【ML】ML Q&A：机器学习在金融中如何应用？

机器学习在金融中如何应用？

Quora平台的Afzal Ibrahim的回答，可以借鉴，转载和翻译如下。

原文链接：https://www.quora.com/How-is-machine-learning-used-in-finance

银行业是一个生态系统，它需要强大而高质量的智能，而不依赖与基于鬼则的编程（我们已经厌倦了规则）。

现在是战略绩效管理部门必须消失的时候了——因为他们是一群负责挖掘数据（手工）和产生洞察力（Excel文件）的人，非常低效的。

我认为机器学习对银行的一些潜在场景可以做出很大的贡献。

产品工程——知道什么时候卖什么，卖给谁

编者按：与基于数据驱动化的精准营销一致

结合不同的产品、客户行为和不同的渠道，创造完美的价值主张是银行业面临的主要挑战之一。通过适当的数据挖掘，支持灵活和集成的流程，以了解客户的购买习惯，客户的参与渠道，以及对银行销售重要的关键影响因素是什么，从而设计新产品和服务给正确的客户。

应用机器学习来生产个性化的产品是下一代银行的关键。购买银行产品的倾向对于一个银行家销售他们的产品和服务来说是一个关键的KPI。

风险管理——了解客户的信用价值

编者按：信用风险识别和量化

在向客户提供产品或服务之前，根据客户的国籍、职业、工资范围、工作经验、所在行业、信用记录等来确定客户的风险评分对银行来说非常重要。风险评分是银行决定客户利率和其他产品行为的重要KPI。

目前，“即时”引入一个中央的、综合的金融和风险机制是一个重大挑战。即使是现在，由于无法预测客户的风险评分，银行也无法立即获得融资批准

欺诈行为分析

编者按：欺诈风险检测和量化

银行面临的另一个主要挑战是欺诈。也许，最大的机会之一在于在线检测欺诈，并通过利用分析和机器学习来获得客户的整体视图来防止欺诈。识别数据中的模式，聚类信息，区分欺诈活动和正常活动。

Treasury-客户关系管理，现货交易

CRM在零售银行领域非常突出。当涉及到银行内部的Treasury 时，客户关系管理几乎无处不在。

Treasury拥有多种产品，如外汇、期权、互换、远期和更重要的现货。通过将这些产品的复杂程度、客户风险、市场和经济行为以及信用历史等方面结合起来进行在线交易，对银行来说几乎是一个遥远的梦想。机器学习结合强大的汇率定价支持一个即时风险健全检查，然后在网上交易-哦，这将是惊人的!

客户细分

在这个x世代、y世代、千禧世代和美国(传统)的世界里，银行正在努力将客户分成不同的群体，通过收集和分析所有可用数据，并利用大数据技术从基础数据中挖掘情报，从而支持销售、促销和营销活动。 无论机器学习有什么新的见解，只有人类管理者才能决定关键问题，比如公司真正想要解决的关键业务问题。

嘿，银行，你已经是个数学家了。为什么不添加一些机器学习呢?

你有什么见解或者想法，请留言。

数据人网是数据人学习，交流和分享的平台，诚邀您创造和分享数据知识，共建和共享数据智库。