有很多關(guān)于交易、客戶、賬單、轉(zhuǎn)賬的pb級數(shù)據(jù)。這非常適合機(jī)器學(xué)習(xí)。

隨著技術(shù)的發(fā)展和最佳算法的開源，很難想象不使用機(jī)器學(xué)習(xí)金融服務(wù)的未來。

大多數(shù)金融服務(wù)公司還不能從這項(xiàng)技術(shù)中獲得真正的價(jià)值，原因如下:

• 公司往往對機(jī)器學(xué)習(xí)及自身的價(jià)值抱有完全不切實(shí)際的期望。
• 人工智能和機(jī)器學(xué)習(xí)的研發(fā)成本很高。
• DS/ML工程師的短缺是另一個(gè)主要問題。下圖顯示了對人工智能和機(jī)器學(xué)習(xí)技能需求的爆炸式增長。
• 在更新數(shù)據(jù)基礎(chǔ)設(shè)施方面，金融企業(yè)不夠靈活。

隨后我們會討論如何克服這些問題。首先，讓我們看看為什么金融服務(wù)公司不可忽視機(jī)器學(xué)習(xí)。

盡管存在挑戰(zhàn)，許多金融公司已經(jīng)采用了這項(xiàng)技術(shù)。如下圖所示，金融服務(wù)業(yè)的高管們非常重視機(jī)器學(xué)習(xí)，他們這么做有很多原因:

• 自動化降低經(jīng)營成本。
• 更高效的生產(chǎn)力和更好的用戶體驗(yàn)從而創(chuàng)收。
• 更好的承若并提升安全性。

有許多開源的機(jī)器學(xué)習(xí)算法和工具非常適合金融數(shù)據(jù)。此外，老牌金融服務(wù)公司擁有大量資金，他們有能力在計(jì)算硬件方面加大投入。

由于金融領(lǐng)域大量的歷史數(shù)據(jù)，機(jī)器學(xué)習(xí)可被用于增強(qiáng)金融生態(tài)系統(tǒng)的許多方面。

這就是為什么這么多金融公司都在大力投資機(jī)器學(xué)習(xí)研發(fā)。對于落后者來說，忽視AI和ML的代價(jià)是高昂的。

在金融中機(jī)器學(xué)習(xí)可以用在哪些場景?

讓我們來看看未來機(jī)器學(xué)習(xí)在金融領(lǐng)域的一些應(yīng)用。

1. 過程自動化

過程自動化是機(jī)器學(xué)習(xí)在金融領(lǐng)域最常見的應(yīng)用之一。該技術(shù)可以替代體力勞動，自動化重復(fù)任務(wù)，提高生產(chǎn)率。

因此，機(jī)器學(xué)習(xí)幫助公司優(yōu)化成本，改善客戶體驗(yàn)，擴(kuò)大服務(wù)規(guī)模。以下是過程自動化在金融領(lǐng)域的應(yīng)用實(shí)例:

• 聊天機(jī)器人
• 客服中心自動化
• 文書工作自動化
• 員工培訓(xùn)游戲化等等

以下是銀行業(yè)務(wù)流程自動化的一些例子:

• 摩根大通(JPMorgan Chase)推出了一個(gè)利用自然語言處理(一種機(jī)器學(xué)習(xí)技術(shù))的智能合同(COiN)平臺。該方案可處理法律文件并從中提取重要數(shù)據(jù)。手工審查1.2萬份年度商業(yè)信貸協(xié)議通常需要大約36萬工時(shí)。然而，使用機(jī)器學(xué)習(xí)可以在幾個(gè)小時(shí)內(nèi)瀏覽相同數(shù)量的合同。
• BNY Mello將過程自動化集成到他們的銀行生態(tài)系統(tǒng)中。這項(xiàng)創(chuàng)新可每年節(jié)省30萬美元，并帶來了廣泛的操作改進(jìn)。
• 富國銀行(Wells Fargo)通過Facebook Messenger平臺使用一個(gè)由人工智能驅(qū)動的聊天機(jī)器人與用戶交流，并提供與密碼和賬戶相關(guān)的幫助。
• Privatbank是一家烏克蘭銀行，在移動和網(wǎng)絡(luò)平臺上使用聊天機(jī)器人助手。聊天機(jī)器人加快了一般客戶查詢的速度，并減少了人工助理的數(shù)量。

