06　机器学习：拓展金融科技应用边界

“机器学习+金融”的应用优势

机器学习是一门研究计算机如何模拟或实现人类学习行为，以获取新知识与技能，重新组织现有知识结构，并不断改善自身性能的科学。目前，机器学习已经在语音识别、分析预测、个性推荐、自动驾驶等领域落地应用。机器学习的广泛应用有助于减轻人们的工作负担，大幅度改善人们的生活质量。

机器学习的任务类型主要有两种：一是监督学习，二是无监督学习。其中，监督学习任务中的算法可以通过带有标签的案例进行训练，从而预知输入数据后对应的输出结果；无监督学习任务中的算法没有可以利用的标签，只能通过算法本身分析数据结构。

人类大脑很难同时集中处理多项任务，因为大脑的认知资源有限，同时处理多项任务会导致认知资源过度分散，影响处理速度及处理结果的准确性等。机器则不存在类似问题，公开数据显示，2014～2020年，部署在国家超级计算天津中心的“天河一号”已连续6年满负荷运行，每天并发在线计算任务1400余项，每年完成任务335万余项，为全国3000余个团队和单位服务，为企业带来经济效益累计近百亿元。

具体来看，机器学习在金融领域的应用优势主要体现在以下几个方面，如图6-1所示。

图6-1　机器学习在金融领域应用的四大优势

更高的可靠性

建立完善的公民信用评级系统，对金融行业发展具有重要作用。银行、投资机构等金融机构每天处理的交易规模达上百亿元，面对如此庞大的交易规模，应该如何提高交易效率，并保障交易安全呢？

人性中的自私和贪婪是金融诈骗发生的主要诱因。想要提高金融交易的可靠性，必须借助高科技手段，基于机器学习技术的机器人为解决这一问题提供了有效手段。以金融腐败为例，人机协作不仅可以降低人的工作负担，还能让机器人对人的行为进行规范、约束，实现“零腐败”。

更快的速度

以股票交易为例，投资者进行股票交易前，通常要投入大量时间与精力对相关数据进行深入分析，以便更精准地预测股票走势，但预测结果和实际情况往往存在较大差异。这是因为人脑处理数据较慢，难以在短时间内从海量信息中提取出有价值的数据。而资本市场瞬息万变，单纯依靠人脑自然很难取得预期效果。

应用机器学习算法，可以有效解决这一问题。斯坦福大学神经生物学教授骆利群在一篇论文中指出，人脑每秒最多可执行大约1000次基本运算（如加法运算），而个人计算机能以每秒100亿次操作的速度执行基本运算，是人脑的1000万倍。

更高的安全性

安全问题是世界各国金融业普遍存在的行业痛点，以勒索病毒为例，根据360安全大脑发布的《2020年勒索病毒疫情分析报告》，2020年，360反勒索服务共接收并处理勒索病毒攻击求助3800余例，其中超过3700例确认遭受勒索病毒攻击。勒索病毒不仅损害了人们的财产安全，还降低了人们的消费信心。

再例如金融欺诈，现代金融欺诈以团伙作案为主，主要采用“化整为零，批量复制”的欺诈手法。针对这种情况，应用机器学习中的无监督学习方式，可以快速识别很多传统人工难以识别的欺诈事件。

例如，基于聚类机器学习算法模型的反欺诈系统可以发现一群用户的注册行为存在某些共性（注册时间集中，位置集中，使用了同样的操作系统，同一个浏览器版本等）。如果由传统人工处理，很难发现其中的问题，因为对这些用户中的任何一位用户进行单独分析，都很难发现问题。但基于聚类机器学习算法模型的反欺诈系统会对该用户群体进行重点标记，并向工作人员发出警报，因为他们出现了超乎寻常的一致性，可能是某个计划实施金融欺诈的犯罪团伙。

更高的精准度

当人们长时间进行重复劳动时，厌倦、烦躁等负面情绪会随之而来，工作效率与质量会明显下降。机器则不会出现这种问题，它们可以长期高效、精准地执行重复性任务。

例如，银行柜台工作人员每天要处理大量的单据和资金往来，而且要服务各种类型的客户，很难长期处于高效工作状态。而柜台工作人员又是银行的“门面”，其工作状态不佳，会对顾客体验造成较大的负面影响。应用基于机器学习等技术的自助服务终端，便可以有效解决这些问题。2018年7月2日，国内首款i-Counter智能柜台由上海浦发银行正式推出，这款智能柜台通过分类，梳理了数百个传统柜面交易，可以办理90%以上的银行业务。