Сбербанк
2358

Машинное обучение в финансах: зачем и где изучать

Расскажем, как искусственный интеллект меняет финансовую сферу.

В закладки

Недавно Сбербанк запустил на Coursera программу по машинному обучению в финансах. Она стала единственным в России курсом со столь узкой специализацией. Мы решили рассказать, исходя из своей практики, почему важно изучать узкоспециализированные отрасли машинного обучения. А в конце — дать список материалов по теме, которые помогут и начинающим, и практикующим специалистам.

Андрей Духовный. Начальник отдела моделирования риска ликвидности казначейства Сбербанка

Сегодня искусственный интеллект и машинное обучение применяются практически во всех сферах деятельности: от анализа поведения пользователей в интернете до исследования генетической предрасположенности человека к серьезным заболеваниям и социального моделирования.

Например, профессор Калифорнийского университета Беркли Тед Мигель на основании более чем 60 количественных исследований нашел взаимосвязь между конфликтами и состоянием климата. Также он показал зависимость между экономическим ростом и средней температурой воздуха. Согласно его оценкам, экономический рост становится ниже в условиях высоких температур – глобальное потепление может снизить общемировой ВВП на 23% к 2100 году.

Несколько лет назад технологии машинного обучения начали активно проникать и в финансовую сферу. В финансах они хорошо себя зарекомендовали — при определении справедливой стоимости домов (компания Zillow), страхового полиса (Health IQ), на ипотечном рынке (LendingHome) и в других областях.

По оценкам футуриста и директора Института глобального будущего Джеймса Кантона, совокупный объем рынка технологий четвертой промышленной революции (BigData, VR, IoT и т.д.) уже к 2025 году составит 3,7 трлн долларов.

В банках модели машинного обучения успешно применяются в кредитном скоринге. Также их используют для построения моделей, которые прогнозируют поведение клиентов в зависимости от предложений банка и макроэкономической ситуации.

Технологический прогресс сильно шагнул вперед, у клиентов появились новые возможности по управлению своими финансами: интернет-банк, мобильный банк, сайт, чат-боты. Появляются небанковские финансовые компании и финтех-стартапы: например, Qwil собирает данные о денежных потоках фрилансеров, на основе этой информации предлагая им авансы, а Revolut делает мультивалютные карты и P2P-сервисы.

Доступ людей к банковским счетам упростился: теперь чтобы оплатить покупку, уже не нужна банковская карта – достаточно иметь мобильный телефон. А в некоторых случаях можно совершать платежи по отпечатку пальца или с помощью технологии распознавания лица.

Все эти изменения оказывают сильное влияние на поведение людей и выбор финансовых сервисов, которыми они регулярно пользуются для оплаты, сбережения средств и привлечения кредитов.

Для построения точных прогнозов развития бизнеса банку уже нельзя ориентироваться только на регрессионный анализ – нужно строить продвинутые модели с применением методов машинного обучения, которые позволяют учесть индивидуальные особенности поведения различных групп людей.

Сегодня большинство используемых в бизнесе алгоритмов machine learning базируются на обучении «под наблюдением» (supervised learning) и при этом обучаются на ограниченных данных, которые не охватывают все возможные сценарии. Поэтому для применения алгоритмов в бизнес-процессах важно знать не только как работает сам алгоритм, но и понимать процесс, в который алгоритм внедряется.

Из-за резкого бума популярности технологии машинного обучения рынок начал ощущать нехватку сильных специалистов в этой области, а, учитывая экспоненциальный рост объёма информации, мировая потребность в специалистах по искусственному интеллекту и машинному обучению в течение следующих десяти лет может вырасти в десять раз.

В связи с этим корпорации и вузы начинают активно вводить в свои учебные программы курсы по машинному обучению. Сегодня выпускники лучших российских технических вузов демонстрируют высокий уровень технических и математических знаний, но зачастую не имеют достаточного представления о том, как устроены реальные бизнес-процессы.

Выпускники экономических вузов, напротив, лучше ориентируются в бизнес-процессах, но в полном объеме не владеют техническими знаниями, которые востребованы корпорациями.

Одна из причин – недостаток практики во время учебы, а также опыта у преподавателей

Высоко востребованы люди, у которых есть представление о том, как внедрять в бизнес-решения те теоретические навыки, которыми они владеют.

