Машинное обучение в финансах: зачем и где изучать

Расскажем, как искусственный интеллект меняет финансовую сферу.

Недавно Сбербанк запустил на Coursera программу по машинному обучению в финансах. Она стала единственным в России курсом со столь узкой специализацией. Мы решили рассказать, исходя из своей практики, почему важно изучать узкоспециализированные отрасли машинного обучения. А в конце — дать список материалов по теме, которые помогут и начинающим, и практикующим специалистам.

Андрей Духовный. Начальник отдела моделирования риска ликвидности казначейства Сбербанка

Сегодня искусственный интеллект и машинное обучение применяются практически во всех сферах деятельности: от анализа поведения пользователей в интернете до исследования генетической предрасположенности человека к серьезным заболеваниям и социального моделирования.

Например, профессор Калифорнийского университета Беркли Тед Мигель на основании более чем 60 количественных исследований нашел взаимосвязь между конфликтами и состоянием климата. Также он показал зависимость между экономическим ростом и средней температурой воздуха. Согласно его оценкам, экономический рост становится ниже в условиях высоких температур – глобальное потепление может снизить общемировой ВВП на 23% к 2100 году.

Несколько лет назад технологии машинного обучения начали активно проникать и в финансовую сферу. В финансах они хорошо себя зарекомендовали — при определении справедливой стоимости домов (компания Zillow), страхового полиса (Health IQ), на ипотечном рынке (LendingHome) и в других областях.

По оценкам футуриста и директора Института глобального будущего Джеймса Кантона, совокупный объем рынка технологий четвертой промышленной революции (BigData, VR, IoT и т.д.) уже к 2025 году составит 3,7 трлн долларов.

В банках модели машинного обучения успешно применяются в кредитном скоринге. Также их используют для построения моделей, которые прогнозируют поведение клиентов в зависимости от предложений банка и макроэкономической ситуации.

Технологический прогресс сильно шагнул вперед, у клиентов появились новые возможности по управлению своими финансами: интернет-банк, мобильный банк, сайт, чат-боты. Появляются небанковские финансовые компании и финтех-стартапы: например, Qwil собирает данные о денежных потоках фрилансеров, на основе этой информации предлагая им авансы, а Revolut делает мультивалютные карты и P2P-сервисы.

Доступ людей к банковским счетам упростился: теперь чтобы оплатить покупку, уже не нужна банковская карта – достаточно иметь мобильный телефон. А в некоторых случаях можно совершать платежи по отпечатку пальца или с помощью технологии распознавания лица.

Все эти изменения оказывают сильное влияние на поведение людей и выбор финансовых сервисов, которыми они регулярно пользуются для оплаты, сбережения средств и привлечения кредитов.

Для построения точных прогнозов развития бизнеса банку уже нельзя ориентироваться только на регрессионный анализ – нужно строить продвинутые модели с применением методов машинного обучения, которые позволяют учесть индивидуальные особенности поведения различных групп людей.

Сегодня большинство используемых в бизнесе алгоритмов machine learning базируются на обучении «под наблюдением» (supervised learning) и при этом обучаются на ограниченных данных, которые не охватывают все возможные сценарии. Поэтому для применения алгоритмов в бизнес-процессах важно знать не только как работает сам алгоритм, но и понимать процесс, в который алгоритм внедряется.

Из-за резкого бума популярности технологии машинного обучения рынок начал ощущать нехватку сильных специалистов в этой области, а, учитывая экспоненциальный рост объёма информации, мировая потребность в специалистах по искусственному интеллекту и машинному обучению в течение следующих десяти лет может вырасти в десять раз.

В связи с этим корпорации и вузы начинают активно вводить в свои учебные программы курсы по машинному обучению. Сегодня выпускники лучших российских технических вузов демонстрируют высокий уровень технических и математических знаний, но зачастую не имеют достаточного представления о том, как устроены реальные бизнес-процессы.

