圖片來自網路
在上週五的文章關於人工智慧和機器字習的連載一中（點我查看）， 主要講了其概要和關於兩者的背景定義以及推動其發展的因素，
以客戶為中心的應用:信用評估， 保險和面對客戶的聊天機器人
以運營核心的應用
交易和組合管理
在監管合規和監督中的應用
代表性應用場景
金融穩定高度依賴人工智慧和機器學習的應用。 為了評估影響， 需要考慮的問題包括哪種人工智慧和機器學習工具會被用於做哪種決策， 在什麼事件， 執行哪種金融功能， 以及在哪裡和人類介入水準如何等。 在金融領域應用人工智慧和機器學習有很多目的。 其中的例於包括：
情緒指標：社交媒體資料分析公司使用人工智慧和機器學習技術為一些金融機構提供‘情緒指標’。 投資者情緒指標開發出來後就賣給銀行，
a. 交易信號：機器學習可以快速掃描並基於更多的資訊源進行決策， 説明公司提高效率， 降低成本.這是人類做不到的（見3.3部分）。 機器學習技術也存在不足：機器學習可以找出過去結果中的一定模式， 並且非常依靠這種過去的模式， 所以這些工具很容易受到假資訊的干擾。 比如， 在2013年4月， 推特上出了兩個關於白宮爆炸的虛假新聞， 然後交易演算法對這兩則虛假新聞做出反應， 由此在股票， 債券， 外匯和商品市場上出現一致的市場走勢。 隨著機器學習的廣泛應用， 這類問題會進一步被放大。
b. AML/CFT和欺詐識別：一些公司在尋求提高效率同時降低成本和風險.同時又要符合監管規定，
本部分考慮了人工智慧和機器學習的四種應用場景。 分別是：i)以客戶為核心的應用（前臺）， 包括信用評估， 保險和面對客戶的聊天機器人；（ii)以運營為核心的應用（後臺）， 包括資本優化， 風險管理建模和市場影響力分析；（iii)金融場上交易和組合管理；（iv)金融機構將人工智慧和機器學習用於監管合規（監管科技， RegTech)或公共部門用於監督（監督科技 SupTech）。 對於每種應用場景， 我們會有幾個已經實現的或潛在的應用案例， 還有對當前技術應用的未來預測。 對微觀和宏觀層面將留在第四部分和第五部分。
3.1 以客戶為核心的應用：
以客戶為核心的應用是指信用評估， 保險和面向客戶的智慧聊天機器人。 人工智慧和機器學己經在金融機構前臺得到應用。 大規模的客戶資料可以輸入新的演算法模型中評估信用水準， 由此對貸款進行定價。 同樣， 這樣的資料可以説明評估銷售保險和對保單定價的風險。 最後， 現在被稱為聊天機器人或虛擬助手的人工智慧介面己經逐漸可以和客戶進行互動， 他們可以用自然語言和使用者互動。 這部分會依次討論。
3.1.1 信用評估應用
使用機器學習的信貸評估工具是為了加快貸款決策， 同時能夠限制風險累加。 貸款機構長期依靠信用評估來為是否給公司和個人貸款決策。
除了促進對信用更準確的分段評估， 在信用評估中使用機器學習演算法可以提高信貸決策效率。在一些市場中使用的傳統信用評估模型，潛在的借款人必須有過去的借款資訊，可以用來進行評估。在缺乏這些資訊的情況下，就不會生成信用評分，一個潛
在的信用良好的借款人就無法獲得貸款，也就無法建立自己的貸款記錄。有了其他替代件資料來源，並應用機器學習演算法説明評估信用和還款意願，貸款機構就能夠對是否貸款做決策，這在以前是不可能的。這一趨勢會令信貸市場不發達的市場受益，在信貸市場較發家，則會導致信貸餘額的增加不可持續。而且，在評估信用方面，機器學習的信用評估模型是否超過傳統模型也沒有經過證明。
過去幾年，很多以傳統銀行無法服務的客戶為主要目標的金融科技創業企業開始出現。除了在美國為人所熟知的互聯網貸款企業之外，有一家公司正使用演算法對資料進行分析，並將業務拓展到海外市場，如中國，中國市場上有很多借款人並沒有信用評分。另一家倫敦的公司正為那些信用資料殘缺不全的個體提供信用評估，其使用演算法和另類資料來源對那些因為一些小差錯被貸款機構拒絕貸款的貸款申請進行評估。此外，一些公司正在想辦法利用傳統銀行所擁有的海量資料，將這些資料同移動銀行應用和人工智慧結合對理財管理提供輔助，同時進行理財預測，這可能是簡歷信用歷史的第一部。
在信用評估模型方面使用人工智慧有優勢也有不足。人工智慧可以對大規模資料很快進行分析。由此，其可以推動形成可以處理大規模信用資料的信用評估政策，降低對某個個體進行信用風險評估的成本，擴大公司可以評估信用風險的個體數量。大資料應用于信用評估的一個例於應該包括非貸款模式，比如手機即時支付以及其他公用事業帳單，這需要和其他資料結合。此外，沒有信用記錄或信用評分的人可以因為人工智慧而獲得貸款或申請信用卡，此前在傳統的信用評估模型中缺乏信用記錄都被視為申請人無法按時還款的一個重要指標因素。
但是，使用複雜的演算法也會導致對消費者來說缺乏透明度 機器學習從另一個角度來說也是個 “黑箱”，會引起人們的擔憂。當使用機器學習進行信用評估和信貸決策時，如果受到質疑則通常很難向消費者，審計師，監管機構解釋其信用評估以及由此帶來的信貸決策結果。此外，有些人認為使用一些新的另類資料來源，如互聯網上的行為或非傳統的財務資訊，可能會對信貸決策導致偏差。尤其是，消費者權益保護團體指出機器學習工具可能會產生一些關於借款人特徵的組合，如簡單的預測其種族或性別，很多地區的公平借貸法律禁止考慮這些因素。這些演算法或許因為借款人少數族裔而認為其違約風險較高，也可能是因為同—族裔的借款人以前在申請貸款時通過審批的不多。
借款人和貸款產品歷史資料對於這些分析工具的效果非常重要。同樣，在各種金融環境下借款人-產品績效數劇的可獲得性，資料以及可靠性是這些風險模型的關鍵。而且，對這些新出現的人工智慧和機器學習模型，缺乏相關資料，也缺乏這些模型在各種金融週期下的效果相關資訊，有些監管當局己經指出這些問題。
3.1.2用於定價，市場推廣和管理保險產品
