(function(m,e,t,r,i,k,a){m[i]=m[i]||function(){(m[i].a=m[i].a||[]).push(arguments)}; m[i].l=1*new Date(); for (var j = 0; j < document.scripts.length; j++) {if (document.scripts[j].src === r) { return; }} k=e.createElement(t),a=e.getElementsByTagName(t)[0],k.async=1,k.src=r,a.parentNode.insertBefore(k,a)}) (window, document, "script", "https://mc.yandex.ru/metrika/tag.js", "ym"); ym(93857963, "init", { defer: true, clickmap:true, trackLinks:true, accurateTrackBounce:true }); ym(93857963, 'hit', window.location.href);

Машинное обучение в финансах: зачем и где изучать

Расскажем, как искусственный интеллект меняет финансовую сферу.

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.
0
2 комментария

Комментарий удален модератором

Развернуть ветку
Александр Кровяков

А че бесплатных ресурсов не существует? Сбербанк признался в потере миллиарда рублей. Из-за дата-сатанистов в очечках??

Ответить
Развернуть ветку
Саша То

Наш первый онлайн-практикум для сотрудников промышленных предприятий (бесплатно) прошли более 10 000 человек: 

https://proizvodstvo.zyfra.com/

Ответить
Развернуть ветку
-1 комментариев
Раскрывать всегда