基于大數據與人工智能時代背景下的金融決策系統分析研究

何成芬

【摘要】在大數據快速滲透及人工智能技術顯著提升的背景下，金融決策系統結合人工智能技術，使金融數據挖掘、處理、分析更為有效與真實可靠，對于客戶來說，更為節省成本、更為高效、投資組合更為多元。

【關鍵詞】人工智能 金融決策 數據處理

一、序言

伴隨著信息科技的迅猛發展，基礎層的云計算、大數據等因素的成熟帶來了人工智能的進步，近年來人工智能概念發展十分迅速，深度學習帶來的技術突破使得復雜任務處理準確率得到大幅提升，人工智能步入其發展黃金期。“十三五規劃”提出了“重點突破新興領域人工智能技術”，國家層面和地方層面也都相繼出臺了其他各項政策對發展人工智能和大數據進行有力支持。發展人工智能有望成為經濟發展的新動力。國內外互聯網巨頭憑借其先天用戶數據豐富、資源配置高效等方面的優勢，以各種形式在加速布局人工智能領域。在大數據處理能效顯著提升與人工智能快速滲透的時代背景下，金融決策平臺搭載人工智能技術，使金融數據的分析越來越科技化、多樣化與普適化，雖然在我國金融數據的挖掘和應用尚在起步階段，但金融數據作為大數據中最具含金量的數據源，也逐漸受到越來越多的重視。

二、技術理論基礎與金融決策

傳統的數據服務軟件提供給客戶的主要是行情展示、行情推送等基礎的服務，而互聯網技術和互聯網金融企業的蓬勃發展，共同促進了金融機構的建設，人工智能的正在從專用型（特定于某一場景）轉變為通用型，將基于數據、算法和計算的互聯網技術群與實際場景相互聯系起來，協同發展。正是由于人工智能突破傳統局限的范疇，才能使其真正將技術拓展至泛智能的應用，更具普適型的Applications隨之產生。基于對金融參與者全方位的大數據分析、以及不斷機器模擬學習和推進人工智能技術，提供精準內容服務和數據輔助處理服務更為高效；幫助個人或者機構作出適合其風險偏好、收益要求、投資年限等的金融決策平臺不斷產生。

在以人工智能技術融合進金融決策系統分析的過程中，仍舊以基礎金融理論為指導，以馬科維茨理論的均值方差模型為基礎，在所構建的投資組合中，以最低的風險水平上賺取最高的收益率為目標。在按照一定算法篩選出滿足一定收益風險指標的投資策略組合，保證其組合符合投資人的風險收益偏好。基于人工智能技術的更高級的算法和技術操作，可以在金融決策過程中進行更為廣泛的量化投資策略，包含諸如行業輪動策略、量化擇時策略、多因子Alpha體系以及其他各類事件驅動策略決策。在人工智能技術的前提下，由學習系統、決策系統、智能執行構成的智能代理，通過數據監測和模塊分析對外界實時金融數據的處理結果進行相應操作。

無論是自籌數據、公共數據還是產業數據協同，數據的挖掘過程繁復，容易造成數據失真，人工的方式失誤程度更高，同時數據級別都是海量單位，大量數據存在方式為非結構化的形式，金融大數據的處理工作面臨挑戰。但融合人工智能技術的數據挖掘真實性、完整性更為可靠，并且在風險管理與交易這種復雜數據的處理方面，人工智能的應用將大幅降低人力成本并提升金融風控及業務處理能力。金融決策系統搭載人工智能技術的應用可以說是金融機構與客戶的交互入口，傳統的數據服務以人工服務的模式展開，客服面臨的80%的問題是簡單、重復的問題，但卻消耗大量的人力和時間成本；同時，客服的服務內容大都來自企業自由知識體系，受整體外部金融環境的影響較少，這使得企業智能化應用相對容易，并且針對不同需求的客戶提供不同專業的智能服務也變得不再是遙不可及。人工智能技術在既有技術的基礎上，將出現顯著的突破，其應用價值也將顯著提升。人工智能技術在促進商業模式智能化的融合上也發揮著舉足輕重的作用。

阿里巴巴旗下螞蟻金服2016年公布的數據中，網上銀行的花唄與微貸業務上，使用機器學習將虛假交易率降低了十倍，機器人問答準確率超過80%，人工智能在于客戶溝通及數據挖掘中發揮了重要作用。交通銀行推出的網點智能機器人，足以分擔大量大堂經理的工作，分流客戶，節省客戶時間。平安集團下設人工智能實驗室大規模研發人工智能金融應用，人機結合有效解決了客戶問題，并能實現個性化服務。為客戶金融決策行為提供得力輔助。

三、研究意義

金融數據大多是以時間序列的形式展示出來，而金融時間序列中包含了諸多金融知識和規律，在大數據和人工智能背景下的金融數據挖掘和分析是從指定金融網頁上的金融模塊中采集相關數據，運用智能科技手段進行分析、處理相關金融數據并指導相關金融決策的過程，研究智能技術在金融數據分析中的應用可以為金融決策系統提供新的理論基礎。

金融數據存在的范圍極廣泛，經濟活動和商業活動中都存在大量金融數據，但用戶對于數據的需求與使用情況多元化，金融數據決策系統可以根據用戶的實際需求進行調整，跨區域、低成本、全透明、全數字地持續跟蹤市場變化，充分發揮互聯網技術的作用，大大降低投資理財費用，并且能夠精確、快速匹配投資需求，同時保持實時數據披露和高流動性，使得客戶可以以最低的信息成本獲取更高的信息收入。在用戶的數據分析過程中，有效性越高，信息不對稱的成本越低，便越有利于對決策的客觀性和穩定性，以及越有利于金融市場的穩定性與規范性。

四、應用啟示

結合目前人工智能行業發展趨勢，按照人工智能技術分類，結合目前人工智能技術支持能力和市場實際應用情況，大規模以及深度運用機器學習，導入海量金融交易數據，使用深度學習技術，從金融數據中自動發現模式，基于機器學習技術構建金融知識圖譜，基于大數據的風控需要把不同來源的數據整合在一起，篩選數據、分析數據、建模及預測打分，可以嘗試在金融決策中多加運用相關技術，望能提升客戶體驗和內部管理效率以及進行風險防范。

參考文獻：

[1]韓飚，胡德.人工智能在金融領域的應用及應對[J].武漢金融，2016（7）.

[2]程東亮.人工智能在金融領域應用現狀及安全風險探析[J].金融科技時代，2016（9）.