机器学习算法在金融行业中的应用.doc

机器学****算法在金融行业中的应用
戴璞 摘要:当今时代,人工智能的浪潮席卷而来,给各个行业注入一种无与伦比的活力。金融领域也不例外,人工智能给这个行业提供了非富多彩的新型技术,对其进一步发展带来新的契机。本文从底层机器学****算法的角。例如,在目前金融市场上有一种特殊的买卖行为,计算机使用超高性能的硬件和软件快速买卖资产,或者以超高频率和速度交易个人证券,以期望在以秒为数量级的时间内得到收益。由于速度过快数据量巨大,完全超出了人力能及的范围。使用上述决策树算法,只需针对特定的交易类型建立决策树和随机森林,计算机完全自主选择买进与卖出,从而实现收益。
决策树还可以用于银行对客户进行产品推荐。针对不同的客户,他们各方面的条件不同,他们的需求也是千变万化。使用决策树算法,将不同的产品放置在根节点上,客户的条件作为特征通过非叶子节点进行判断后选择分支,最终每个客户都会对应到适合自己的产品。如果构造出的决策树和随机森林合理,被推荐给用户的产品最能俘获客户的心,银行与客户之间的业务也将更便捷与高效。
二、神经网络
近些年,人工智能在金融行业的应用愈演愈烈。神经网络作为人工智能和深度学****的基石,应用广泛且愈发成熟,现在已经演变成一个很大的多学科交叉的学科领域。因此我们有必要了解神经网络的算法思想,来更好的将其应用于金融领域。
神经网络最基本的单元是是由神经元。其仿照了生物模型设计,按一定的逻辑顺序将神经元连接成网,相邻的神经元能够接收到互相传递的信号,这些信号作为神经元的输入,通过神经元自设的权重、阈值和激活函数计算后进行传递和输出。神经网络的结构千变万化,不同结构的神经网络组合神经元的方式不同,所能模拟和解决的问题也不同。在金融行业,各种神经网络也正在发挥着重要作用。在银行中,手写签字识别与人脸识别已经是用于识别身份的关键性技术。而这类的图像识别问题就是基于一种特殊的神经网络结构,称为卷积神经网络。人眼对图片的每个像素的视觉不是独立的,和周围的像素有着很大联系。卷积神经网络中包含了卷积层,图像的矩阵数据在卷积神经网络中向前传输通过卷积层时,会将像素矩阵成块的分割后做卷积运算,运算得到的结果继续向前传递最后输出。这样卷积神经网络将图片中的每个像素与其周围的像素结合,运算后共同形成符合人眼观察的特征,大大提高了图像的识别和处理能力。
目前,一些银行已经提供了财务机器人、聊天机器人等设施来帮助客户了解和选择理财产品,甚至可以自动处理客户请求。这些产品显著的特点是可以进行语音识别、与人类自主对话。在神经网络中,循环神经网络这一类神经网络擅长自然语言处理和语音识别问题。人类的语言是由词语组成,且词与词之间有着先后顺序的联系。因此在分词操作后,一句话可以转化为有时间顺序的特征序列。 与其他神经网络不同的是,循环神经网络中位于同一层的神经元是有连接的,因此网络中的输入和输出不再是相互独立的,特征的传递不仅取决于当前时刻的输入,还受到之前时刻特征输入与输出的影响。因此循环神经网络擅长处理以时间序列为输入的问题,在识别与处理人类语言的问题上有着较好的表现。
三、支持向量机
支持向量机是一种有监督的非线性分类器。他的算法思想是找到能够正确划分训练数据集并且几何间隔最大的分离超平面的全局最优解。支持向量机算法具备着如下特点