機(jī)器學(xué)習(xí)算法在金融行業(yè)中的應(yīng)用

戴璞

摘要：當(dāng)今時(shí)代，人工智能的浪潮席卷而來，給各個(gè)行業(yè)注入一種無與倫比的活力。金融領(lǐng)域也不例外，人工智能給這個(gè)行業(yè)提供了非富多彩的新型技術(shù)，對(duì)其進(jìn)一步發(fā)展帶來新的契機(jī)。本文從底層機(jī)器學(xué)習(xí)算法的角度，介紹了幾種基礎(chǔ)的機(jī)器學(xué)習(xí)算法，揭示了較流行的技術(shù)所使用的底層算法，闡釋了他們?cè)诮鹑陬I(lǐng)域中的使用方式和使用前景。

關(guān)鍵詞：機(jī)器學(xué)習(xí)算法 金融行業(yè) 人工智能

與機(jī)器相比，大腦容量和計(jì)算能力對(duì)人類的行為和思考有嚴(yán)重的限制。而機(jī)器學(xué)習(xí)算法是用來給計(jì)算機(jī)設(shè)計(jì)一種方法，使計(jì)算機(jī)能夠自行學(xué)習(xí)后對(duì)同類問題自動(dòng)的決策，且具有遠(yuǎn)超人類的速度。因此金融領(lǐng)域中存在一些數(shù)據(jù)量巨大、大海撈針式的任務(wù)都適合使用機(jī)器學(xué)習(xí)來完成。

機(jī)器學(xué)習(xí)算法可以劃分為有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)兩種類別。有監(jiān)督學(xué)習(xí)在金融領(lǐng)域的使用尤為廣泛，大致步驟如下。在學(xué)習(xí)與訓(xùn)練階段，機(jī)器對(duì)一類問題進(jìn)行學(xué)習(xí)從而訓(xùn)練出模型。在這個(gè)階段首先需要已經(jīng)有答案的測(cè)試集，已經(jīng)做好正確決策的樣本來供計(jì)算機(jī)來學(xué)習(xí)。在測(cè)試階段，測(cè)試集用來對(duì)已經(jīng)訓(xùn)練出的模型進(jìn)行測(cè)試，進(jìn)一步修改模型以得到更好的結(jié)果。最后輸出完善的模型。下文介紹了幾種具有各自的特點(diǎn)和優(yōu)勢(shì)的幾種算法，同時(shí)展示了他們?cè)诮鹑谛袠I(yè)可能的應(yīng)用。

一、決策樹算法與隨機(jī)森林

決策樹算法是基于‘樹數(shù)據(jù)結(jié)構(gòu)的分類算法。‘樹是由節(jié)點(diǎn)和分支組成的，其中節(jié)點(diǎn)用來儲(chǔ)存信息和數(shù)據(jù)，分支用來表示各信息和數(shù)據(jù)之間的相互關(guān)系。

在此算法中，如何科學(xué)合理的構(gòu)造一個(gè)決策樹是本算法的關(guān)鍵。在選擇非葉子節(jié)點(diǎn)的特征和特征劃分方式時(shí)考慮信息增益，從決策樹的頂端到底部依次選擇信息增益最大的特征和特征劃分方式作為非葉子節(jié)點(diǎn)，這樣能夠盡可能的利用特征的多樣性構(gòu)造出最準(zhǔn)確的決策樹。

樹聚成林，隨機(jī)森林是在決策樹的基礎(chǔ)上發(fā)展來的一種集成算法。隨機(jī)森林算法構(gòu)造了多個(gè)決策樹，然后用特定的集成方法將這些決策樹進(jìn)行集成，使多個(gè)決策樹共同完成樣本的分類和決策。經(jīng)過大量現(xiàn)實(shí)任務(wù)的檢驗(yàn)，隨機(jī)森林憑借著簡(jiǎn)單且容易實(shí)現(xiàn)的算法思想展示出來了強(qiáng)大的性能，在數(shù)據(jù)挖掘領(lǐng)域取得優(yōu)秀表現(xiàn)。

在金融行業(yè)，決策樹算法與隨機(jī)森林的用武之地十分廣闊。首先，這種算法可以用來對(duì)一些有選項(xiàng)問題進(jìn)行決策。由于其算法自動(dòng)決策，時(shí)間成本人力成本較小，特別適用于超高頻率的數(shù)據(jù)量巨大的決策。例如，在目前金融市場(chǎng)上有一種特殊的買賣行為，計(jì)算機(jī)使用超高性能的硬件和軟件快速買賣資產(chǎn)，或者以超高頻率和速度交易個(gè)人證券，以期望在以秒為數(shù)量級(jí)的時(shí)間內(nèi)得到收益。由于速度過快數(shù)據(jù)量巨大，完全超出了人力能及的范圍。使用上述決策樹算法，只需針對(duì)特定的交易類型建立決策樹和隨機(jī)森林，計(jì)算機(jī)完全自主選擇買進(jìn)與賣出，從而實(shí)現(xiàn)收益。