保險業正使用機器學習來分析複雜資料，降低成本，提高盈利能力。因為分析資料從而進行定價是保險業務的核心，保險相關技術，有時候又被稱為是‘保險科技’ （InsurTech），經常要依靠大資料分析。在保險科技中應用人工智慧和機器學習在美國，英國，德國和中國很常見。
很多應用涉及到優化承保流程，對於保險公司收集的一些能夠識別潛在高風險，降低索賠額，提高盈利能力的案例資料，這些應用可以説明保險公司對這些資料進行分析。有些保險公司正在積極利用機器學習來優化定價或者保險產品的市場推廣，這主要是融合即時，高度精細化資料進行的，比如網路購物行為或者遠端資訊（聯網設備上的感測器，如汽車里程表）。有些公司或者會通過合作、收購或者非保險業務來獲取這些資料。在很多情況下，當資料保護。監管政策要求的情況下，公司需要征得使用者的同意才能使用及資料。
人工智慧和機器學習應用可以大大改善某些保險環節效率。比如承保和理賠處理處理。在承保環節，大型的商業險和壽險或傷殘保險可以基於自然語言處理，經由人工智慧系統提高其效率。這些應用可以從過去的理賠資料中經過訓練，為人類決策者突出某些關鍵考慮因素。機器學習技術可以用於決定維修成本，並且可以自動根據車禍事故損毀的嚴重性對車禍進行歸類。此外，人工智慧可以幫助縮短理賠處理時間，降低運營成本。保險公司也在探索人工智慧和機器學習以及遠端感測器（通過物聯網接入）可以發現，在某些情況下可以預防保險事故發生，比如化學品洩漏或車禍。
這些方法可能會獲得廣泛應用。根據私營部門的預測，全球保險科技投資在2016年達到17億美元。同時，26%的保險公司為數字領域的創業企業提供資本或非資本支持（比如，指導），17%的保險公司在內部設立了風險投資基金或者以高科技行業為目標的投資部門。同時使用機器學習可以為保險公司帶來更準確的定價和風險評估。當然也有關於消費者保護方面滴擔心，主要是因為可能會出現資料差錯或某些群體被排除在外。
3.1.3 面向客戶的聊天機器人聊天
聊天機器人是説明客戶交易或解決問題的虛擬助手。這些自動化程式使用自然語言處理自然語言（文本或音訊）和客戶交互，使用機器學習演算法自我完善。很多金融機構已經使用了聊天機器人，通常是在其移動應用或者社交媒體帳號上。還有很多金融機構正在測試階段，所以聊天機器人會有很大的發展潛力，尤其是在年輕一代群體中，並且會越來越專業複雜。現在金融機構在使用的聊天機器人很簡單，通常為客戶提供帳戶資訊或者對客戶提出預警，或者回答簡單的問題。值得觀察的是聊天機器人的使用越來越多和通訊應用的使用有關係。
聊天機器人越來越向提供諮詢建議或促進客戶行動這些方向發展。除了輔助金融機構客戶進行投資決策，金融機構還可以從聊天機器人和客戶互動過程中獲取客戶資訊，從而受益。落後的客戶資料存儲基礎設施延緩了很多地方金融機構聊天機器人的發展，亞洲金融機構和監管機構己經開發山了更加專業的聊天機器人，並且現在己經使用得很多了。保險行業也在探索使用聊天機器人提供即時保險諮詢服務。
3.2運營過程應用人工智慧
金融機構可以在很多運營業務（後臺）中使用人工智慧和機器學習工具。一些應用包括：（i)銀行資本優化；（ii)模型風險管理（回測和模型驗證）；以及（iii)市場影響分析（大宗交易建模）。下面將會依次討論。
3.2.1資本優化應用場景
資本優化，或者一定資金規模情況下實現利潤最大化，是傳統銀行功能，高度依賴數學方法。人工智慧和機器學習工具都是建立在計算能力，大資料和數學優化概念基礎上的，可以提高資本優化效率，準確率，以及速度。在過去兒年，在學術界和行業內的專業人，利用機器學習優化銀行監管資本都是一個非常關注的課題。在2012年，私人部門的觀察家指出很多銀行聲稱他們開展了很有意義的專案優化風險加權資產（RWA),並且節省了 RWA5%-15% 。資本優化在衍生品利潤優化方面也需要做，比如MVA(margin valuation adjustment)，關於清算和雙邊保證的新監管規定也對優化資本和初始保證金在專業技術方面提出了新的要求。
人工智慧和機器學習可以幫銀行優化MVA，最近的研究表明在這些方面也有些進展。在MVA優化過程中，機器學習要結合以下方面降低衍生品初始保證金要求：（a)執行成對抵銷衍生品交易（offsetting derivative trades) ; (b)和同一交易員執行抵銷策略；（c)從一個交易組合中代替另一個交易組合中的交易。機器學習可以根據過去不同交易組合情況下初始保證金減少程度，在給定時間裡發現減少交易的最佳初始保證金組合。在RWA和MVA優化中的進步可能會減少傳統上標準化的監管資本要求，並且會降低對不可優化資本監管工具的過度依賴。
3.2.2模型風險（回測和模型驗證）和壓力測試
學術專家和業內人士通常認為回撤和模型驗證中是人工智慧和機器學習不久就可以應用的領域。很多銀行正在考慮用機器學習來探索利用大量非結構性和半結構性資料集，並且要監督重要模型的輸出。回測很重要，因為回測通常會用來評估銀行的風險模型效果如何。在過去幾年，美國和歐洲審慎監管機構重點關注銀行使用的回測和模型驗證工作，為模型風險管理提供指導。為回測設定很多條件可以考慮市場行為和其他趨勢的改變，有希望減少在上述情景中低估風險的可能性。
有些應用已經出現。比如，一家全球跨國投資銀行正在模型驗證中使用無監督學習演算法。其證券衍生品業務使用這類機器學習找出其壓力測試模型產生的異常預測值。每天晚上，這些模型會產生超過三百萬個計算報告監督監管情況、內部資本配置情況。無監督學習演算法會在監督內部和監管壓力測試模型中有助於模型驗證，因為他們可以説明確定這些模型是否在可接受的容忍度內運行或者偏離了最初的目標。他們還可以向經營風險模型提供其他輸入，比如組織受到網路攻擊的脆弱程度。
