¿Cómo se usa el aprendizaje automático en FinTech (P2P, pagos), particularmente fuera de algo trading? ¿Alguien tiene ejemplos específicos en punto a punto, verificación de crédito, pagos, etc.?

Entre otras cosas, el aprendizaje automático se utiliza para hacer inteligencia de masas de los mercados financieros. La idea es que la multitud, a través de su diversidad de expertos y no expertos, tenga que ofrecer mucha información valiosa. El objetivo es obtener información sobre lo que la multitud piensa sobre ciertas compañías y sus acciones, el mercado de valores y otras cosas relacionadas con las finanzas.

Las ideas de los abarrotados se obtienen mediante la extracción masiva de datos de perfiles de redes sociales, blogs y periódicos. Como estos datos son generalmente desordenados y desestructurados, uno tiene que aplicar el aprendizaje automático, la PNL y el reconocimiento de imágenes para tener sentido.

Una ventaja es que la transferencia de información es mucho más rápida que a través de los canales de medios tradicionales que involucran a periodistas. Por ejemplo, hubo un caso de brote de malaria en África. Al final resultó que algunos pueblos estaban afectados por esa enfermedad, que era la principal fuerza laboral para una mina de cobre. Como la gente allí enfermaba, la mina de cobre tuvo que disminuir su producción, produciendo menos cobre y la demanda no se cumplió afectando a la industria del cobre. Hasta que un periodista volara allí de la manera tradicional e investigue que pasarían 2 semanas o más. Las redes sociales difunden noticias como esa de inmediato.

Lo más común es que los inversores usen análisis técnicos y análisis fundamentales para tomar sus decisiones. Con esta tecnología de inteligencia de multitudes, se puede captar el tercer componente: el análisis social de los mercados financieros y utilizar esta información para tomar mejores decisiones.

Un ejemplo de esto sería que hubo señales en la multitud sobre la fusión de Microsoft y LinekdIn 8 semanas antes de que sucediera. Ver más sobre rumores de fusión de Microsoft y LinkedIn descubiertos 8 semanas antes.

Además, esta es una forma de democratizar el flujo de información, ya que no solo unos pocos expertos individuales (que a menudo resultan no ser expertos) tienen conocimientos cruciales sobre los mercados financieros.

Una empresa que trabaja en este campo se llama Sentifi. Echa un vistazo a las perspectivas del mercado financiero basadas en inteligencia de multitudes e inteligencia artificial.

Hay varias aplicaciones de aprendizaje automático utilizadas por las empresas FinTech que se clasifican en diferentes subcategorías.

1. Análisis predictivo de puntajes de crédito y préstamos incobrables

Las empresas de la industria crediticia están utilizando el aprendizaje automático para predecir préstamos incobrables y para construir modelos de riesgo crediticio.

2. Toma de decisiones precisa

El procesamiento financiero y la toma de decisiones podrían mejorarse mediante tecnologías de aprendizaje automático que permiten a las computadoras procesar datos y tomar decisiones (como las relacionadas con el crédito) de manera más rápida y eficiente.

3. Extracción de contenido / información

La extracción de información ha sido una aplicación importante del aprendizaje automático. Implica la extracción de contenido web como artículos, publicaciones, documentos, etc.

4. Detección de fraudes y gestión de identidad.

Con la ayuda del aprendizaje automático, las técnicas de detección de fraude pueden hacerse eficientes y efectivas. Las soluciones creadas pueden analizar datos históricos de transacciones para crear un modelo que pueda detectar patrones fraudulentos. Las empresas también están utilizando el aprendizaje automático para la autenticación biométrica.

5. Construyendo Algoritmo Comercial

El aprendizaje automático se utiliza en la creación de algoritmos para tomar decisiones comerciales. El comercio algorítmico, también llamado comercio de alta frecuencia, es el uso de sistemas automatizados para identificar señales verdaderas entre las cantidades masivas de datos que capturan la dinámica subyacente del mercado de valores. El aprendizaje automático proporciona herramientas poderosas para extraer patrones de las tendencias aparentemente del mercado.