Выпускники экономических вузов, напротив, лучше ориентируются в бизнес-процессах, но в полном объеме не владеют техническими знаниями, которые востребованы корпорациями.

Одна из причин – недостаток практики во время учебы, а также опыта у преподавателей

Высоко востребованы люди, у которых есть представление о том, как внедрять в бизнес-решения те теоретические навыки, которыми они владеют.

Осознавая эту проблему, Сбербанк запустил курс «Машинное обучение в финансах». В качестве преподавателей мы пригласили сотрудников блока «Финансы», департамента глобальных рынков и нашего корпоративного университета

На курсе коллеги рассказывают, как машинное обучение применяется в управлении банковским балансом, в торговых стратегиях, в прогнозировании показателей банка и в макроэкономическом прогнозировании. Слушатели курса смогут получить теоретические знания и научиться использовать их в работе.

В дополнение к курсу мы составили подборку практических и теоретических материалов по машинному обучению, которые помогут прокачать знания для дальнейшего успешного трудоустройства. Материалы будут полезны как студентам, так и уже сложившимся специалистам, которые хотят изменить вектор своего профессионального развития.

Казначейство Сбербанка периодически ведет набор специалистов от уровня junior до senior. Если вы прошли наш курс, вам было интересно и вы хотите попробовать свои силы в нашей команде, присылайте CV на AADukhovny@sberbank.ru.

Машинное обучение в финансах. Корпоративный университет Сбербанка. De Prado M. L. 2018. Advances in Financial Machine Learning. John Wiley & Sons, Inc. В книге хорошо разобраны проблемы применения стандартных методов машинного обучения в финансах.
Лекции профессора Раджа Четти из Стэнфорда. Здесь разобрано большое количество практических кейсов на примере данных по США.
Forecasting Inflation in a Data-Rich Environment: The Benefits of Machine Learning Methods. Marcelo C. Medeiros, Gabriel Vasconcelos, Álvaro Veiga, Eduardo Zilberman. Практический пример применения методов машинного обучения для прогнозирования инфляции.
Everybody Lies: Big Data, New Data, and What the Internet Can Tell Us About Who We Really Are Hardcover. В 2017 году книга была признана бестселлером по версии The New York Times. Книга больше публицистическая, но при этом очень простым языком объясняет особенности поведения людей и расширяет наше представление о том, что можно считать данными.
Yeh R.A., Chen C., Lim T. Y., Schwing A. G., Hasegawa-Johnson M., Do, M. N. 2017. Semantic Image Inpainting with Deep Generative Models. В статье рассказывается о методах анализа изображений. Нам удалось применить их для прогнозирования инфляции, о чем мы рассказываем в рамках курса «Машинное обучение в финансах» на Coursera.

Специализация Машинное обучение и анализ данных от МФТИ и Яндекса. Хороший вводный курс на русском языке, который разбирает типовые задачи машинного обучения и анализа данных и методы их решения.
Machine learning. Stanford. Хороший вводный курс на английском.
Machine learning. Deep Learning Specialization. Master Deep Learning, and Break into AI, deeplearning.ai. Один из лучших курсов по нейросетям. Уделяется внимание введению в построение нейросетей и созданию проектов с машинным обучением.
Machine learning. Probabilistic graphical models. Stanford. Подробное введение в байесовские модели.
Matrix Methods in Data Analysis, Signal Processing, and Machine Learning. MIT. Курс содержит описание математических аспектов, которые необходимы для понимания методов построения нейросетей.
Adam Gibson, Josh Patterson, 2017, Deep Learning a practitioner’s approach. В книге приведены примеры кода по применению методов машинного обучения.
Deep Learning (Adaptive Computation and Machine Learning series). Ian Goodfellow, Yoshua Bengio, Aaron Courville. В книге описываются приемы глубинного обучения, применяемые на практике, в том числе глубокие сети прямого распространения, регуляризация, алгоритмы оптимизации, сверхточные нейронные сети, моделирование последовательностей и другие технологии.