同樣，人工智慧和學習和機器學習技術也應用於壓力測試，金融危機之後越來越多的壓力測試已經對銀行造成了困難，因為銀行進行監管壓力測試要分析大量資料。人工智慧和機器學習工具的一家供應商已經密切的和一家大型金融機構合作開發工具幫助他們為銀行壓力測試構建資本市場業務模型。其開發的工目的是在給定違約概率和違約損失的場景分析中限制變數的數量。通過使用無監督學習模型分析大量的資料，其工具可以記錄因為變數選擇而出現的任何偏差，由此可以給模型帶來更好的透明度。
並且，人工智慧還可以説明什麼時候交易能夠將市場影響降到最低。市場影響模型可以描述交易帶來的影響是如何依賴此前的交易的。模型會避免將交易安排地過於密集，從而避免對市場造成嚴重影響。這些模型可以用於為一系列場景設計最可能的交易模式，然後隨著真實交易情況的變化調整交易計畫，使用監督學習技術進行短期預測，確定調整情況。銀行業正在測試強化學習，教人工智慧工具對限價訂單中的訂單不平衡（指令差額）和佇列位置做出反應。
3.2.3 市場影響分析(大宗交易建模)
人工智慧和機器學習可以對傳統的市場影響模型形成補充。公司可以使用人工智慧從稀少的歷史模型中獲得更多資訊，或者説明識別訂單流中的非線性關係。自己學習還能夠用來開發“交易機器人”，這些交易機器人可以教自己如何對市場變化做出反應。市場影響分析，主要是公司交易對市場價格的影響進行評估。由於公司比較擔心交易帶來的影響，尤其是大宗交易對市場價格的影響，對這些影響進行更準確的預測是確定交易時間以及實現交易執行成本最小的關鍵。
很多公司正在探索使用人工智慧工具對某些交易造成的市場影響進行分析。公司自營交易，對市場價格的影響是難以建模的，尤其是對於流動性較差的證券產品。這些產品過去可以對比的交易資料很少。人工智慧工具可以有助於強化正在使用的模型，或者是引入機器學習方法實現交易對價格和流動性的影響最小。對於那些非常活躍的系統重要性基金，其交易產生的收益中有2/3據估計會因為市場影響成本而損失掉。
機器學習也經常用於找出那些價格變動模式類似的債券50。這麼做，機器學習要依賴更多的資料點，但市場交易量較少時可以更好地預測價格變化。由此形成的工具將債券分成一組一組的使用聚類分析，在每組中收集最可比地產品，評估單個債券的流動性。
3.3、交易和組合管理
人工智慧和機器學習技術是資產管理公司和交易公司現在研究的重點領域。除了研發投入以外，有些公司現在使用機器學習設計交易和投資策略。人工智慧投資策略的自主程度和人類參與程度每個應用都有所不同。本部分，我們會分析交易執行（主要是賣方）和組合管理（買方）的應用。
3.3.1.人工智慧和機器學習在交易執行中的應用
交易公司希望人工智慧和機器學習使用資料提高其銷售能力。比如，分析過去交易行為可以有助於預測客戶的下一個訂單。交易會產生大量的資料，這些數的規模通常都可以由機器學習工具有效使用。如果目前使用語音轉化成文本的服務趨勢持續吸取，這會從電話執行的交易中獲得額外的資料，這會和來自電於交易平臺的資料融合在一起使用。
人工智慧和機器學習能夠更有效地管理風險暴露。交易所需要確定會員交易帳戶頭寸風險增加需要介入，在這個過程中機器學習就可以作為風險建模地基礎發揮作用。對於大型交易公司如銀行，使用中央風險交易指南或基於人資料分析地風險管理技術可以讓這些公司將各類業務產生的風險集中起來，從而更好地管理風險，優化資本使用。
人工智慧和機器學習可以有助於交易監管合規。監管科技中應用人工智慧就是深度學習推動的語音轉化成文本的技術。這可以説明公司滿足非證券市場上交易前和交易後的透明要求。
3.3.2, 組合管理中人工智慧和機器學習的範圍
在組合管理中，人工智慧和機器學習工具可以用於識別價格變化的信號，更高效地使用海量資料開展市場研究。機器學習工具也和現在系統性投資中使用的分析工具原理類似。主要的仟務是從那些可以預測價格變動的資料中找到信號，從而帶來更高回報。
在資產管理公司中，機器學習可以廣泛地應用於系統性基金（量化），很多都是對沖基金。資產管理公司中的人工智慧團隊會有很多成員説明組合構建。行業中的一種觀點是人工智慧和機器學習要有效，交易員和寬客都需要對使用的工具有很好的理解，並且要有良好的監督。很多量化基金聲稱如果他們不理解某個預測是如何做出的，那麼他們就不會很好地使用模型。機器學習工具在量化基金中集中應用也反映出機器學習是從資料中做出預測的基礎方法，這就使得其和那種使用主觀判斷的投資方法區別開來。
同時，機器學習可能也只在一部分量化基金中得到應用。量化基金管理的資產規模高達1萬億美元，目前全球共同基金管理的資產規模達到40萬億美元。
自危機以來，量化基金管理的資產規模市場份額並沒有出現明顯變化，但是在2013到2016年量化基金執行的交易占比大約從13%翻了一倍達到27% 。換言之，有些交易是基於機器學習的。很難準確地量化哪些交易是由機器學習完成的，原因在於：
•很多公司都不願意披露其相關資訊。
•當公司披露其使用機器學習相關資訊時，對於機器學習這一概念並沒有一個標準的定義或理解
•有些交易或投資可能是主觀做出的.但是從使用機器學習過程中獲得了資訊（程度不同）。
業內有人士估計純粹使用人工智慧和機器學習的機構管理的資產大約為100億美元，但是這一數字在快速增加。
除了基金管理公司使用，專業機構也幫助基金管理公司使用機器學習工具從大量的新聞和市場研究中獲取有價值的內容。在其他情況下，資產管理公司會使用協力廠商提供的人工智慧技術構建指標。一個普遍的問題是人工智慧和機器學習策略得出的有效交易信號會隨著時間的發展效果越來越差，因為資料被廣泛使用，由此要比其他投資者獲得相對優勢就沒有什麼價值了。
3.4人工智慧和機器學習在監管合規和監督中的應用
