Мы не умеем пользоваться счастьем, если мы не насаждаем его, как не умеем пользоваться богатством, не заработав его
Джордж Бернард Шоу


 



Отзывы о банках


InfoBank.by – Все банки Беларуси  >  Куда инвестировать после победы Трампа, предскажет machine learning

Куда инвестировать после победы Трампа, предскажет machine learning

Размер шрифта:    Уменьшить шрифт  Восстановить исходный рзмер  Увеличить шрифт 
1474

Куда инвестировать после победы Трампа, предскажет machine learning
Андрей Алексеев, руководитель отдела проектов управления по работе с финансовыми активами Citi Россия, в преддверии форума FinMachine-2016 рассказал FutureBanking об экспериментах в области machine learning и применимости этих технологий в финансовой сфере.

Почему машинное обучение?

Сегодня в банке, как и в любой другой организации, которая работает с онлайн-потоками информации, для работы с большими и неоднородными массивами данных уже недостаточно подхода, который основан на правилах – слишком многое так или иначе остается на интерпретацию и обработку исключений, с которой как раз человек справляется намного лучше.
 
К примеру, в одном эксперименте, который делали в Citi, входной сет правил в комбинации с обучением по паттернам работал хуже по сравнению с подходом, когда сеть просто обучалась по паттернам без предварительных правил вообще. То есть задачи, которые прекрасно решаются набором правил, пусть даже сложных – к примеру, управление инвестиционным портфелем. Есть модель – пожалуйста следуйте ей, ребалансируйтесь по заданным критериям. Сложный набор инструментов, риск-рейтингов, переоценка стоимости и риска, – но в целом подчинено определенной логике и может быть зашито в приложение для Portfolio management.
 
Теперь давайте посмотрим на управление портфелем в контексте новостного фона:
  1. Brexit и самое большое ослабление фунта еще пару месяцев назад, а теперь отскок после победы Трампа.
  2. Трамп побеждает и то же время US Stocks Bullish.
  3. Еще месяц назад в фаворитах Хиллари и самые дорогие облигации, а сегодня уже селл-офф по ним.
Что можно сказать о каждой из этих новостей? Каждая из них будет иметь свое собственное влияние на портфель инструментов, который использует инвестор. Каждая из них имеет несколько важных характеристик:
  1. Срочность – если не отреагировать вовремя, то новость будет работать не на вас, а против вас;
  2. Относительный вес – возможно относительно стоимости покупки событие как будет так и не будет иметь значимость;
  3. Релеватность – иными словами какому из ваших активов, а так же одному или нескольким будет соответствовать эта новость.
Для решения как раз такого рода задач хорошо использовать алгоритмы machine learning. Почему алгоритмы, думаю, понятно – такой темп данных невозможно обрабатывать человеку в контексте даже тысячи портфелей, когда у вас глобальный продуктовый сет. Почему обучение – думаю, тоже более-менее ясно – классификатор, насколько бы он не был хорошо проработан правилами нужно подучивать для как раз все более и более сложных кейсов.
 
Какие результаты дает machine learning?

Результаты machine learning дает, безусловно, интересные. Главным образом, гораздо лучше начинаешь ценить работу преподавателей в институте (шучу). Если серьезно, в результате даже создания прототипа, гораздо лучше начинаешь понимать границу между rule-based и machine learning – то есть, где machine learning совсем ни к чему, а в какой задаче как раз rule-based уже невозможно, потому что сложность или даже, скорее, темп накопления сложности (то есть новой информации) такой, что просто не успеваешь вырабатывать критерии и описывать их алгоритмом.
 
Для нас было интересна такая гипотеза. Есть у нас около 7,5 тыс. разных продуктов в разных валютах. Есть классы активов и ключевые слова, по которым мы будем искать соответствующие события в открытых источниках. Как хорошо алгоритм будет делать тегирование такого массива и будет ли автокорректор – алгоритм для формирования короткой новости из большой – работать лучше, чем скажем просто человек, который будет сидеть на новостях и делать это самостоятельно? Иными словами, что проще (подразумевается быстрее и дешевле) – обучить человека писать новости из новостного фона под заданное количество категорий классов активов или обучить machine learning?
 
Для кого и чего применим machine learning на практике?

Применим для тех случаев, когда транзакционные издержки на внедрение и поддержку за период амортизации не превышают издержки на внедрение и поддержку не-machine learning, то есть человека, обучаемого и производящего такой же результат. Это совершенно очевидно, но немодно. Здесь можно добавить, что вообще возможности человека не до конца изучены и ограничены довольно условно. Опять же, если мы посмотрим на то, сколько времени мы готовы потратить на обучение алгоритма, то в ряде случаем это просто не рационально. Как большой сторонник автоматизации, я в то же время призываю не упираться в случае, если уже на этапе прототипа получается химера, а просто изучить подробно рынок труда в нестоличных городах России, где есть довольно неплохие вузы.
 
Закончить я хотел бы все же с тем, что мы продолжаем исследовать различные алгоритмы и смотрим, прежде всего, на практические кейсы для работы по поиску и интерпретации больших и комплексных массивов данных. То, что я рассказал ранее про новостной контекст для управления портфелем – это лишь одно направление, где мы работаем с machine learning, но есть и другие, такие как механизмы финансовых рекомендаций на основе схожести клиентов; улучшенная интерпретация данных, которые мы получаем о клиентах и их поведении; поведенческие кампании, которыми уже все сыты, но они всегда актуальны.
 
Очень интересны опыты с обработкой довольно простых операций, таких как, например, интерпретация инвойсов или однотипных анкет, по результатам которых нужно проводить какие-то действия. Казалось бы, тут давно все изобретено и простые OCR / ICR инструменты уже все умеют делать. Но все меняется очень быстро, и сегодня уже можно делать решения (мы использовали продукты компании Workfusion), которые не просто распознают текст и заполняют, например, таблицу, но и поддерживают довольно непростую логику, которая вшита в системы управления поставщиками.
 
Что мы получаем в итоге – преквалификацию с заполненными полями, то есть maker function по сути. Человек становится валидатором – проверяющим за алгоритмом, которые по итогам распознанных форм заполняет данными систему (на основе пройденного обучения на семпле) и обучается в случае проверенных данных. Вообще, по нашему опыту, различные решения для помощи операторам – будь то помощь и предложения готовых ответов по запросам клиентов, такие как Magneta.ai или помощь операторам в предзаполнении форм при обработке кейсов – это очень большая и перспективная сфера для применения AI и machine learning. Она, возможно, немного находится в тени от предсказаний будущего, суперкомпьютеров, которые обрабатывают мегаданные и прочее, но, на мой взгляд, именно там будет самая большая польза от внедрения решений на этом этапе эволюции технологии.


Источник: futurebanking.ru

Понравилось? Отправь друзьям!


Оставить комментарий
  
Комментариев нет