2. 安全

隨著交易、用戶和第三方集成數(shù)量的增長，金融領(lǐng)域的安全威脅也在不斷增加。機(jī)器學(xué)習(xí)算法在檢測欺詐方面也很出色。

例如，銀行可以使用該技術(shù)實(shí)時(shí)監(jiān)控每個(gè)帳戶的數(shù)千個(gè)交易參數(shù)。該算法分析持卡人的每一個(gè)行為并嘗試發(fā)現(xiàn)該用戶行為背后的目的。這種模型能夠精確地發(fā)現(xiàn)欺詐行為。

當(dāng)系統(tǒng)識別到了可疑帳戶行為，它可以向用戶詢問額外的認(rèn)證信息來驗(yàn)證該筆交易。如果有95%的可能性是欺詐的話，甚至可以完全阻止交易通過。機(jī)器學(xué)習(xí)算法只需要幾秒鐘(甚至幾秒鐘)來驗(yàn)證一個(gè)交易。這種速度有助于實(shí)時(shí)阻止欺詐行為的發(fā)生，而不只是在行為發(fā)生后的鑒定。

財(cái)務(wù)監(jiān)控是金融中機(jī)器學(xué)習(xí)的另一個(gè)安全用例。數(shù)據(jù)科學(xué)家可以訓(xùn)練該系統(tǒng)檢測大量微支付，并標(biāo)記諸如smurfing的洗錢技術(shù)。

機(jī)器學(xué)習(xí)算法也可以顯著提高網(wǎng)絡(luò)安全性。數(shù)據(jù)科學(xué)家訓(xùn)練一個(gè)系統(tǒng)來定位和隔離網(wǎng)絡(luò)威脅，因?yàn)闄C(jī)器學(xué)習(xí)在分析數(shù)千個(gè)參數(shù)和實(shí)時(shí)方面的能力是有目共睹的。這項(xiàng)技術(shù)很有可能在不久的將來為最先進(jìn)的網(wǎng)絡(luò)安全網(wǎng)絡(luò)提供動力。

Adyen, Payoneer, Paypal, Stripe,和Skrill 是一些著名的金融科技公司，它們在安全機(jī)器學(xué)習(xí)方面投入了大量資金。

人工智能技術(shù)在金融領(lǐng)域的應(yīng)用現(xiàn)狀

橙色及淡橙色方塊表示已經(jīng)應(yīng)用相關(guān)技術(shù)或是在未來有相關(guān)計(jì)劃

3. 承保和信用評分

機(jī)器學(xué)習(xí)算法非常適合運(yùn)用于金融和保險(xiǎn)業(yè)中很常見的承保業(yè)務(wù)。

每個(gè)客戶檔案都有數(shù)百個(gè)數(shù)據(jù)條目，數(shù)據(jù)科學(xué)家對成千上萬的客戶檔案建立模型。 隨后，訓(xùn)練有素的系統(tǒng)可以在現(xiàn)實(shí)環(huán)境中執(zhí)行相同的承保和信用評分任務(wù)。這種評分系統(tǒng)可以提高相關(guān)從業(yè)人員工作的效率和精確度。

銀行和保險(xiǎn)公司擁有大量消費(fèi)者歷史數(shù)據(jù)，他們可以使用這些數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)的模型。或者，他們可以使用大型電信或公用事業(yè)公司生成的數(shù)據(jù)集。

例如，BBVA Bancomer 正與一個(gè)信用評分平臺Destacame合作。 該銀行旨在為拉丁美洲信用記錄不足的客戶提高獲得信貸的機(jī)會。 Destacame通過開放API訪問了公用事業(yè)公司的賬單支付信息。通過對賬單支付行為進(jìn)行分析，Destacame為客戶生成信用評分并將結(jié)果發(fā)送給銀行。