人工智慧和機器學習技術在被監管企業中廣泛應用，主要用於監管合規，此外監管當局也應用於監督方面。監管科技經常被認為是專注於促進監管合規。更高效的金融科技細分領域。監管科技市場總額預計到2020年會達到64.5億美元，年複合增長率為76% 。監督科技（SupTech)是由監管機構使用的技術統稱。在監督科技中，人工智慧和機器學習應用的目標是提高效率以及監督和管理的有效性。這兩個方面可能會有重疊，但是我們會分開進行單獨討論。下面的有些例於主要來自學術領域。儘管還沒有被監管或管理當局採用，但他們代表著未來的潛在應用方向。應用場景根據使用功能進行分組，即監管合規；監管彙報和資料品質;貨幣政策和系統風險分析；監督和欺詐識別。
3.4.1監管科技：金融機構監管合規應用
為了分析非結構性資料，監管科技可以使用機器學習結合然語言處理。除了用於監督交易員行為和通訊以保證透明度和市場行為合規，機器學習結合自然語言處理可以解釋資料登錄如電於郵件，口語單詞，即時通訊，文檔和大型資料。有些被監管機構正在很多情況下進行試驗，希望能夠提高其產品合規能力。
資產管理公司也可以使用自然語言處理來應對新的監管要求。在歐盟，投資機構必須遵守MiFID II，UCITS以及AIFMD法規的具體要求。公司可以利用自然語言處理和機器學習工具將這些監管政策解釋成普通的語言。然後可以分析這些規定，並進行程式設計實現其自動化，從而將其融入其風險和報告系統，説明公司遵守相關監管政策。這會減少為基金經理解釋，實施以及更新監管規定所需要的成本，工作和時間。
瞭解你的客戶（KYC)是人工智慧和機器學習解決金融業一大痛點的又一個領域。KYC過程經常會成本很高，很耗費人力，並且在很多服務和機構方面都是重複性的。機器學習逐漸用於金融機構遠端KYC過程，實施身份和背景審查。主要有兩種使用方式：（1)評估識別檔中的圖像是否和另一個匹配，（2)計算風險得分，公司會根據風險得分確定哪類個體或應用需要進行額外的監督。基於機器學習的風險評估也會用於定期根據公共資料和私人資料來源的審查，比如違法者和社交媒體在員警那裡的登記。使用這些資料來源可以對風險進行快速評估，且成本很低。公司可以使用風險評分來説明決策，是否需要花費時間和資金做全面的背景審查。
但是，對於其準確性的擔心也導致很多金融機構還沒有應用這些工具。
3.4.2.在宏觀審慎監管和資料品質保證中應用
人工智慧和機器學習方法可以通過將宏觀審慎分析和資料品質保證自動化從而改善宏觀審慎監管。各個地區出臺了一系列新的報告要求，這都導致報告資料的規模更大，彙報頻率更高，同時還要求金融機構按照時間要求提供更多的資源。在某些情況下 (比如，MiFID,AIFM框架下的交昜資料），獲取的資料量對於監管當局來說是非常大的，所以按照傳統方法監管部門是無法處理這些資料的。並且，重大誤差，空白內容，以及其他資料品質問題都是在新的資料集中非常普遍，所以需要多加審查確保資料品質。機器學習可以有助於提高資料品質，比如，可以自動識別異常值（潛在錯誤）並標注出來。這就會降低成本，提高報告品質，同時又可以讓監管當局高效地進行資料處理和宏觀審慎監管。
同樣，人工智慧和機器學習可以説明交易存儲庫（TRS)處理資料品質問題，提高交易存儲的資料對監管當局和公眾的價值。監管當局的報告要克服資料品質問題仍是充分利用交易存儲庫資料的關鍵難題61。應用機器學習技術可以説明交易存儲庫一為場外衍生品或其他類型交易，如交易所交易的衍生品或證券融資交易一提高資料品質。特別是，經過適當訓練過的機器學習演算法能夠説明識別資料鴻溝，資料不一致，以及胖手指誤差，並且可以對交易進行配對或插入缺失資料。監管當局業可以使用同樣的技術。在這種環境下，Autorite des marches financiers du Quebec報告稱其在金融科技實驗室中己經成功地測試了一種監督學習演算法，能夠從場外衍生品資料比如浮動利率互換地非結構性自由文本欄位中識別出異常類別。基於這一演算法的預警可以自動識別不符合規定的清算要求的交易。
3.4.3.監督科技:中央銀行和審慎當局的應用以及未來的應用
機器學習可以用於系統性風險識以及風險傳播管道。特別是，自然語言處理工具可以説明政府當局識別，衡量，預測，估計市場波動，流動性風險，財務壓力，住房價格以及失業。最近義大利銀行的研究中，從推特帖於中得出的文本情緒資訊可以用於分析隨時間變化的條件下散戶對銀行的信仟。該指標可以對銀行零售融資模型的預測帶來挑戰，並且可以在公眾對銀行體系不信任情緒增強的情況下，獲取對金融穩定造成威脅的一些資訊。並且，在義大利銀行，為了準確地獲取網路上最相關的額資訊，新聞媒體的文章都會通過適當的自然語言處理工具進行處理，以 評估公眾情緒。
在另一個研究中，研究人員使用計算語言學和概率方法開發了一個模型來揭示美國規定的銀行披露資訊中的自然語言語義學。該模型發現早在2005年就存在和利率，抵押，房地產，資本要求，評級機構和市場化證券相關的風險。其他研究能夠預測和預計市場結果以及經濟狀況，包括波動性和增長情況。
使用機器學習結合自然語言處理可以在大規模複雜資料中為監管機構重點關注的領域提供有價值資訊。機器學習和自然語言處理結合使用，將交易資料庫和市場參與者其他相關資訊連起來。這包括，比如，融合並比較交易活動資訊和行為資料如通訊等，並且可以將正常的交易場景和存在明顯異常，需要進一步分析的交易場景進行對比。
中央銀行可以使用人工智慧輔助貨幣政策評估。2015年一項關於中央銀行對大資料的興趣調查中，發現中央銀行預計會加大使用大資料用於宏觀經濟和金融穩定監管。最可能的應用可能是用於經濟預測，尤其是預測經濟指標如通貨膨脹和價格。比如，39%的中央銀行預計會使用大資料即時預測房屋價格。人工智慧也可以用於預測失業，GDP，工業產出，零售銷售，旅遊活動以及商業週期（比如，用情緒指標和即時預報技術）.