Mi opinión es que el aprendizaje automático se utilizará en muchas aplicaciones de servicios empresariales que respaldan a empresas de servicios financieros. Esto es independiente de tratar de mejorar el rendimiento de la inversión y superar a su competencia al simular los resultados del mercado o al asignar mejores puntajes de crédito. Si bien son valiosas, esas son soluciones puntuales que revolucionan una clase de activos específica.

La mayoría de la industria y la tecnología en los servicios financieros en realidad envuelve la clase de activos. Lo que quiero decir con eso es que las ventas, el marketing, las operaciones y la contabilidad utilizan conjuntos masivos de software de empresas de capitalización de mercado de mil millones de dólares. Ese debería ser el objetivo del aprendizaje automático: hacer que las personas sean más eficientes y lograr más a escala de máquina.

Para dar un ejemplo específico, consulte IBM Watson para la gestión del patrimonio. Otras compañías también están pensando en este problema hoy. Vea mi entrevista con Assettv sobre el tema. Un sabor sería el siguiente. Hoy en la industria de roboadvisor, el riesgo y la personalidad se evalúan mediante un cuestionario de 10 opciones múltiples. Imagine ahora un mundo en el que usamos los datos grandes del reconocimiento de imágenes (usando RNN para reconocer objetos y compararlos con un gráfico promedio) y PNL (entendiendo cómo las personas exhiben personalidad en las redes sociales en el texto) para construir perfiles de personas que crean un enfoque holístico vista de las necesidades y objetivos financieros de esa persona. Esa es la promesa de la tecnología para la industria, y puede aplicarse igualmente en la apertura de cuentas, CRM y planificación financiera.

Desde 2008, algunos de los bancos más grandes de los Estados Unidos han pagado multas de $ 160 mil millones debido a problemas de cumplimiento normativo. Como contramedida a la crisis financiera, los reguladores han criticado a los bancos con nuevas regulaciones. La incorporación de nuevos organismos reguladores solo se suma a los problemas que enfrentan los bancos. El cambio sísmico a la adopción de nuevas regulaciones y nuevas tecnologías ha llevado a un entorno financiero aún más dinámico que la mayoría de los bancos están luchando para hacer frente.

Los bancos ahora manejan grandes cantidades de datos, provenientes de fuentes dispares, en varios tipos de formatos y a un ritmo acelerado. Están bajo presión para administrar y almacenar datos de manera adecuada para evitar las multas de informes inevitables, ya que no pueden generar informes clave de manera oportuna y eficiente.

Esto ha llevado a las instituciones financieras a buscar enfoques y soluciones nuevos e innovadores como los ofrecidos por las empresas RegTech.

Atributos de la solución de cumplimiento RegTech

Las empresas de RegTech suelen ofrecer cuatro características:

Agilidad: desacople y organice conjuntos de datos desordenados y entrelazados a través del proceso de ETL (extracción, transferencia, carga) de manera eficiente

Velocidad: genera y configura informes a partir de datos estandarizados

Integración: amalgama de informes en plazos breves para poner en funcionamiento la solución

Análisis: aproveche de manera inteligente los conjuntos de datos existentes para desbloquear su verdadero potencial presentándolos de una manera simple y fácil de entender

La diferencia clave entre las soluciones tradicionales y la solución RegTech es la “agilidad”. Si bien las soluciones tradicionales ofrecen un diseño robusto creado para cumplir requisitos específicos, son en gran medida inflexibles y requieren que la codificación se mejore o cambie. Esto lleva a complejidades adicionales en el proceso, que implican más mano de obra y etiquetas de precios.

Las compañías de RegTech ayudan a las firmas financieras a automatizar las tareas de cumplimiento mundano y reducir los riesgos operativos asociados con el cumplimiento de las obligaciones de cumplimiento e informes. Esto ayuda a reducir el costo involucrado, mejora el rendimiento y la seguridad, agrega flexibilidad y reduce drásticamente el tiempo requerido para completar la tarea.