4. 算法交易

機(jī)器學(xué)習(xí)有助于改善算法交易中的交易決策 。 數(shù)學(xué)模型可以實(shí)時(shí)監(jiān)控新聞消息和交易結(jié)果，并檢測出可能導(dǎo)致股價(jià)波動的模式。 隨后，它可以根據(jù)自己的預(yù)測主動選擇出售，持有或購買股票。

機(jī)器學(xué)習(xí)算法可以同時(shí)分析數(shù)千個(gè)數(shù)據(jù)源，遠(yuǎn)超人類交易員的極限。

機(jī)器學(xué)習(xí)算法可以幫助人類交易員獲得略高于市場平均水平的優(yōu)勢。鑒于交易操作次數(shù)的頻繁，這種優(yōu)勢通常會轉(zhuǎn)化為巨額利潤。

5. 機(jī)器人顧問

機(jī)器人顧問在金融領(lǐng)域非常普及。目前，機(jī)器學(xué)習(xí)在咨詢領(lǐng)域中主要有以下兩種應(yīng)用：

投資組合管理。這是一種在線財(cái)富管理服務(wù)，它使用算法和統(tǒng)計(jì)數(shù)據(jù)來分配、管理和優(yōu)化客戶的資產(chǎn)。 用戶輸入他們目前的金融資產(chǎn)和目標(biāo)，例如，在50歲時(shí)存夠一百萬美元。隨后機(jī)器人顧問將根據(jù)風(fēng)險(xiǎn)偏好和期望目標(biāo)在投資機(jī)會中分配現(xiàn)有資產(chǎn)。

金融產(chǎn)品推薦。許多在線保險(xiǎn)服務(wù)商使用機(jī)器人顧問向特定用戶推薦訂制化保險(xiǎn)服務(wù)。 相較于個(gè)人理財(cái)顧問，客戶往往更偏好費(fèi)用較低的機(jī)器人顧問，以及個(gè)性化和校準(zhǔn)的推薦服務(wù)。

[[241806]]

如何將機(jī)器學(xué)習(xí)運(yùn)用于金融?

盡管人工智能和機(jī)器學(xué)習(xí)有很多優(yōu)點(diǎn) ，但即使是財(cái)力雄厚的公司，也很難從這項(xiàng)技術(shù)中獲取真正的價(jià)值。金融服務(wù)公司希望挖掘出機(jī)器學(xué)習(xí)的獨(dú)特價(jià)值，但對于數(shù)據(jù)科學(xué)的運(yùn)作原理以及如何使用它，他們僅有一個(gè)模糊的概念。

他們一次次面臨相似的挑戰(zhàn)，比如缺乏合理的業(yè)績考核指標(biāo)。這導(dǎo)致了不切實(shí)際的估算并耗盡了預(yù)算。 僅僅擁有合適的軟件基礎(chǔ)設(shè)施是不夠的(盡管這將是一個(gè)良好的開端)。 要想成功地將機(jī)器學(xué)習(xí)運(yùn)用于金融服務(wù)，你需要清晰的愿景，扎實(shí)的技術(shù)人才，以及提供有價(jià)值的機(jī)器學(xué)習(xí)開發(fā)項(xiàng)目的決心。

當(dāng)你充分理解這項(xiàng)技術(shù)將如何幫助你達(dá)成目標(biāo)時(shí)，你需要繼續(xù)在思維層面進(jìn)行驗(yàn)證。數(shù)據(jù)科學(xué)家的任務(wù)是對你的這個(gè)想法進(jìn)行審查，幫助你制定可行的KPI并做出合理的估算。

值得注意的是，你需要確保所有相關(guān)數(shù)據(jù)都收集完畢。否則，您需要數(shù)據(jù)工程師來收集和清理這些數(shù)據(jù)。根據(jù)用途和業(yè)務(wù)狀況，金融公司可以采用不同的方法應(yīng)用機(jī)器學(xué)習(xí):