最近的研究強調了這些方法是如何應用的。哥倫比亞大學的研究人員最近使用新開發的機器學習方法，結合觀測研究，可以讓公共部門和市場參與者能夠：（i)‘評估’政策選擇並將其和財務績效指標銜接(ii)在不同的經濟和政治環境下模擬政策影響；（iii)通過比較政策影響的變化趨勢發現市場創新變化。為了研究
財政政策對不同地區的分配效;BDI開展的一項研究使用了動態因於模型，並使用了包括不同經濟部門的變數據集。為了選擇統計上最相關的獨立變數，他們使用了自回歸變數模型。研究人員目前正在評估機器學習工具在識別新的金融創新方面的潛力。研究人員己經使用了機器學習從金融論文，新聞中提取情緒和關鍵主題，以評估新聞、關注度和金融穩定之間的關係。
3.4.4 市場監管機構用來監督和識別欺詐
一些監管機構正使用人工智慧進行欺詐和AML/CFT識別。澳大利亞證券和投資委員會（ASIC)正使用自然語言處理和其他技術將選取的主體和他們之間的關係製作視圖，實現視覺化，並進一步研究。為了打擊銀行體系的犯罪活動（如洗錢），Bdl收集了銀行資金轉帳的詳細資訊，並將這些資訊和新聞報紙上的文章
做相關性審查。相關性涉及到結構性和非結構性資料，檔大小超過50個GB。同樣，新加坡金融管理局（MAS)正探索在可疑交易分析中利用人工智慧和機器學習，找出那些需要進一步研究的交易，可以讓監管機構將資源投入到高風險交易的調查中。
調査可疑交易經常很耗費時間，而且有時候也很可能會因為被監管物件提供錯誤資訊而使得調查徒勞無功。機器學習正被用於識別複雜模式，突出那些非常嚴重又值得深入調査的可疑交易。有了機器學習方法分析來自交易，客戶特徵以及各種非結構資料的粒狀資料，機器學習可以用於揭示不同特性和實體之間的非線性關係，可以發現非常複雜的洗錢和恐怖主義融資行為模式，這些行為無法通過個體提交的可疑交易檔發現。
市場監管機構還可以使用這些技術用於披露和風險評估。美圍證監會研究人員利用“大資料”開發出文本分析和機器學習演算法識別可能的欺詐和非法行為。某些風險評估工具也開始轉向人工智慧技術。比如，美國證監會工作人員使用機器學習識別SEC檔中的文字模式。有了監督學習，這些模式可以和過去的測試結果對比，以發現投資機構申請檔中存在的風險點。美國證監人員指出這些技術的效率非常高。儘管結果也會存在誤報，這些誤報可能不是惡意或有意為之。73對於投資顧問，SEC工作人員彙集了結構性和非結構性資料。無監督學習演算法可以用於識別特殊的或異常的報告行為一包括主題建模和音調分析。74這一階段的結果和過去測試結果結合，輸入到第二階段機器學習演算法中預測每個投資顧問身上的風險概率75。在澳大利亞，ASIC使用機器學習軟體識別某些細分領域中的誤導行銷活動，比如在投資顧問中沒有執業資格的會計師。
明天繼續為大家講述從微觀金融和宏觀金融的角度分析人工智慧和機器學習在金融領域的應用，對金融市場和機構以及消費者的重要影響。
在信用評估中使用機器學習演算法可以提高信貸決策效率。在一些市場中使用的傳統信用評估模型，潛在的借款人必須有過去的借款資訊，可以用來進行評估。在缺乏這些資訊的情況下，就不會生成信用評分，一個潛在的信用良好的借款人就無法獲得貸款，也就無法建立自己的貸款記錄。有了其他替代件資料來源，並應用機器學習演算法説明評估信用和還款意願，貸款機構就能夠對是否貸款做決策，這在以前是不可能的。這一趨勢會令信貸市場不發達的市場受益，在信貸市場較發家，則會導致信貸餘額的增加不可持續。而且，在評估信用方面，機器學習的信用評估模型是否超過傳統模型也沒有經過證明。
過去幾年，很多以傳統銀行無法服務的客戶為主要目標的金融科技創業企業開始出現。除了在美國為人所熟知的互聯網貸款企業之外，有一家公司正使用演算法對資料進行分析，並將業務拓展到海外市場，如中國，中國市場上有很多借款人並沒有信用評分。另一家倫敦的公司正為那些信用資料殘缺不全的個體提供信用評估，其使用演算法和另類資料來源對那些因為一些小差錯被貸款機構拒絕貸款的貸款申請進行評估。此外，一些公司正在想辦法利用傳統銀行所擁有的海量資料，將這些資料同移動銀行應用和人工智慧結合對理財管理提供輔助，同時進行理財預測，這可能是簡歷信用歷史的第一部。
在信用評估模型方面使用人工智慧有優勢也有不足。人工智慧可以對大規模資料很快進行分析。由此，其可以推動形成可以處理大規模信用資料的信用評估政策，降低對某個個體進行信用風險評估的成本，擴大公司可以評估信用風險的個體數量。大資料應用于信用評估的一個例於應該包括非貸款模式，比如手機即時支付以及其他公用事業帳單，這需要和其他資料結合。此外，沒有信用記錄或信用評分的人可以因為人工智慧而獲得貸款或申請信用卡，此前在傳統的信用評估模型中缺乏信用記錄都被視為申請人無法按時還款的一個重要指標因素。
但是，使用複雜的演算法也會導致對消費者來說缺乏透明度 機器學習從另一個角度來說也是個 “黑箱”，會引起人們的擔憂。當使用機器學習進行信用評估和信貸決策時，如果受到質疑則通常很難向消費者，審計師，監管機構解釋其信用評估以及由此帶來的信貸決策結果。此外，有些人認為使用一些新的另類資料來源，如互聯網上的行為或非傳統的財務資訊，可能會對信貸決策導致偏差。尤其是，消費者權益保護團體指出機器學習工具可能會產生一些關於借款人特徵的組合，如簡單的預測其種族或性別，很多地區的公平借貸法律禁止考慮這些因素。這些演算法或許因為借款人少數族裔而認為其違約風險較高，也可能是因為同—族裔的借款人以前在申請貸款時通過審批的不多。
借款人和貸款產品歷史資料對於這些分析工具的效果非常重要。同樣，在各種金融環境下借款人-產品績效數劇的可獲得性，資料以及可靠性是這些風險模型的關鍵。而且，對這些新出現的人工智慧和機器學習模型，缺乏相關資料，也缺乏這些模型在各種金融週期下的效果相關資訊，有些監管當局己經指出這些問題。
3.1.2用於定價，市場推廣和管理保險產品
保險業正使用機器學習來分析複雜資料，降低成本，提高盈利能力。因為分析資料從而進行定價是保險業務的核心，保險相關技術，有時候又被稱為是‘保險科技’ （InsurTech），經常要依靠大資料分析。在保險科技中應用人工智慧和機器學習在美國，英國，德國和中國很常見。
很多應用涉及到優化承保流程，對於保險公司收集的一些能夠識別潛在高風險，降低索賠額，提高盈利能力的案例資料，這些應用可以説明保險公司對這些資料進行分析。有些保險公司正在積極利用機器學習來優化定價或者保險產品的市場推廣，這主要是融合即時，高度精細化資料進行的，比如網路購物行為或者遠端資訊（聯網設備上的感測器，如汽車里程表）。有些公司或者會通過合作、收購或者非保險業務來獲取這些資料。在很多情況下，當資料保護。監管政策要求的情況下，公司需要征得使用者的同意才能使用及資料。