決策樹還可以用于銀行對(duì)客戶進(jìn)行產(chǎn)品推薦。針對(duì)不同的客戶，他們各方面的條件不同，他們的需求也是千變?nèi)f化。使用決策樹算法，將不同的產(chǎn)品放置在根節(jié)點(diǎn)上，客戶的條件作為特征通過非葉子節(jié)點(diǎn)進(jìn)行判斷后選擇分支，最終每個(gè)客戶都會(huì)對(duì)應(yīng)到適合自己的產(chǎn)品。如果構(gòu)造出的決策樹和隨機(jī)森林合理，被推薦給用戶的產(chǎn)品最能俘獲客戶的心，銀行與客戶之間的業(yè)務(wù)也將更便捷與高效。

二、神經(jīng)網(wǎng)絡(luò)

近些年，人工智能在金融行業(yè)的應(yīng)用愈演愈烈。神經(jīng)網(wǎng)絡(luò)作為人工智能和深度學(xué)習(xí)的基石，應(yīng)用廣泛且愈發(fā)成熟，現(xiàn)在已經(jīng)演變成一個(gè)很大的多學(xué)科交叉的學(xué)科領(lǐng)域。因此我們有必要了解神經(jīng)網(wǎng)絡(luò)的算法思想，來更好的將其應(yīng)用于金融領(lǐng)域。

神經(jīng)網(wǎng)絡(luò)最基本的單元是是由神經(jīng)元。其仿照了生物模型設(shè)計(jì)，按一定的邏輯順序?qū)⑸窠?jīng)元連接成網(wǎng)，相鄰的神經(jīng)元能夠接收到互相傳遞的信號(hào)，這些信號(hào)作為神經(jīng)元的輸入，通過神經(jīng)元自設(shè)的權(quán)重、閾值和激活函數(shù)計(jì)算后進(jìn)行傳遞和輸出。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)千變?nèi)f化，不同結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)組合神經(jīng)元的方式不同，所能模擬和解決的問題也不同。在金融行業(yè)，各種神經(jīng)網(wǎng)絡(luò)也正在發(fā)揮著重要作用。在銀行中，手寫簽字識(shí)別與人臉識(shí)別已經(jīng)是用于識(shí)別身份的關(guān)鍵性技術(shù)。而這類的圖像識(shí)別問題就是基于一種特殊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，稱為卷積神經(jīng)網(wǎng)絡(luò)。人眼對(duì)圖片的每個(gè)像素的視覺不是獨(dú)立的，和周圍的像素有著很大聯(lián)系。卷積神經(jīng)網(wǎng)絡(luò)中包含了卷積層，圖像的矩陣數(shù)據(jù)在卷積神經(jīng)網(wǎng)絡(luò)中向前傳輸通過卷積層時(shí)，會(huì)將像素矩陣成塊的分割后做卷積運(yùn)算，運(yùn)算得到的結(jié)果繼續(xù)向前傳遞最后輸出。這樣卷積神經(jīng)網(wǎng)絡(luò)將圖片中的每個(gè)像素與其周圍的像素結(jié)合，運(yùn)算后共同形成符合人眼觀察的特征，大大提高了圖像的識(shí)別和處理能力。

目前，一些銀行已經(jīng)提供了財(cái)務(wù)機(jī)器人、聊天機(jī)器人等設(shè)施來幫助客戶了解和選擇理財(cái)產(chǎn)品，甚至可以自動(dòng)處理客戶請(qǐng)求。這些產(chǎn)品顯著的特點(diǎn)是可以進(jìn)行語音識(shí)別、與人類自主對(duì)話。在神經(jīng)網(wǎng)絡(luò)中，循環(huán)神經(jīng)網(wǎng)絡(luò)這一類神經(jīng)網(wǎng)絡(luò)擅長(zhǎng)自然語言處理和語音識(shí)別問題。人類的語言是由詞語組成，且詞與詞之間有著先后順序的聯(lián)系。因此在分詞操作后，一句話可以轉(zhuǎn)化為有時(shí)間順序的特征序列。 與其他神經(jīng)網(wǎng)絡(luò)不同的是，循環(huán)神經(jīng)網(wǎng)絡(luò)中位于同一層的神經(jīng)元是有連接的，因此網(wǎng)絡(luò)中的輸入和輸出不再是相互獨(dú)立的，特征的傳遞不僅取決于當(dāng)前時(shí)刻的輸入，還受到之前時(shí)刻特征輸入與輸出的影響。因此循環(huán)神經(jīng)網(wǎng)絡(luò)擅長(zhǎng)處理以時(shí)間序列為輸入的問題，在識(shí)別與處理人類語言的問題上有著較好的表現(xiàn)。