1. 放棄機(jī)器學(xué)習(xí)，轉(zhuǎn)而專注于大數(shù)據(jù)工程

有時(shí)候金融公司在開發(fā)機(jī)器學(xué)習(xí)項(xiàng)目時(shí)想要實(shí)現(xiàn)的目標(biāo)，只需要適當(dāng)?shù)臄?shù)據(jù)工程就可以實(shí)現(xiàn)。資深數(shù)據(jù)科學(xué)家Max Nechepurenko ，在N-iX上評論：

僅僅將統(tǒng)計(jì)模型應(yīng)用于已經(jīng)處理過的結(jié)構(gòu)性數(shù)據(jù)就足以讓銀行擺脫其運(yùn)營中的許多瓶頸和低效。

這些瓶頸包括什么呢 ? 比如某個(gè)分行的排隊(duì)問題，一些可以避免的重復(fù)性任務(wù)，低效的人力資源工作，手機(jī)銀行APP的缺陷等等。

除此之外，任何數(shù)據(jù)科學(xué)項(xiàng)目中最重要的部分都是構(gòu)建一個(gè)協(xié)調(diào)的平臺生態(tài)系統(tǒng)，從數(shù)百個(gè)信息源(例如CRM，報(bào)告軟件，電子表格等)收集分散孤立的數(shù)據(jù)。

在應(yīng)用任何算法之前，你需要整理好數(shù)據(jù)的結(jié)構(gòu)并對數(shù)據(jù)進(jìn)行清理。只有這樣，才能進(jìn)一步地從這些數(shù)據(jù)中挖掘出有價(jià)值的信息。 實(shí)際上，機(jī)器學(xué)習(xí)項(xiàng)目中80%左右的時(shí)間都花在提取、轉(zhuǎn)換、載入和進(jìn)一步清理數(shù)據(jù)上。

數(shù)據(jù)工程中提取、轉(zhuǎn)換和載入數(shù)據(jù)的具體流程

2. 使用第三方的機(jī)器學(xué)習(xí)解決方案

即使你的公司決定在即將開展的項(xiàng)目中使用機(jī)器學(xué)習(xí)，也不一定需要開發(fā)新的算法和模型。

大多數(shù)機(jī)器學(xué)習(xí)項(xiàng)目需要處理的問題都已經(jīng)被解決。谷歌，微軟，亞馬遜和IBM等科技巨頭將機(jī)器學(xué)習(xí)軟件作為一種服務(wù)出售。

這些開箱即用的解決方案已經(jīng)經(jīng)過訓(xùn)練，可以解決很多種業(yè)務(wù)問題。 如果你的項(xiàng)目涉及相同的應(yīng)用場景，你認(rèn)為你的團(tuán)隊(duì)可以超越這些有著龐大研發(fā)中心的技術(shù)巨頭們所開發(fā)的算法嗎?

Google的多種即插即用的推薦系統(tǒng)解決方案就是一個(gè)很好的例子。該軟件適用于各種領(lǐng)域，你只需要檢查它們是否適合你的案例。

機(jī)器學(xué)習(xí)工程師可以構(gòu)建專注于特定的數(shù)據(jù)和業(yè)務(wù)領(lǐng)域的系統(tǒng)。專業(yè)人員需要從不同的信息源提取數(shù)據(jù)，并將這些數(shù)據(jù)進(jìn)行處理以適合此系統(tǒng)，然后接收處理的結(jié)果并進(jìn)行可視化。

你需要在對第三方系統(tǒng)的控制力和解決方案的靈活性之間權(quán)衡取舍。 此外，機(jī)器學(xué)習(xí)算法并不適合所有的業(yè)務(wù)場景。資深數(shù)據(jù)科學(xué)家Ihar Rubanau 在 N-iX評論：

所以如果Google的某個(gè)現(xiàn)存解決方案能夠解決你所在領(lǐng)域的特定問題，你也許可以使用它。如果不能的話，就要著眼于定制化的開發(fā)與集成。