人工智慧和機器學習應用可以大大改善某些保險環節效率。比如承保和理賠處理處理。在承保環節，大型的商業險和壽險或傷殘保險可以基於自然語言處理，經由人工智慧系統提高其效率。這些應用可以從過去的理賠資料中經過訓練，為人類決策者突出某些關鍵考慮因素。機器學習技術可以用於決定維修成本，並且可以自動根據車禍事故損毀的嚴重性對車禍進行歸類。此外，人工智慧可以幫助縮短理賠處理時間，降低運營成本。保險公司也在探索人工智慧和機器學習以及遠端感測器（通過物聯網接入）可以發現，在某些情況下可以預防保險事故發生，比如化學品洩漏或車禍。
這些方法可能會獲得廣泛應用。根據私營部門的預測，全球保險科技投資在2016年達到17億美元。同時，26%的保險公司為數字領域的創業企業提供資本或非資本支持（比如，指導），17%的保險公司在內部設立了風險投資基金或者以高科技行業為目標的投資部門。同時使用機器學習可以為保險公司帶來更準確的定價和風險評估。當然也有關於消費者保護方面滴擔心，主要是因為可能會出現資料差錯或某些群體被排除在外。
3.1.3 面向客戶的聊天機器人聊天
聊天機器人是説明客戶交易或解決問題的虛擬助手。這些自動化程式使用自然語言處理自然語言（文本或音訊）和客戶交互，使用機器學習演算法自我完善。很多金融機構已經使用了聊天機器人，通常是在其移動應用或者社交媒體帳號上。還有很多金融機構正在測試階段，所以聊天機器人會有很大的發展潛力，尤其是在年輕一代群體中，並且會越來越專業複雜。現在金融機構在使用的聊天機器人很簡單，通常為客戶提供帳戶資訊或者對客戶提出預警，或者回答簡單的問題。值得觀察的是聊天機器人的使用越來越多和通訊應用的使用有關係。
聊天機器人越來越向提供諮詢建議或促進客戶行動這些方向發展。除了輔助金融機構客戶進行投資決策，金融機構還可以從聊天機器人和客戶互動過程中獲取客戶資訊，從而受益。落後的客戶資料存儲基礎設施延緩了很多地方金融機構聊天機器人的發展，亞洲金融機構和監管機構己經開發山了更加專業的聊天機器人，並且現在己經使用得很多了。保險行業也在探索使用聊天機器人提供即時保險諮詢服務。
3.2運營過程應用人工智慧
金融機構可以在很多運營業務（後臺）中使用人工智慧和機器學習工具。一些應用包括：（i)銀行資本優化；（ii)模型風險管理（回測和模型驗證）；以及（iii)市場影響分析（大宗交易建模）。下面將會依次討論。
3.2.1資本優化應用場景
資本優化，或者一定資金規模情況下實現利潤最大化，是傳統銀行功能，高度依賴數學方法。人工智慧和機器學習工具都是建立在計算能力，大資料和數學優化概念基礎上的，可以提高資本優化效率，準確率，以及速度。在過去兒年，在學術界和行業內的專業人，利用機器學習優化銀行監管資本都是一個非常關注的課題。在2012年，私人部門的觀察家指出很多銀行聲稱他們開展了很有意義的專案優化風險加權資產（RWA),並且節省了 RWA5%-15% 。資本優化在衍生品利潤優化方面也需要做，比如MVA(margin valuation adjustment)，關於清算和雙邊保證的新監管規定也對優化資本和初始保證金在專業技術方面提出了新的要求。
人工智慧和機器學習可以幫銀行優化MVA，最近的研究表明在這些方面也有些進展。在MVA優化過程中，機器學習要結合以下方面降低衍生品初始保證金要求：（a)執行成對抵銷衍生品交易（offsetting derivative trades) ; (b)和同一交易員執行抵銷策略；（c)從一個交易組合中代替另一個交易組合中的交易。機器學習可以根據過去不同交易組合情況下初始保證金減少程度，在給定時間裡發現減少交易的最佳初始保證金組合。在RWA和MVA優化中的進步可能會減少傳統上標準化的監管資本要求，並且會降低對不可優化資本監管工具的過度依賴。
3.2.2模型風險（回測和模型驗證）和壓力測試
學術專家和業內人士通常認為回撤和模型驗證中是人工智慧和機器學習不久就可以應用的領域。很多銀行正在考慮用機器學習來探索利用大量非結構性和半結構性資料集，並且要監督重要模型的輸出。回測很重要，因為回測通常會用來評估銀行的風險模型效果如何。在過去幾年，美國和歐洲審慎監管機構重點關注銀行使用的回測和模型驗證工作，為模型風險管理提供指導。為回測設定很多條件可以考慮市場行為和其他趨勢的改變，有希望減少在上述情景中低估風險的可能性。
有些應用已經出現。比如，一家全球跨國投資銀行正在模型驗證中使用無監督學習演算法。其證券衍生品業務使用這類機器學習找出其壓力測試模型產生的異常預測值。每天晚上，這些模型會產生超過三百萬個計算報告監督監管情況、內部資本配置情況。無監督學習演算法會在監督內部和監管壓力測試模型中有助於模型驗證，因為他們可以説明確定這些模型是否在可接受的容忍度內運行或者偏離了最初的目標。他們還可以向經營風險模型提供其他輸入，比如組織受到網路攻擊的脆弱程度。
同樣，人工智慧和學習和機器學習技術也應用於壓力測試，金融危機之後越來越多的壓力測試已經對銀行造成了困難，因為銀行進行監管壓力測試要分析大量資料。人工智慧和機器學習工具的一家供應商已經密切的和一家大型金融機構合作開發工具幫助他們為銀行壓力測試構建資本市場業務模型。其開發的工目的是在給定違約概率和違約損失的場景分析中限制變數的數量。通過使用無監督學習模型分析大量的資料，其工具可以記錄因為變數選擇而出現的任何偏差，由此可以給模型帶來更好的透明度。
並且，人工智慧還可以説明什麼時候交易能夠將市場影響降到最低。市場影響模型可以描述交易帶來的影響是如何依賴此前的交易的。模型會避免將交易安排地過於密集，從而避免對市場造成嚴重影響。這些模型可以用於為一系列場景設計最可能的交易模式，然後隨著真實交易情況的變化調整交易計畫，使用監督學習技術進行短期預測，確定調整情況。銀行業正在測試強化學習，教人工智慧工具對限價訂單中的訂單不平衡（指令差額）和佇列位置做出反應。
3.2.3 市場影響分析(大宗交易建模)
人工智慧和機器學習可以對傳統的市場影響模型形成補充。公司可以使用人工智慧從稀少的歷史模型中獲得更多資訊，或者説明識別訂單流中的非線性關係。自己學習還能夠用來開發“交易機器人”，這些交易機器人可以教自己如何對市場變化做出反應。市場影響分析，主要是公司交易對市場價格的影響進行評估。由於公司比較擔心交易帶來的影響，尤其是大宗交易對市場價格的影響，對這些影響進行更準確的預測是確定交易時間以及實現交易執行成本最小的關鍵。