三、支持向量機(jī)

支持向量機(jī)是一種有監(jiān)督的非線性分類器。他的算法思想是找到能夠正確劃分訓(xùn)練數(shù)據(jù)集并且?guī)缀伍g隔最大的分離超平面的全局最優(yōu)解。支持向量機(jī)算法具備著如下特點(diǎn)，使得其在金融行業(yè)能夠得到很好的應(yīng)用。首先，支持向量機(jī)的分類不是絕對(duì)的，他可以在一定程度上容忍較小誤差，被稱為軟間隔。這種軟間隔的設(shè)置有利于提高此算法的泛化能力。同時(shí)，支持向量機(jī)使用了核函數(shù)來確保分類超平面的存在。在復(fù)雜的現(xiàn)實(shí)任務(wù)中，線性平面很可能并不能很好的完成分類。此時(shí)使用核函數(shù)將非線性化的樣本特征從原始空間映射到一個(gè)更高維的特征空間，使得樣本在另外一個(gè)空間中線性可分。因此，支持向量機(jī)擅長(zhǎng)復(fù)雜高維數(shù)據(jù)的分類問題。

支持向量機(jī)分類功能強(qiáng)大，在金融行業(yè)的應(yīng)用十分廣泛。由于數(shù)據(jù)泄露事件越來越常見，欺詐已成為銀行和信用卡公司面臨的主要問題。由于數(shù)據(jù)量巨大，人工手動(dòng)鑒別欺詐行為顯然不存在可行性，這時(shí)便需要求助機(jī)器學(xué)習(xí)算法。而欺詐檢測(cè)實(shí)際上是一個(gè)將交易分為非欺詐行為和欺詐行為的分類問題，因此支持向量機(jī)算法特別適合用于進(jìn)行欺詐檢測(cè)。他的實(shí)現(xiàn)過程也很簡(jiǎn)單。首先，我們需要基于一個(gè)欺詐與非欺詐都存在的已知樣本集訓(xùn)練出一個(gè)檢測(cè)模型。接著將待檢測(cè)交易的數(shù)據(jù)提取特征后輸入基于支持向量機(jī)的檢測(cè)模型中，計(jì)算機(jī)就可以以極快的速度進(jìn)行大量交易的檢測(cè)，完成人力所不能及的工作。

支持向量機(jī)在貸款判定和保險(xiǎn)承保方面也大有用武之地。傳統(tǒng)的銀行與保險(xiǎn)公司在對(duì)客戶進(jìn)行鑒定時(shí)，通常是線性思維且考慮的信息個(gè)數(shù)與種類較少。而在如今的信息時(shí)代，一個(gè)客戶的信息可能達(dá)到成千上萬條，對(duì)客戶的線性分類也不再符合信息多元化的要求。此時(shí)支持向量機(jī)可以代替人工對(duì)客戶進(jìn)行快速鑒定。首先在分類方式上，將客戶分類為忠誠客戶和非忠誠客戶。使用支持向量機(jī)方法，將原始空間中的信息映射到高緯特征空間后，根據(jù)已分類訓(xùn)練集找到能夠盡可能將兩種客戶區(qū)分開來的結(jié)構(gòu)模型。這樣就可以實(shí)現(xiàn)計(jì)算機(jī)自動(dòng)完成客戶的精確分類與鑒定。

參考文獻(xiàn)：

[1]嚴(yán)蔚敏，李冬梅，吳偉民.數(shù)據(jù)結(jié)構(gòu)（C語言版）[J].計(jì)算機(jī)教育，No.168（12）.

[2]周志華，機(jī)器學(xué)習(xí)[M].北京.清華大學(xué)出版社，2016：73-95.

[3]吳玉軒.機(jī)器學(xué)習(xí)算法在金融市場(chǎng)風(fēng)險(xiǎn)預(yù)測(cè)中的應(yīng)用[J].信息系統(tǒng)工程，2019（2）.

[4]李赟妮.神經(jīng)網(wǎng)絡(luò)模型在銀行互聯(lián)網(wǎng)金融反欺詐中的應(yīng)用探索[J].金融科技時(shí)代，2018，No.276（08）：24-28.

[5]王雅靜.銀行個(gè)人客戶信用評(píng)分模型研究——基于決策樹算法[J].現(xiàn)代商貿(mào)工業(yè)，2015，36（19）：64-65.

[6]West D.Neural network credit scoring models[J].Computers & Operations Research，2000，27（11-12）：1131-1152.

作者單位：武漢大學(xué)黨委研究生工作部