3. 創(chuàng)新與集成

從零開始開發(fā)機(jī)器學(xué)習(xí)解決方案是最費(fèi)時(shí)費(fèi)錢又冒險(xiǎn)的選擇之一。然而，在某些商業(yè)案例中，這可能是應(yīng)用機(jī)器學(xué)習(xí)技術(shù)的唯一途徑。

機(jī)器學(xué)習(xí)的研發(fā)針對的是某一利基領(lǐng)域的特定需求，這需要深入的調(diào)研。如果沒有現(xiàn)成的針對特定問題而開發(fā)的解決方案，第三方機(jī)器學(xué)習(xí)軟件可能會產(chǎn)出不準(zhǔn)確的結(jié)果。

上圖從左到右：解決方案架構(gòu)師、大數(shù)據(jù)架構(gòu)師 、大數(shù)據(jù)工程師 、后端開發(fā)人員、前端開發(fā)人員、數(shù)據(jù)科學(xué)家、機(jī)器學(xué)習(xí)工程師、商業(yè)智能專家。

至今，你仍然可能需要高度依賴于Google及其他開源的機(jī)器學(xué)習(xí)庫。當(dāng)今的機(jī)器學(xué)習(xí)項(xiàng)目大多是將目前最先進(jìn)的庫應(yīng)用在某一特定領(lǐng)域和用例中。

在N-iX，我們認(rèn)為成功的企業(yè)機(jī)器學(xué)習(xí)研發(fā)項(xiàng)目有如下七個(gè)共同特質(zhì)：

• 一個(gè)明確的目標(biāo)。在收集數(shù)據(jù)之前，你至少需要對通過人工智能和機(jī)器學(xué)習(xí)能取得的結(jié)果有大體認(rèn)識。在項(xiàng)目初期，數(shù)據(jù)科學(xué)家會幫助把你的想法轉(zhuǎn)化成實(shí)際的KPI。
• 穩(wěn)健的機(jī)器學(xué)習(xí)解決方案架構(gòu)設(shè)計(jì)。你需要一個(gè)經(jīng)驗(yàn)豐富的軟件架構(gòu)師來執(zhí)行這一任務(wù)。
• (基于Apache Hadoop或者Spark的)適宜的大數(shù)據(jù)工程生態(tài)系統(tǒng)是必須的。它可以收集，集成，存儲，處理大量來源于金融服務(wù)公司的分散數(shù)據(jù)。大數(shù)據(jù)架構(gòu)師和大數(shù)據(jù)工程師負(fù)責(zé)搭建這一生態(tài)系統(tǒng)。
• 在新建的生態(tài)系統(tǒng)中運(yùn)行ETL流程(提取，轉(zhuǎn)換，加載)。大數(shù)據(jù)架構(gòu)師和機(jī)器學(xué)習(xí)工程師負(fù)責(zé)這一環(huán)節(jié)。
• 最終數(shù)據(jù)準(zhǔn)備。除了數(shù)據(jù)轉(zhuǎn)換和技術(shù)清理之外，數(shù)據(jù)科學(xué)家可能需要進(jìn)一步提煉數(shù)據(jù)，使其適用于特定的商業(yè)案例。
• 應(yīng)用恰當(dāng)?shù)乃惴▌?chuàng)建模型，調(diào)整模型，并用新數(shù)據(jù)訓(xùn)練模型。數(shù)據(jù)科學(xué)家和機(jī)器學(xué)習(xí)工程師執(zhí)行這些任務(wù)。
• 清晰的洞察可視化。商業(yè)智能專家負(fù)責(zé)這一部分。除此之外，你可能需要前端開發(fā)人員來設(shè)計(jì)易用的界面面板。
• 小的項(xiàng)目可能需要更少的努力和更小的團(tuán)隊(duì)。比如對于一些小數(shù)據(jù)集的研發(fā)項(xiàng)目來說，他們可能并不需要經(jīng)驗(yàn)豐富的大數(shù)據(jù)工程師。在某些其他情況下，可能也并不需要復(fù)雜的控制面板和數(shù)據(jù)可視化。