很多公司正在探索使用人工智慧工具對某些交易造成的市場影響進行分析。公司自營交易，對市場價格的影響是難以建模的，尤其是對於流動性較差的證券產品。這些產品過去可以對比的交易資料很少。人工智慧工具可以有助於強化正在使用的模型，或者是引入機器學習方法實現交易對價格和流動性的影響最小。對於那些非常活躍的系統重要性基金，其交易產生的收益中有2/3據估計會因為市場影響成本而損失掉。
機器學習也經常用於找出那些價格變動模式類似的債券50。這麼做，機器學習要依賴更多的資料點，但市場交易量較少時可以更好地預測價格變化。由此形成的工具將債券分成一組一組的使用聚類分析，在每組中收集最可比地產品，評估單個債券的流動性。
3.3、交易和組合管理
人工智慧和機器學習技術是資產管理公司和交易公司現在研究的重點領域。除了研發投入以外，有些公司現在使用機器學習設計交易和投資策略。人工智慧投資策略的自主程度和人類參與程度每個應用都有所不同。本部分，我們會分析交易執行（主要是賣方）和組合管理（買方）的應用。
3.3.1.人工智慧和機器學習在交易執行中的應用
交易公司希望人工智慧和機器學習使用資料提高其銷售能力。比如，分析過去交易行為可以有助於預測客戶的下一個訂單。交易會產生大量的資料，這些數的規模通常都可以由機器學習工具有效使用。如果目前使用語音轉化成文本的服務趨勢持續吸取，這會從電話執行的交易中獲得額外的資料，這會和來自電於交易平臺的資料融合在一起使用。
人工智慧和機器學習能夠更有效地管理風險暴露。交易所需要確定會員交易帳戶頭寸風險增加需要介入，在這個過程中機器學習就可以作為風險建模地基礎發揮作用。對於大型交易公司如銀行，使用中央風險交易指南或基於人資料分析地風險管理技術可以讓這些公司將各類業務產生的風險集中起來，從而更好地管理風險，優化資本使用。
人工智慧和機器學習可以有助於交易監管合規。監管科技中應用人工智慧就是深度學習推動的語音轉化成文本的技術。這可以説明公司滿足非證券市場上交易前和交易後的透明要求。
3.3.2, 組合管理中人工智慧和機器學習的範圍
在組合管理中，人工智慧和機器學習工具可以用於識別價格變化的信號，更高效地使用海量資料開展市場研究。機器學習工具也和現在系統性投資中使用的分析工具原理類似。主要的仟務是從那些可以預測價格變動的資料中找到信號，從而帶來更高回報。
在資產管理公司中，機器學習可以廣泛地應用於系統性基金（量化），很多都是對沖基金。資產管理公司中的人工智慧團隊會有很多成員説明組合構建。行業中的一種觀點是人工智慧和機器學習要有效，交易員和寬客都需要對使用的工具有很好的理解，並且要有良好的監督。很多量化基金聲稱如果他們不理解某個預測是如何做出的，那麼他們就不會很好地使用模型。機器學習工具在量化基金中集中應用也反映出機器學習是從資料中做出預測的基礎方法，這就使得其和那種使用主觀判斷的投資方法區別開來。
同時，機器學習可能也只在一部分量化基金中得到應用。量化基金管理的資產規模高達1萬億美元，目前全球共同基金管理的資產規模達到40萬億美元。
自危機以來，量化基金管理的資產規模市場份額並沒有出現明顯變化，但是在2013到2016年量化基金執行的交易占比大約從13%翻了一倍達到27% 。換言之，有些交易是基於機器學習的。很難準確地量化哪些交易是由機器學習完成的，原因在於：
•很多公司都不願意披露其相關資訊。
•當公司披露其使用機器學習相關資訊時，對於機器學習這一概念並沒有一個標準的定義或理解
•有些交易或投資可能是主觀做出的.但是從使用機器學習過程中獲得了資訊（程度不同）。
業內有人士估計純粹使用人工智慧和機器學習的機構管理的資產大約為100億美元，但是這一數字在快速增加。
除了基金管理公司使用，專業機構也幫助基金管理公司使用機器學習工具從大量的新聞和市場研究中獲取有價值的內容。在其他情況下，資產管理公司會使用協力廠商提供的人工智慧技術構建指標。一個普遍的問題是人工智慧和機器學習策略得出的有效交易信號會隨著時間的發展效果越來越差，因為資料被廣泛使用，由此要比其他投資者獲得相對優勢就沒有什麼價值了。
3.4人工智慧和機器學習在監管合規和監督中的應用
人工智慧和機器學習技術在被監管企業中廣泛應用，主要用於監管合規，此外監管當局也應用於監督方面。監管科技經常被認為是專注於促進監管合規。更高效的金融科技細分領域。監管科技市場總額預計到2020年會達到64.5億美元，年複合增長率為76% 。監督科技（SupTech)是由監管機構使用的技術統稱。在監督科技中，人工智慧和機器學習應用的目標是提高效率以及監督和管理的有效性。這兩個方面可能會有重疊，但是我們會分開進行單獨討論。下面的有些例於主要來自學術領域。儘管還沒有被監管或管理當局採用，但他們代表著未來的潛在應用方向。應用場景根據使用功能進行分組，即監管合規；監管彙報和資料品質;貨幣政策和系統風險分析；監督和欺詐識別。
3.4.1監管科技：金融機構監管合規應用
為了分析非結構性資料，監管科技可以使用機器學習結合然語言處理。除了用於監督交易員行為和通訊以保證透明度和市場行為合規，機器學習結合自然語言處理可以解釋資料登錄如電於郵件，口語單詞，即時通訊，文檔和大型資料。有些被監管機構正在很多情況下進行試驗，希望能夠提高其產品合規能力。
資產管理公司也可以使用自然語言處理來應對新的監管要求。在歐盟，投資機構必須遵守MiFID II，UCITS以及AIFMD法規的具體要求。公司可以利用自然語言處理和機器學習工具將這些監管政策解釋成普通的語言。然後可以分析這些規定，並進行程式設計實現其自動化，從而將其融入其風險和報告系統，説明公司遵守相關監管政策。這會減少為基金經理解釋，實施以及更新監管規定所需要的成本，工作和時間。
瞭解你的客戶（KYC)是人工智慧和機器學習解決金融業一大痛點的又一個領域。KYC過程經常會成本很高，很耗費人力，並且在很多服務和機構方面都是重複性的。機器學習逐漸用於金融機構遠端KYC過程，實施身份和背景審查。主要有兩種使用方式：（1)評估識別檔中的圖像是否和另一個匹配，（2)計算風險得分，公司會根據風險得分確定哪類個體或應用需要進行額外的監督。基於機器學習的風險評估也會用於定期根據公共資料和私人資料來源的審查，比如違法者和社交媒體在員警那裡的登記。使用這些資料來源可以對風險進行快速評估，且成本很低。公司可以使用風險評分來説明決策，是否需要花費時間和資金做全面的背景審查。