Осознавая эту проблему, Сбербанк запустил курс «Машинное обучение в финансах». В качестве преподавателей мы пригласили сотрудников блока «Финансы», департамента глобальных рынков и нашего корпоративного университета

На курсе коллеги рассказывают, как машинное обучение применяется в управлении банковским балансом, в торговых стратегиях, в прогнозировании показателей банка и в макроэкономическом прогнозировании. Слушатели курса смогут получить теоретические знания и научиться использовать их в работе.

В дополнение к курсу мы составили подборку практических и теоретических материалов по машинному обучению, которые помогут прокачать знания для дальнейшего успешного трудоустройства. Материалы будут полезны как студентам, так и уже сложившимся специалистам, которые хотят изменить вектор своего профессионального развития.

Казначейство Сбербанка периодически ведет набор специалистов от уровня junior до senior. Если вы прошли наш курс, вам было интересно и вы хотите попробовать свои силы в нашей команде, присылайте CV на AADukhovny@sberbank.ru.

Что почитать?

Практика

  • Машинное обучение в финансах. Корпоративный университет Сбербанка. De Prado M. L. 2018. Advances in Financial Machine Learning. John Wiley & Sons, Inc. В книге хорошо разобраны проблемы применения стандартных методов машинного обучения в финансах.
  • Лекции профессора Раджа Четти из Стэнфорда. Здесь разобрано большое количество практических кейсов на примере данных по США.
  • Forecasting Inflation in a Data-Rich Environment: The Benefits of Machine Learning Methods. Marcelo C. Medeiros, Gabriel Vasconcelos, Álvaro Veiga, Eduardo Zilberman. Практический пример применения методов машинного обучения для прогнозирования инфляции.
  • Everybody Lies: Big Data, New Data, and What the Internet Can Tell Us About Who We Really Are Hardcover. В 2017 году книга была признана бестселлером по версии The New York Times. Книга больше публицистическая, но при этом очень простым языком объясняет особенности поведения людей и расширяет наше представление о том, что можно считать данными.
  • Yeh R.A., Chen C., Lim T. Y., Schwing A. G., Hasegawa-Johnson M., Do, M. N. 2017. Semantic Image Inpainting with Deep Generative Models. В статье рассказывается о методах анализа изображений. Нам удалось применить их для прогнозирования инфляции, о чем мы рассказываем в рамках курса «Машинное обучение в финансах» на Coursera.

Теория

  • Специализация Машинное обучение и анализ данных от МФТИ и Яндекса. Хороший вводный курс на русском языке, который разбирает типовые задачи машинного обучения и анализа данных и методы их решения.
  • Machine learning. Stanford. Хороший вводный курс на английском.
  • Machine learning. Deep Learning Specialization. Master Deep Learning, and Break into AI, deeplearning.ai. Один из лучших курсов по нейросетям. Уделяется внимание введению в построение нейросетей и созданию проектов с машинным обучением.
  • Machine learning. Probabilistic graphical models. Stanford. Подробное введение в байесовские модели.
  • Matrix Methods in Data Analysis, Signal Processing, and Machine Learning. MIT. Курс содержит описание математических аспектов, которые необходимы для понимания методов построения нейросетей.
  • Adam Gibson, Josh Patterson, 2017, Deep Learning a practitioner’s approach. В книге приведены примеры кода по применению методов машинного обучения.
  • Deep Learning (Adaptive Computation and Machine Learning series). Ian Goodfellow, Yoshua Bengio, Aaron Courville. В книге описываются приемы глубинного обучения, применяемые на практике, в том числе глубокие сети прямого распространения, регуляризация, алгоритмы оптимизации, сверхточные нейронные сети, моделирование последовательностей и другие технологии.
{ "author_name": "Сбербанк", "author_type": "editor", "tags": [], "comments": 0, "likes": 7, "favorites": 20, "is_advertisement": false, "subsite_label": "sberbank", "id": 81427, "is_wide": true, "is_ugc": false, "date": "Mon, 02 Sep 2019 19:58:33 +0300", "is_special": false }
0
{ "id": 81427, "author_id": 137210, "diff_limit": 1000, "urls": {"diff":"\/comments\/81427\/get","add":"\/comments\/81427\/add","edit":"\/comments\/edit","remove":"\/admin\/comments\/remove","pin":"\/admin\/comments\/pin","get4edit":"\/comments\/get4edit","complain":"\/comments\/complain","load_more":"\/comments\/loading\/81427"}, "attach_limit": 2, "max_comment_text_length": 5000, "subsite_id": 137210, "last_count_and_date": null }
Комментариев нет
Популярные
По порядку