重點(diǎn)回顧

金融機(jī)構(gòu)經(jīng)常使用機(jī)器學(xué)習(xí)來實(shí)現(xiàn)進(jìn)程自動化與安全化。

在收集數(shù)據(jù)之前，你需要對通過數(shù)據(jù)科學(xué)獲得的結(jié)果有清晰預(yù)判。需要在項(xiàng)目開始之前設(shè)置可行的KPI，并進(jìn)行切實(shí)的估計(jì)。

很多金融服務(wù)公司對數(shù)據(jù)工程，統(tǒng)計(jì)和數(shù)據(jù)可視化的需求超過數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)。

訓(xùn)練數(shù)據(jù)集越大越干凈，機(jī)器學(xué)習(xí)解決方案的結(jié)果就越準(zhǔn)確。

你可以一邊繼續(xù)使用現(xiàn)有的機(jī)器學(xué)習(xí)算法，一邊盡可能多訓(xùn)練你的模型。

并不存在廣泛適用于不同商業(yè)案例的機(jī)器學(xué)習(xí)方案。

有機(jī)器學(xué)習(xí)功能的金融軟件開發(fā)成本很高。

Google這樣的科技巨頭創(chuàng)造了機(jī)器學(xué)習(xí)解決方案。如果你的項(xiàng)目涉及這些用例的話，盡量用現(xiàn)成的，因?yàn)樽约旱乃惴▋?yōu)于谷歌，亞馬遜或者IBM的可能性很低，

金融領(lǐng)域的機(jī)器學(xué)習(xí)和其他領(lǐng)域有何區(qū)別?

在我看來，主要的區(qū)別源于數(shù)據(jù)的不同。在金融領(lǐng)域，數(shù)據(jù)的噪聲(非常)大，而且通常是不穩(wěn)定的。“信號”不能用任何特定方法與噪聲剝離，這是原則性問題。舉例來說，這和圖像處理就很不同，圖像處理至少原則上可以控制噪聲等級。

另外，圖像處理也不存在不穩(wěn)定數(shù)據(jù)這一概念。包括非概率模型在內(nèi)的一些機(jī)器學(xué)習(xí)模型，因?yàn)樵肼暤娘@著影響，在金融領(lǐng)域難以發(fā)揮作用。

另一區(qū)別在于數(shù)據(jù)量。金融領(lǐng)域很多有趣的問題是關(guān)于中小型數(shù)據(jù)集的問題，這使得一些有很大數(shù)據(jù)需求的方法難以應(yīng)用，比如深度學(xué)習(xí)。因此，金融上(根據(jù)使用方法)通過選擇正則化，貝葉斯先驗(yàn)或者諸如對稱性分析之類的其他一般原則來實(shí)施一些先驗(yàn)理論是很有必要的。

還有一個(gè)重要的區(qū)別是，金融上并沒有很好地定義“真實(shí)”狀態(tài)空間。有一些被稱作黑天鵝的事件——金融模型之外的事物，例如政治風(fēng)險(xiǎn)，會對證券價(jià)格產(chǎn)生重大影響。

不確定性和概率(風(fēng)險(xiǎn))有所不同。大部分機(jī)器學(xué)習(xí)模型(以及大部分經(jīng)典金融模型)在定義良好的狀態(tài)空間下應(yīng)用概率系統(tǒng)——他們不承認(rèn)黑天鵝的存在。他們是風(fēng)險(xiǎn)模型，但并非不確定模型。

相關(guān)報(bào)道：

https://www.n-ix.com/machine-learning-in-finance-why-what-how/

https://www.quora.com/How-is-ML-in-finance-different-from-ML-in-other-fields

【本文是51CTO專欄機(jī)構(gòu)大數(shù)據(jù)文摘的原創(chuàng)文章，微信公眾號“大數(shù)據(jù)文摘（ id: BigDataDigest）”】

戳這里，看該作者更多好文