但是，對於其準確性的擔心也導致很多金融機構還沒有應用這些工具。
3.4.2.在宏觀審慎監管和資料品質保證中應用
人工智慧和機器學習方法可以通過將宏觀審慎分析和資料品質保證自動化從而改善宏觀審慎監管。各個地區出臺了一系列新的報告要求，這都導致報告資料的規模更大，彙報頻率更高，同時還要求金融機構按照時間要求提供更多的資源。在某些情況下 (比如，MiFID,AIFM框架下的交昜資料），獲取的資料量對於監管當局來說是非常大的，所以按照傳統方法監管部門是無法處理這些資料的。並且，重大誤差，空白內容，以及其他資料品質問題都是在新的資料集中非常普遍，所以需要多加審查確保資料品質。機器學習可以有助於提高資料品質，比如，可以自動識別異常值（潛在錯誤）並標注出來。這就會降低成本，提高報告品質，同時又可以讓監管當局高效地進行資料處理和宏觀審慎監管。
同樣，人工智慧和機器學習可以説明交易存儲庫（TRS)處理資料品質問題，提高交易存儲的資料對監管當局和公眾的價值。監管當局的報告要克服資料品質問題仍是充分利用交易存儲庫資料的關鍵難題61。應用機器學習技術可以説明交易存儲庫一為場外衍生品或其他類型交易，如交易所交易的衍生品或證券融資交易一提高資料品質。特別是，經過適當訓練過的機器學習演算法能夠説明識別資料鴻溝，資料不一致，以及胖手指誤差，並且可以對交易進行配對或插入缺失資料。監管當局業可以使用同樣的技術。在這種環境下，Autorite des marches financiers du Quebec報告稱其在金融科技實驗室中己經成功地測試了一種監督學習演算法，能夠從場外衍生品資料比如浮動利率互換地非結構性自由文本欄位中識別出異常類別。基於這一演算法的預警可以自動識別不符合規定的清算要求的交易。
3.4.3.監督科技:中央銀行和審慎當局的應用以及未來的應用
機器學習可以用於系統性風險識以及風險傳播管道。特別是，自然語言處理工具可以説明政府當局識別，衡量，預測，估計市場波動，流動性風險，財務壓力，住房價格以及失業。最近義大利銀行的研究中，從推特帖於中得出的文本情緒資訊可以用於分析隨時間變化的條件下散戶對銀行的信仟。該指標可以對銀行零售融資模型的預測帶來挑戰，並且可以在公眾對銀行體系不信任情緒增強的情況下，獲取對金融穩定造成威脅的一些資訊。並且，在義大利銀行，為了準確地獲取網路上最相關的額資訊，新聞媒體的文章都會通過適當的自然語言處理工具進行處理，以 評估公眾情緒。
在另一個研究中，研究人員使用計算語言學和概率方法開發了一個模型來揭示美國規定的銀行披露資訊中的自然語言語義學。該模型發現早在2005年就存在和利率，抵押，房地產，資本要求，評級機構和市場化證券相關的風險。其他研究能夠預測和預計市場結果以及經濟狀況，包括波動性和增長情況。
使用機器學習結合自然語言處理可以在大規模複雜資料中為監管機構重點關注的領域提供有價值資訊。機器學習和自然語言處理結合使用，將交易資料庫和市場參與者其他相關資訊連起來。這包括，比如，融合並比較交易活動資訊和行為資料如通訊等，並且可以將正常的交易場景和存在明顯異常，需要進一步分析的交易場景進行對比。
中央銀行可以使用人工智慧輔助貨幣政策評估。2015年一項關於中央銀行對大資料的興趣調查中，發現中央銀行預計會加大使用大資料用於宏觀經濟和金融穩定監管。最可能的應用可能是用於經濟預測，尤其是預測經濟指標如通貨膨脹和價格。比如，39%的中央銀行預計會使用大資料即時預測房屋價格。人工智慧也可以用於預測失業，GDP，工業產出，零售銷售，旅遊活動以及商業週期（比如，用情緒指標和即時預報技術）.
最近的研究強調了這些方法是如何應用的。哥倫比亞大學的研究人員最近使用新開發的機器學習方法，結合觀測研究，可以讓公共部門和市場參與者能夠：（i)‘評估’政策選擇並將其和財務績效指標銜接(ii)在不同的經濟和政治環境下模擬政策影響；（iii)通過比較政策影響的變化趨勢發現市場創新變化。為了研究
財政政策對不同地區的分配效;BDI開展的一項研究使用了動態因於模型，並使用了包括不同經濟部門的變數據集。為了選擇統計上最相關的獨立變數，他們使用了自回歸變數模型。研究人員目前正在評估機器學習工具在識別新的金融創新方面的潛力。研究人員己經使用了機器學習從金融論文，新聞中提取情緒和關鍵主題，以評估新聞、關注度和金融穩定之間的關係。
3.4.4 市場監管機構用來監督和識別欺詐
一些監管機構正使用人工智慧進行欺詐和AML/CFT識別。澳大利亞證券和投資委員會（ASIC)正使用自然語言處理和其他技術將選取的主體和他們之間的關係製作視圖，實現視覺化，並進一步研究。為了打擊銀行體系的犯罪活動（如洗錢），Bdl收集了銀行資金轉帳的詳細資訊，並將這些資訊和新聞報紙上的文章
做相關性審查。相關性涉及到結構性和非結構性資料，檔大小超過50個GB。同樣，新加坡金融管理局（MAS)正探索在可疑交易分析中利用人工智慧和機器學習，找出那些需要進一步研究的交易，可以讓監管機構將資源投入到高風險交易的調查中。
調査可疑交易經常很耗費時間，而且有時候也很可能會因為被監管物件提供錯誤資訊而使得調查徒勞無功。機器學習正被用於識別複雜模式，突出那些非常嚴重又值得深入調査的可疑交易。有了機器學習方法分析來自交易，客戶特徵以及各種非結構資料的粒狀資料，機器學習可以用於揭示不同特性和實體之間的非線性關係，可以發現非常複雜的洗錢和恐怖主義融資行為模式，這些行為無法通過個體提交的可疑交易檔發現。
市場監管機構還可以使用這些技術用於披露和風險評估。美圍證監會研究人員利用“大資料”開發出文本分析和機器學習演算法識別可能的欺詐和非法行為。某些風險評估工具也開始轉向人工智慧技術。比如，美國證監會工作人員使用機器學習識別SEC檔中的文字模式。有了監督學習，這些模式可以和過去的測試結果對比，以發現投資機構申請檔中存在的風險點。美國證監人員指出這些技術的效率非常高。儘管結果也會存在誤報，這些誤報可能不是惡意或有意為之。73對於投資顧問，SEC工作人員彙集了結構性和非結構性資料。無監督學習演算法可以用於識別特殊的或異常的報告行為一包括主題建模和音調分析。74這一階段的結果和過去測試結果結合，輸入到第二階段機器學習演算法中預測每個投資顧問身上的風險概率75。在澳大利亞，ASIC使用機器學習軟體識別某些細分領域中的誤導行銷活動，比如在投資顧問中沒有執業資格的會計師。
明天繼續為大家講述從微觀金融和宏觀金融的角度分析人工智慧和機器學習在金融領域的應用，對金融市場和機構以及消費者的重要影響。