Комментарий удален

{ "page_type": "article" }

Прямой эфир

[ { "id": 1, "label": "100%×150_Branding_desktop", "provider": "adfox", "adaptive": [ "desktop" ], "adfox_method": "createAdaptive", "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "ezfl" } } }, { "id": 2, "label": "1200х400", "provider": "adfox", "adaptive": [ "phone" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "ezfn" } } }, { "id": 3, "label": "240х200 _ТГБ_desktop", "provider": "adfox", "adaptive": [ "desktop" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fizc" } } }, { "id": 4, "label": "Article Branding", "provider": "adfox", "adaptive": [ "desktop" ], "adfox": { "ownerId": 228129, "params": { "p1": "cfovx", "p2": "glug" } } }, { "id": 5, "label": "300x500_desktop", "provider": "adfox", "adaptive": [ "desktop" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "ezfk" } } }, { "id": 6, "label": "1180х250_Interpool_баннер над комментариями_Desktop", "provider": "adfox", "adaptive": [ "desktop" ], "adfox": { "ownerId": 228129, "params": { "pp": "h", "ps": "bugf", "p2": "ffyh" } } }, { "id": 7, "label": "Article Footer 100%_desktop_mobile", "provider": "adfox", "adaptive": [ "desktop", "tablet", "phone" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fjxb" } } }, { "id": 8, "label": "Fullscreen Desktop", "provider": "adfox", "adaptive": [ "desktop", "tablet" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fjoh" } } }, { "id": 9, "label": "Fullscreen Mobile", "provider": "adfox", "adaptive": [ "phone" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fjog" } } }, { "id": 10, "disable": true, "label": "Native Partner Desktop", "provider": "adfox", "adaptive": [ "desktop", "tablet" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "clmf", "p2": "fmyb" } } }, { "id": 11, "disable": true, "label": "Native Partner Mobile", "provider": "adfox", "adaptive": [ "phone" ], "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "clmf", "p2": "fmyc" } } }, { "id": 12, "label": "Кнопка в шапке", "provider": "adfox", "adaptive": [ "desktop" ], "adfox": { "ownerId": 228129, "params": { "p1": "bscsh", "p2": "fdhx" } } }, { "id": 13, "label": "DM InPage Video PartnerCode", "provider": "adfox", "adaptive": [ "desktop", "tablet", "phone" ], "adfox_method": "createAdaptive", "adfox": { "ownerId": 228129, "params": { "pp": "h", "ps": "bugf", "p2": "flvn" } } }, { "id": 14, "label": "Yandex context video banner", "provider": "yandex", "yandex": { "block_id": "VI-223676-0", "render_to": "inpage_VI-223676-0-1104503429", "adfox_url": "//ads.adfox.ru/228129/getCode?pp=h&ps=bugf&p2=fpjw&puid1=&puid2=&puid3=&puid4=&puid8=&puid9=&puid10=&puid21=&puid22=&puid31=&puid32=&puid33=&fmt=1&dl={REFERER}&pr=" } }, { "id": 15, "label": "Баннер в ленте на главной", "provider": "adfox", "adaptive": [ "desktop", "tablet", "phone" ], "adfox": { "ownerId": 228129, "params": { "p1": "byudx", "p2": "ftjf" } } }, { "id": 16, "label": "Кнопка в шапке мобайл", "provider": "adfox", "adaptive": [ "tablet", "phone" ], "adfox": { "ownerId": 228129, "params": { "p1": "byzqf", "p2": "ftwx" } } }, { "id": 17, "label": "Stratum Desktop", "provider": "adfox", "adaptive": [ "desktop" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fzvb" } } }, { "id": 18, "label": "Stratum Mobile", "provider": "adfox", "adaptive": [ "tablet", "phone" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "pp": "g", "ps": "bugf", "p2": "fzvc" } } }, { "id": 19, "disable": true, "label": "Тизер на главной", "provider": "adfox", "adaptive": [ "desktop", "tablet", "phone" ], "auto_reload": true, "adfox": { "ownerId": 228129, "params": { "p1": "cbltd", "p2": "gazs" } } } ] { "page_type": "default" }