Lea más en: RegTech es el nuevo FinTech – Hexanika

Inteligencia de la máquina
El papel de la inteligencia artificial en las finanzas abarca desde consultas en lenguaje natural hasta análisis predictivos y sistemas de ciberseguridad en evolución. Los empleados con tecnología y conectados fomentan empresas más inteligentes y más delgadas.

1. AlphaSense: Bienvenido a AlphaSense – Motor de búsqueda financiera
2. Contexto relevante: contexto relevante
3. Razonamiento digital: razonamiento digital
4. FinGenius: Inteligencia artificial para bancos
5. Kensho Technologies (empresa): Kensho

Recursos

1. ¿Cuáles son los mejores recursos con respecto a la tecnología financiera?

Trapos

1. ¿Cuáles son los mejores hilos en Quora con respecto a la tecnología financiera?

Eventos

1. ¿Cuáles son los mejores eventos relacionados con la tecnología financiera?

Los robo advisors son el mejor ejemplo de aprendizaje automático en fintech. Los chatbots aprovecharán el poder de los grandes datos para proporcionar planes eficientes de gestión de inversiones.

Estos robo advisors examinarán los datos, combinarán varios factores macroeconómicos, explorarán los últimos acontecimientos en todo el mundo y el perfil social del consumidor para proporcionarles las soluciones específicas que satisfagan sus necesidades. Aquí hay un blog interesante que cubre estas tendencias y muchas otras, como big data, inteligencia artificial y personalización en detalle. Consultor superior de Fintech, simplificando las tendencias FINTECH

Avant ha utilizado el aprendizaje automático para reemplazar la regresión lineal en varios modelos distribuidos en las áreas de enfoque típicas del modelo de préstamo: riesgo de crédito, riesgo de fraude, probabilidad de conversión de marketing y focalización de cobros. Avant fue uno de los primeros (¿o el primero?) En usar el aprendizaje automático para modelar el riesgo de crédito, aunque creo que en este momento Lending Club y tal vez CapitalOne también usan modelos de aprendizaje automático. Es casi seguro que habrá otros.

Estuve en Avant y trabajé con nuestros equipos internos de modelado y también con socios de bancos externos sobre cómo modelan el riesgo. Muchos bancos son sorprendentemente malos para evaluar el riesgo de crédito más allá de algo como: 1. Cuál es el puntaje FICO, 2. Cuál es el ingreso, 3. Haga una caja de 4 segmentos, 4. Coloque a los clientes en una de las 4 cajas. Loco simple! ¡Y obviamente no es tan efectivo!

Los prestamistas que usan modelos de aprendizaje automático son obviamente mejores que la prevención de pérdidas y maximizan la tasa de problemas.

En África, donde las plataformas de dinero móvil como Mpesa son populares, los microcréditos son una forma de vida y la mayoría de la población no está en el sistema bancario formal (de hecho, muchos no tienen una dirección formal), existe la necesidad de enfoques livianos para tomar decisiones de crédito.

La motivación es que, si bien el riesgo de cada préstamo es pequeño, el volumen es alto (o las instituciones quieren que sea alto) y el costo de originación debe ser pequeño. También las instituciones están interesadas en mover las transacciones en efectivo al dinero virtual, ya que el costo de procesamiento es mucho menor.

Las técnicas de aprendizaje automático están en uso ahora y hacen perfiles de comportamiento de clientes potenciales de préstamos basados ​​en el tráfico de la red móvil … a quién llaman, cuándo llaman, patrones de viaje, etc., correlacionados con el rendimiento histórico del microcrédito. Los algoritmos descubren nuevos patrones y crean perfiles alternativos sobre la marcha, lo que permite a las instituciones probar diferentes modelos de préstamos, adaptarse rápidamente a los cambios, detectar fraudes, etc.

Detección de fraude, por ejemplo. Las compañías de tarjetas de crédito han estado utilizando modelos de detección de fraude durante décadas. Es uno de los primeros ejemplos de aprendizaje automático implementado a gran escala. Todavía se están haciendo avances en esta área, y la detección de fraudes es motivo de preocupación en las finanzas: piense en el lavado de dinero, la manipulación del mercado de valores, etc.